---
title: "Arabisch-Englisch-Übersetzung per LLM: Prompts und QA"
description: "Arabisch ins Englische und zurück per LLM-API übersetzen: Prompts, die den Ton halten, Glossare für feste Begriffe, Zahlen und Namen, und wie Sie Qualität bewerten."
url: https://broadrouter.com/de/blog/arabic-english-translation-llm/
lang: de
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Mit KI-Unterstützung aus dem Englischen übersetzt. [Englisches Original lesen](https://broadrouter.com/blog/arabic-english-translation-llm/) (aktualisiert am 2026-11-14).

# Übersetzung Arabisch–Englisch mit LLMs: Prompts, Glossare, Bewertung

Vom Team von BroadNet Inference · 5 Min. Lesezeit · Veröffentlicht 2026-11-14

Um mit einem LLM zwischen Arabisch und Englisch zu übersetzen, nennen Sie dem Modell Zielgruppe, Register und ein Glossar fester Begriffe, lassen Zahlen und Namen unverändert und übersetzen in absatzgroßen Abschnitten. Bewerten Sie mit chrF oder COMET plus Prüfung durch Muttersprachler. In BroadNets Tests übersetzte Qwen3.8 27B genau zwischen Arabisch und Englisch.

## Das Wichtigste in Kürze

-   Nennen Sie Richtung, Zielgruppe und Register: „Privatkunden in Saudi-Arabien, höfliches MSA“ schlägt „ins Arabische übersetzen“.
-   Ein Glossar fester Begriffe hält Produkt-, Rechts- und UI-Begriffe über jeden Abschnitt und jeden Aufruf hinweg identisch.
-   Prüfen Sie Zahlen, Daten, Namen und Verneinungen im Code oder per Review; diese Fehler sind die teuren.
-   Nutzen Sie chrF oder COMET für automatische Werte und Muttersprachler für alles, was Kunden sehen oder rechtlich relevant ist.
-   BroadNet meldet in seinen Tests genaue Übersetzungen Arabisch–Englisch durch Qwen3.8 27B.

**Auf dieser Seite**

1.  Warum ist die Übersetzung Arabisch–Englisch für LLMs schwierig?
2.  Welcher Prompt liefert gute arabische Übersetzungen?
3.  Warum ist ein Glossar so wichtig?
4.  Wie sollten Sie lange Dokumente aufteilen?
5.  Wie finden Sie die gefährlichen Fehler?
6.  Wie bewerten Sie die Übersetzungsqualität?
7.  Welches Modell sollten Sie verwenden, und was kostet es?
8.  Können Sie Verträge und Tickets an die API senden?

Um mit einem LLM zwischen Arabisch und Englisch zu übersetzen, nennen Sie dem Modell Richtung, Zielgruppe und Register, geben ihm ein Glossar fester Begriffe, lassen Zahlen und Namen unverändert und senden absatzgroße Abschnitte. Prüfen Sie dann Zahlen und Verneinungen im Code und bewerten Sie mit chrF, COMET und einem muttersprachlichen Reviewer.

Diese Kontrolle zählt im Arabischen, wo eine wörtliche Übersetzung korrekt sein und trotzdem fremd klingen kann.

## Warum ist die Übersetzung Arabisch–Englisch für LLMs schwierig?

-   **Register.** Förmliches Arabisch ([modernes Hocharabisch](https://broadrouter.com/de/glossary/msa/), فصحى) und Alltagssprache unterscheiden sich stark. Ein Werbesatz, der auf Englisch locker klingt, kann in wörtlichem MSA steif oder komisch wirken.
-   **Wortstellung und Länge.** Arabische Sätze beginnen oft mit dem Verb, und arabischer Text hat oft eine andere Länge als der englische. UI-Strings, die auf Englisch passen, können umbrechen oder überlaufen.
-   **Genus und Numerus.** Arabisch markiert das Geschlecht an Verben, Adjektiven und Pronomen und hat einen Dual. Aus englischem „you“ muss أنتَ, أنتِ, أنتما, أنتم oder أنتنّ werden. Kennen Sie die lesende Person nicht, sagen Sie dem Modell, welche Standardform es verwenden soll.
-   **Namen und Transliteration.** „محمد“ hat viele englische Schreibweisen (Mohammed, Muhammad, Mohamed). Wählen Sie eine pro Person und bleiben Sie dabei.
-   **Zahlen und Daten.** Ostarabische Ziffern, Hidschri-Daten und rechtsläufige Formatierung brauchen alle explizite Regeln.

## Welcher Prompt liefert gute arabische Übersetzungen?

Die Übersetzungsqualität hängt weit mehr von den Anweisungen ab als von geschickten Formulierungen. Nennen Sie dem Modell Richtung, Zielgruppe, Register, Glossar und Ausgabeformat:

```python
import os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

GLOSSARY = """Invoice = فاتورة
VAT = ضريبة القيمة المضافة
Refund = استرداد المبلغ
Terms and Conditions = الشروط والأحكام
BroadPay = BroadPay (do not translate)"""

SYSTEM = f"""You translate customer-support articles from English to Arabic.
Audience: retail customers in Saudi Arabia and the UAE.
Register: clear, polite Modern Standard Arabic; short sentences; address the reader
in the masculine singular as a neutral default.
Rules:
- Use the glossary exactly. Never translate product names marked "do not translate".
- Keep every number, date, URL, email address and code snippet unchanged.
- Keep Markdown structure (headings, lists, links) unchanged.
- Output only the translation.
Glossary:
{GLOSSARY}"""

def translate(text: str) -> str:
    r = client.chat.completions.create(
        model="broadnet/qwen3.8-27b",
        max_tokens=4000,  # the model reasons before answering
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": text}],
    )
    return r.choices[0].message.content
```

Für Arabisch → Englisch kehren Sie die Richtung um und ergänzen, was englische Leser brauchen: „American English, plain style, keep Arabic personal names in the spelling given in the glossary“ (amerikanisches Englisch, schlichter Stil, arabische Personennamen in der Schreibweise des Glossars). Kann die Quelle Dialekt sein, sagen Sie es: „The source may be Gulf or Egyptian Arabic; translate the meaning, not word for word.“ (Die Quelle kann Golf- oder ägyptisches Arabisch sein; übersetze den Sinn, nicht Wort für Wort.)

## Warum ist ein Glossar so wichtig?

Ohne Glossar übersetzt ein Modell „refund“ in einem Absatz vielleicht mit استرجاع und im nächsten mit استرداد. Beides ist gutes Arabisch; zusammen wirkt es nachlässig und stört die Suche. Ein Glossar behebt das:

1.  **Gehen Sie von vorhandenen Übersetzungen aus.** Extrahieren Sie Begriffe aus Hilfe-Center, Verträgen und UI-Strings, die Sie bereits in beiden Sprachen haben.
2.  **Halten Sie es kurz.** Fünfzig bis zweihundert Begriffe decken die meisten Produkte ab. Nehmen Sie nur Begriffe auf, die nicht variieren dürfen.
3.  **Nehmen Sie nicht zu übersetzende Einträge auf.** Markennamen, Produktnamen, Plannamen und Code-Bezeichner.
4.  **Setzen Sie es in den System-Prompt, vor den Text.** So bleibt es auch im cachebaren Präfix, was die Input-Kosten bei wiederholten Aufrufen senkt; siehe [Cached Input Tokens](https://broadrouter.com/de/blog/cached-input-tokens-explained/).
5.  **Prüfen Sie es im Code.** Kontrollieren Sie nach der Übersetzung, dass jeder Glossarbegriff aus der Quelle in seiner festen Form im Ziel erscheint.

## Wie sollten Sie lange Dokumente aufteilen?

Übersetzen Sie in Absatz- oder Abschnittsstücken, nicht Satz für Satz. Aufrufe pro Satz verlieren den Kontext (wer „er“ ist, auf welches Produkt sich „es“ bezieht). Aufrufe mit dem ganzen Dokument funktionieren bei Modellen mit langem Kontext, aber ein einzelner Fehler ist schwerer zu finden und zu wiederholen. Ein Abschnitt von einigen hundert Wörtern ist ein guter Kompromiss. Geben Sie die Übersetzung des vorherigen Abschnitts als Kontext mit, wenn Konsistenz wichtig ist.

[Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) hat einen Kontext von 262.144 Tokens; [DeepSeek V4.1 Flash](https://broadrouter.com/de/models/deepseek-v4.1-flash/) und [GLM 5.3](https://broadrouter.com/de/models/glm-5.3/) nehmen bis zu 1.048.576 Tokens auf, genug, um neben dem zu übersetzenden Text ein langes Referenzdokument mitzugeben.

## Wie finden Sie die gefährlichen Fehler?

Flüssige Ausgabe verbirgt Fehler. Prüfen Sie Folgendes automatisch:

-   **Zahlen:** Extrahieren Sie jede Zahl aus Quelle und Ziel (nach Umwandlung ostarabischer Ziffern) und vergleichen Sie die Mengen.
-   **Verneinung:** Ein weggefallenes „nicht“ (لا, لم, لن, ليس, ما) kehrt die Bedeutung um. Markieren Sie Sätze, in denen die Quelle eine Verneinung hat und das Ziel nicht.
-   **Namen und Glossarbegriffe:** Prüfen Sie, dass sie unverändert geblieben sind.
-   **Längenverhältnis:** Ein Ziel, das deutlich kürzer ist als erwartet, bedeutet meist, dass etwas ausgelassen wurde.

```python
import re
EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")

def numbers(s: str) -> list[str]:
    return sorted(re.findall(r"\d+(?:[.,]\d+)?", s.translate(EASTERN)))

def check(src: str, tgt: str) -> list[str]:
    issues = []
    if numbers(src) != numbers(tgt):
        issues.append(f"numbers differ: {numbers(src)} vs {numbers(tgt)}")
    return issues
```

Das Dezimaltrennzeichen kann je nach Locale abweichen (arabischer Text verwendet manchmal ٫), normalisieren Sie also auch das, wenn Ihre Dokumente es nutzen.

## Wie bewerten Sie die Übersetzungsqualität?

Automatische Metriken zeigen, ob eine Änderung an Prompt oder Modell die Ergebnisse im Durchschnitt verbessert oder verschlechtert hat:

| Metrik | Was sie misst | Hinweise für Arabisch |
| --- | --- | --- |
| BLEU | Überlappung von Wort-N-Grammen mit einer Referenz | Streng bei Arabisch, wo Klitika und Schreibvarianten die Wortformen ändern |
| [chrF](https://aclanthology.org/W15-3049/) | Überlappung von Zeichen-N-Grammen | Nachsichtiger gegenüber arabischer Morphologie; der bessere Standard |
| [COMET](https://arxiv.org/abs/2009.09025) | Qualitätsurteil eines neuronalen Modells | Korreliert besser mit menschlichen Bewertungen; braucht eine GPU oder einen gehosteten Scorer |

Als öffentlichen Benchmark gibt es FLORES-200, genutzt vom Projekt [No Language Left Behind](https://arxiv.org/abs/2207.04672); laut seiner [Sprachliste](https://github.com/facebookresearch/flores/blob/main/flores200/README.md) enthält es neben Englisch modernes Hocharabisch sowie ägyptisches, Najdi-, nord- und südlevantinisches, mesopotamisches, marokkanisches, tunesisches und Ta’izzi-Adeni-Arabisch. Der eigentliche Test sind aber Ihre eigenen Inhalte:

1.  Nehmen Sie 100 bis 200 repräsentative Segmente mit vorhandenen professionellen Übersetzungen.
2.  Übersetzen Sie sie mit jedem Modell und jeder Prompt-Version.
3.  Berechnen Sie chrF (und COMET, wenn möglich), nachdem Sie die arabische Schreibung für alle Systeme gleich normalisiert haben.
4.  Lassen Sie eine muttersprachliche Person 30 Segmente pro System nach Genauigkeit und Natürlichkeit bewerten, ohne zu wissen, welches System sie erzeugt hat.
5.  Erfassen Sie die Prüfungen auf gefährliche Fehler oben als separate Zählung.

## Welches Modell sollten Sie verwenden, und was kostet es?

BroadNet meldet, dass [Qwen3.8 27B](https://broadrouter.com/de/models/qwen3.8-27b/) in seinen Tests genau zwischen Arabisch und Englisch übersetzte, flüssiges Arabisch schrieb und Golf- und ägyptischen Dialekt verstand. Damit ist es der naheliegende erste Kandidat bei BroadNet Inference. [DeepSeek V4.1 Flash](https://broadrouter.com/de/models/deepseek-v4.1-flash/) lohnt ebenfalls einen Test: Seine Output-Tokens sind günstiger, und es ist das Modell der unbegrenzten Pauschalpläne. Der [Vergleich DeepSeek V4.1 Flash vs. Qwen3.8 27B](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-qwen3.8-27b/) stellt beide nebeneinander.

Pro 1 Mio. Tokens:

| Modell | Input | Output |
| --- | --- | --- |
| Qwen3.8 27B | $0.175 | $2.17 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 |
| GLM 5.3 | $0.78 | $3.46 |

Die Ausgabe einer Übersetzung ist etwa so lang wie die Eingabe, und alle drei Modelle denken vor der Antwort nach, daher dominieren meist die Output-Tokens die Rechnung. Arabisch braucht außerdem tendenziell mehr Tokens pro Wort als Englisch; siehe [Tokens pro Wort auf Arabisch und Englisch](https://broadrouter.com/de/blog/tokens-per-word-arabic-english/). Fügen Sie eine Stichprobe in den kostenlosen [Token-Zähler für Arabisch](https://broadrouter.com/tools/arabic-token-counter/) ein, bestätigen Sie mit `usage` aus einer echten Anfrage und rechnen Sie die monatlichen Kosten dann mit dem [Kostenrechner für LLM-APIs](https://broadrouter.com/tools/llm-api-cost-calculator/) hoch. Für ein großes einmaliges Lokalisierungsprojekt auf DeepSeek V4.1 Flash schaltet der Wochenplan für $15 den Token-Zähler ganz ab.

## Können Sie Verträge und Tickets an die API senden?

Verträge, medizinische Schreiben und Support-Tickets enthalten oft personenbezogene Daten. BroadNet Inference speichert Prompts und Ausgaben nach der Anfrage nicht; siehe [Zero Data Retention](https://broadrouter.com/de/privacy/). Prüfen Sie, dass Ihr Translation Memory und Ihre Logs denselben Regeln folgen.

Kostenlose Tools zum Thema (auf Englisch)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Kostenlose Tools (auf Englisch)](https://broadrouter.com/tools/)

## Begriffe in diesem Artikel

[Token](https://broadrouter.com/de/glossary/token/)

Ein Token ist die Texteinheit, die ein Sprachmodell liest und schreibt: ein Wort, ein Wortteil, ein Satzzeichen oder eine Bytefolge, die der Tokenizer des Modells erzeugt. LLM-APIs zählen, begrenzen und berechnen die Nutzung meist in Tokens.

[Tool Calling (Function Calling)](https://broadrouter.com/de/glossary/tool-calling/)

Tool Calling, auch Function Calling genannt, ist eine Funktion von LLM-APIs, bei der das Modell eine strukturierte Anfrage zurückgibt, eine vom Entwickler definierte Funktion mit JSON-Argumenten auszuführen. Die Anwendung führt die Funktion aus und sendet das Ergebnis zurück; das Modell selbst führt nie Code aus.

[Input- und Output-Tokens](https://broadrouter.com/de/glossary/input-and-output-tokens/)

Input-Tokens sind die Tokens, die ein Sprachmodell in einer Anfrage liest, einschließlich System-Prompt, Gesprächsverlauf, Tool-Definitionen und Bildern. Output-Tokens sind die Tokens, die es als Antwort erzeugt, einschließlich Reasoning. LLM-APIs berechnen beide meist getrennt, und Output ist in der Regel teurer.

[Arabische Dialekte (Dialectal Arabic)](https://broadrouter.com/de/glossary/dialectal-arabic/)

Dialektales Arabisch ist das gesprochene Alltagsarabisch einer Region oder Stadt, etwa Ägyptisch, Golf-Arabisch, Levantinisch oder Maghrebinisch. Dialekte unterscheiden sich vom modernen Hocharabisch in Lauten, Wörtern und Grammatik, haben keine Standardschreibung und werden online zunehmend geschrieben, was sie für Sprachmodelle schwieriger macht.

[Modernes Hocharabisch (MSA)](https://broadrouter.com/de/glossary/msa/)

Modernes Hocharabisch (MSA) ist die standardisierte Form des Arabischen, die in der gesamten arabischen Welt für Schrift, Nachrichten, Bildung und formelle Rede genutzt wird. Niemand spricht es als Alltagsmuttersprache: Gesprochen werden regionale Dialekte wie Ägyptisch oder Golfarabisch, in formellen Situationen wechselt man ins MSA.

[Zero Data Retention (ZDR)](https://broadrouter.com/de/glossary/zero-data-retention/)

Zero Data Retention (ZDR) ist eine Datenrichtlinie, bei der ein KI-Anbieter Prompts und Outputs nur zur Bearbeitung einer Anfrage verarbeitet und diese Inhalte danach nicht speichert, weder in Logs noch in Caches oder Trainingsdaten. Inhaltsfreie Daten wie Token-Zahlen und Zeiten werden meist weiterhin aufbewahrt.

[Gecachte Input-Tokens (Cached Input Tokens)](https://broadrouter.com/de/glossary/cached-input-tokens/)

Gecachte Input-Tokens sind Prompt-Tokens, die ein LLM-Anbieter kürzlich verarbeitet hat und aus einem Cache wiederverwenden kann, statt sie neu zu berechnen, meist ein wiederholtes Präfix wie ein System-Prompt oder ein Dokument. Anbieter berechnen sie günstiger als neue Input-Tokens.

[PII (personenbezogene Daten)](https://broadrouter.com/de/glossary/pii/)

PII (personally identifiable information) sind Informationen, mit denen sich die Identität einer Person unterscheiden oder zurückverfolgen lässt, etwa Name, Ausweisnummer oder biometrische Daten, plus weitere Informationen, die mit dieser Person verknüpft oder verknüpfbar sind. Der weitere Begriff der DSGVO lautet personenbezogene Daten. Bei LLMs entfernt PII-Schwärzung sie aus Prompts, bevor diese Ihre Systeme verlassen.

## Häufige Fragen

### Ist ein LLM für Arabisch besser als eine spezialisierte Übersetzungs-API?

Bei kurzen, allgemeinen Texten kann der Unterschied klein sein. LLMs gewinnen, wenn Sie Kontrolle über Ton, Glossarbegriffe, Formatierung oder dialektale Eingaben brauchen, weil Sie im Prompt genau sagen können, was Sie wollen.

### Kann das Modell arabischen Dialekt ins Englische übersetzen?

Oft ja, denn Übersetzen hängt vom Verstehen ab, und Modelle verstehen Dialekte besser, als sie sie schreiben. BroadNet meldet, dass Qwen3.8 27B in seinen Tests Golf- und ägyptischen Dialekt verstand. Prüfen Sie eine Stichprobe mit Muttersprachlern.

### Sollten juristische Dokumente maschinell übersetzt werden?

Nutzen Sie ein LLM für einen ersten Entwurf und zum Verständnis, aber lassen Sie alles mit rechtlicher Wirkung von einem qualifizierten Übersetzer prüfen. Viele Rechtsordnungen verlangen für amtliche Einreichungen zudem eine beglaubigte menschliche Übersetzung.

### Warum hat meine arabische Übersetzung mehr Tokens als das Englische?

Tokenizer zerlegen Arabisch oft in mehr Tokens pro Wort als Englisch. Fügen Sie eine Stichprobe in einen Token-Zähler ein und bestätigen Sie das dann mit usage.prompt\_tokens und usage.completion\_tokens aus einer echten Anfrage.

### Welche Metrik eignet sich zur Bewertung maschineller Übersetzung ins Arabische?

Nutzen Sie chrF als automatischen Standardwert, weil Zeichen-N-Gramme mit arabischen Klitika und Schreibvarianten besser umgehen als BLEU. Ergänzen Sie COMET, wenn Sie es ausführen können, und lassen Sie Muttersprachler blind 30 oder mehr Segmente pro System bewerten.

## Weiterlesen

-   [LLM-API für Arabisch auswählen: Was Sie testen sollten](https://broadrouter.com/de/blog/choosing-an-llm-for-arabic/)
-   [Prompt Engineering auf Arabisch: Register, RTL, Ziffern, Mischtext](https://broadrouter.com/de/blog/arabic-prompt-engineering/)
-   [Tokens pro Wort, Arabisch vs. Englisch: Warum Arabisch mehr kostet](https://broadrouter.com/de/blog/tokens-per-word-arabic-english/)
-   [JSON Mode vs. json\_schema: strukturierte Ausgabe, die hält](https://broadrouter.com/de/blog/structured-output-json-schema/)
-   [App-Strings per LLM ins Arabische übersetzen: Platzhalter und Plurale](https://broadrouter.com/de/blog/translate-app-strings-to-arabic-llm/)
-   [Arabisches Audio per API ins Englische übersetzen: getestete Pipeline](https://broadrouter.com/de/blog/translate-arabic-audio-to-english/)
-   [Arabischen Text per LLM vokalisieren: Prompt, Prüfung, DER](https://broadrouter.com/de/blog/arabic-diacritization-llm/)
-   [Arabische Grammatik- und Rechtschreibkorrektur per LLM: Anleitung](https://broadrouter.com/de/blog/arabic-grammar-spelling-correction-llm/)
-   [Anleitung: OpenAI Python SDK mit BroadNet Inference nutzen](https://broadrouter.com/de/guides/openai-python-sdk/)
-   [Anleitung: Arabische Rechnungen und Belege mit einem Vision-Modell auslesen](https://broadrouter.com/de/guides/read-arabic-invoices-with-vision/)

Testen Sie es mit Ihrem echten Workload. Neue Konten starten mit USD 5 Guthaben für Gemma und Transkription. DeepSeek, GLM und Qwen3.8 erfordern eine Aufladung.

[Loslegen](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-arabic-english-translation-llm&utm_content=page-cta) ·

**Quellen**

-   [Preisseite von BroadNet Inference, Hinweis „Tested in Arabic“ zu Qwen3.8 27B (abgerufen am 14.11.2026) (auf Englisch)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=de-blog-arabic-english-translation-llm&utm_content=sources)
-   [Popović, chrF: character n-gram F-score for automatic MT evaluation (WMT 2015; abgerufen am 14.11.2026)](https://aclanthology.org/W15-3049/)
-   [Rei et al., COMET: A Neural Framework for MT Evaluation (arXiv 2009.09025; abgerufen am 14.11.2026)](https://arxiv.org/abs/2009.09025)
-   [NLLB Team, No Language Left Behind (evaluiert auf FLORES-200; arXiv 2207.04672; abgerufen am 14.11.2026)](https://arxiv.org/abs/2207.04672)
-   [Sprachliste von FLORES-200 (MSA sowie ägyptisches, Najdi-, levantinisches, mesopotamisches, marokkanisches, tunesisches und Ta'izzi-Adeni-Arabisch; abgerufen am 14.11.2026)](https://github.com/facebookresearch/flores/blob/main/flores200/README.md)
