---
title: "Traducción árabe-inglés con LLM: prompts y control | BroadRouter"
description: "Traduzca del árabe al inglés y viceversa con una API de LLM: prompts que conservan el tono, glosarios de términos fijos, números y nombres, y cómo evaluar calidad."
url: https://broadrouter.com/es/blog/arabic-english-translation-llm/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/arabic-english-translation-llm/) (actualizado el 2026-11-14).

# Traducción árabe–inglés con LLM: prompts, glosarios y evaluación

Por el equipo de BroadNet Inference · 5 min de lectura · Publicado 2026-11-14

Para traducir entre árabe e inglés con un LLM, indique al modelo el público, el registro y un glosario de términos fijos, pídale que mantenga sin cambios números y nombres, y traduzca en fragmentos del tamaño de un párrafo. Evalúe con chrF o COMET más una revisión nativa. En las pruebas de BroadNet, Qwen3.8 27B tradujo con precisión entre árabe e inglés.

## Puntos clave

-   Indique la dirección, el público y el registro: «clientes minoristas saudíes, MSA cortés» funciona mejor que «traduce al árabe».
-   Un glosario de términos fijos mantiene idénticos los términos de producto, legales y de interfaz en cada fragmento y cada llamada.
-   Verifique números, fechas, nombres y negaciones en código o mediante revisión; esos son los errores caros.
-   Use chrF o COMET para las puntuaciones automáticas, y revisores nativos para todo lo que vean los clientes o tenga efectos legales.
-   BroadNet reporta traducción árabe–inglés precisa de Qwen3.8 27B en sus pruebas.

**En esta página**

1.  ¿Por qué la traducción árabe–inglés es difícil para los LLM?
2.  ¿Qué prompt da buenas traducciones al árabe?
3.  ¿Por qué importa tanto un glosario?
4.  ¿Cómo debe dividir los documentos largos?
5.  ¿Cómo se detectan los errores peligrosos?
6.  ¿Cómo se evalúa la calidad de la traducción?
7.  ¿Qué modelo debería usar y cuánto costará?
8.  ¿Puede enviar contratos y tickets a la API?

Para traducir entre árabe e inglés con un LLM, indique al modelo la dirección, el público y el registro, dele un glosario de términos fijos, mantenga sin cambios los números y los nombres, y envíe fragmentos del tamaño de un párrafo. Después verifique números y negaciones en código y evalúe con chrF, COMET y un revisor nativo.

Ese control importa en árabe, donde una traducción literal puede ser correcta y aun así sonar extranjera.

## ¿Por qué la traducción árabe–inglés es difícil para los LLM?

-   **Registro.** El árabe formal ([árabe estándar moderno](https://broadrouter.com/es/glossary/msa/), فصحى) y el habla cotidiana difieren mucho. Un eslogan informal en inglés puede volverse rígido o cómico en un MSA literal.
-   **Orden de palabras y longitud.** Las oraciones árabes suelen empezar por el verbo, y el texto árabe a menudo tiene una longitud distinta del inglés. Las cadenas de interfaz que caben en inglés pueden saltar de línea o desbordarse.
-   **Género y número.** El árabe marca el género en verbos, adjetivos y pronombres, y tiene dual. El “you” inglés debe convertirse en أنتَ, أنتِ, أنتما, أنتم o أنتنّ. Si no conoce al lector, indique al modelo qué forma usar por defecto.
-   **Nombres y transliteración.** “محمد” tiene muchas grafías en inglés (Mohammed, Muhammad, Mohamed). Elija una por persona y manténgala.
-   **Números y fechas.** Los numerales arábigo-orientales, las fechas de la Hégira y el formato de derecha a izquierda necesitan reglas explícitas.

## ¿Qué prompt da buenas traducciones al árabe?

La calidad de la traducción depende mucho más de las instrucciones que de una redacción ingeniosa. Indique al modelo la dirección, el público, el registro, el glosario y el formato de salida:

```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
```

Para árabe → inglés, invierta la dirección y añada lo que necesita el lector en inglés: “American English, plain style, keep Arabic personal names in the spelling given in the glossary”. Si el original puede estar en dialecto, dígalo: “The source may be Gulf or Egyptian Arabic; translate the meaning, not word for word.”

## ¿Por qué importa tanto un glosario?

Sin glosario, un modelo puede traducir “refund” como استرجاع en un párrafo y como استرداد en el siguiente. Ambos son árabe correcto; juntos parecen descuidados y rompen la búsqueda. Un glosario lo resuelve:

1.  **Parta de sus traducciones existentes.** Extraiga términos del centro de ayuda, los contratos y las cadenas de interfaz que ya tiene en ambos idiomas.
2.  **Manténgalo corto.** De cincuenta a doscientos términos cubren la mayoría de los productos. Incluya solo los términos que no deben variar.
3.  **Incluya los elementos que no se traducen.** Marcas, nombres de producto, nombres de planes e identificadores de código.
4.  **Colóquelo en el prompt de sistema, antes del texto.** Así también queda en el prefijo cacheable, lo que reduce el costo de entrada en llamadas repetidas; consulte [tokens de entrada en caché](https://broadrouter.com/es/blog/cached-input-tokens-explained/).
5.  **Verifíquelo en código.** Tras la traducción, compruebe que cada término del glosario que apareció en el original aparece en su forma fija en el destino.

## ¿Cómo debe dividir los documentos largos?

Traduzca por párrafos o secciones, no oración por oración. Las llamadas por oración pierden el contexto (quién es “él”, a qué producto se refiere “eso”). Las llamadas con el documento entero funcionan en modelos de contexto largo, pero un solo error es más difícil de encontrar y de reintentar. Una sección de unos cientos de palabras es un buen equilibrio. Pase la traducción de la sección anterior como contexto si importa la coherencia.

[Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) tiene un contexto de 262,144 tokens; [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) y [GLM 5.3](https://broadrouter.com/es/models/glm-5.3/) admiten hasta 1,048,576 tokens, suficiente para incluir un documento de referencia largo junto al texto que traduce.

## ¿Cómo se detectan los errores peligrosos?

Una salida fluida oculta errores. Verifique esto automáticamente:

-   **Números:** extraiga todos los números del original y del destino (tras convertir los dígitos arábigo-orientales) y compare los conjuntos.
-   **Negación:** un “no” perdido (لا, لم, لن, ليس, ما) invierte el significado. Marque las oraciones en las que el original tiene una negación y el destino no.
-   **Nombres y términos del glosario:** compruebe que se mantuvieron sin cambios.
-   **Proporción de longitud:** un destino mucho más corto de lo esperado suele significar que algo se omitió.

```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
```

El separador decimal puede variar entre configuraciones regionales (el texto árabe a veces usa ٫), así que normalícelo también si sus documentos lo usan.

## ¿Cómo se evalúa la calidad de la traducción?

Las métricas automáticas le indican si un cambio de prompt o de modelo mejoró o empeoró los resultados en promedio:

| Métrica | Qué mide | Notas para el árabe |
| --- | --- | --- |
| BLEU | Coincidencia de n-gramas de palabras con una referencia | Dura con el árabe, donde los clíticos y las variantes ortográficas cambian la forma de las palabras |
| [chrF](https://aclanthology.org/W15-3049/) | Coincidencia de n-gramas de caracteres | Más tolerante con la morfología árabe; mejor opción por defecto |
| [COMET](https://arxiv.org/abs/2009.09025) | El juicio de calidad de un modelo neuronal | Se correlaciona mejor con las valoraciones humanas; necesita una GPU o un evaluador alojado |

Como benchmark público, FLORES-200, que usó el proyecto [No Language Left Behind](https://arxiv.org/abs/2207.04672), incluye el árabe estándar moderno y el árabe egipcio, najdí, levantino del norte y del sur, mesopotámico, marroquí, tunecino y ta’izzi-adeni junto al inglés, según su [lista de idiomas](https://github.com/facebookresearch/flores/blob/main/flores200/README.md). Pero la prueba real es su propio contenido:

1.  Tome de 100 a 200 segmentos representativos que ya tengan traducciones profesionales.
2.  Tradúzcalos con cada modelo y cada versión del prompt.
3.  Calcule chrF (y COMET si puede), tras normalizar la ortografía árabe de la misma manera para todos los sistemas.
4.  Pida a un hablante nativo que califique 30 segmentos por sistema en precisión y naturalidad, sin saber qué sistema los produjo.
5.  Lleve un recuento aparte de los controles de errores peligrosos anteriores.

## ¿Qué modelo debería usar y cuánto costará?

BroadNet reporta que [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) tradujo con precisión entre árabe e inglés, escribió árabe fluido y comprendió los dialectos del Golfo y egipcio en sus pruebas. Eso lo convierte en el primer candidato natural en BroadNet Inference. También vale la pena probar [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/): sus tokens de salida son más baratos y es el modelo de los planes ilimitados de tarifa plana. La [comparación entre DeepSeek V4.1 Flash y Qwen3.8 27B](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-qwen3.8-27b/) los pone lado a lado.

Por 1M de tokens:

| Modelo | Entrada | Salida |
| --- | --- | --- |
| Qwen3.8 27B | $0.175 | $2.17 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 |
| GLM 5.3 | $0.78 | $3.46 |

La salida de una traducción es casi tan larga como la entrada, y los tres modelos razonan antes de responder, así que los tokens de salida suelen dominar la factura. El árabe también tiende a necesitar más tokens por palabra que el inglés; consulte [tokens por palabra en árabe e inglés](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/). Pegue una muestra en el [contador de tokens en árabe](https://broadrouter.com/tools/arabic-token-counter/) gratuito, confírmelo con `usage` de una solicitud real y luego proyecte el gasto mensual con la [calculadora de costos de API de LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). Para un gran proyecto de localización puntual con DeepSeek V4.1 Flash, el plan semanal de $15 elimina por completo el medidor de tokens.

## ¿Puede enviar contratos y tickets a la API?

Los contratos, las cartas médicas y los tickets de soporte suelen contener datos personales. BroadNet Inference no conserva los prompts ni las salidas después de la solicitud; consulte [cero retención de datos](https://broadrouter.com/es/privacy/). Compruebe que su memoria de traducción y sus registros siguen las mismas reglas.

Herramientas gratuitas sobre este tema (en inglés)

-   [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.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

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

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Árabe estándar moderno (MSA, fusha)](https://broadrouter.com/es/glossary/msa/)

El árabe estándar moderno (MSA) es la forma estandarizada del árabe que se usa en la escritura, las noticias, la educación y el habla formal en todo el mundo árabe. No es la lengua materna cotidiana de nadie: la gente habla dialectos regionales, como el egipcio o el del Golfo, y cambia al MSA en contextos formales.

[Tokens de entrada y de salida (input and output tokens)](https://broadrouter.com/es/glossary/input-and-output-tokens/)

Los tokens de entrada son los que un modelo de lenguaje lee en una solicitud, incluidos el prompt de sistema, el historial de la conversación, las definiciones de herramientas y las imágenes. Los tokens de salida son los que genera en la respuesta, incluido el razonamiento. Las APIs de LLM suelen cobrarlos por separado, y la salida suele costar más.

[Árabe dialectal (dialectal Arabic)](https://broadrouter.com/es/glossary/dialectal-arabic/)

El árabe dialectal es el árabe hablado a diario en una región o ciudad, como el árabe egipcio, del Golfo, levantino o magrebí. Los dialectos difieren del árabe estándar moderno en sonidos, palabras y gramática, no tienen ortografía estándar y se escriben cada vez más en internet, lo que los hace más difíciles para los modelos de lenguaje.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[PII (información de identificación personal)](https://broadrouter.com/es/glossary/pii/)

La PII (información de identificación personal) es información que permite distinguir o rastrear la identidad de una persona, como su nombre, un número de identificación o un registro biométrico, más otra información vinculable a ella. El RGPD habla de datos personales, un término más amplio. Con LLMs, se anonimiza antes de que los prompts salgan de sus sistemas.

[Plan de LLM con tarifa plana (flat-rate LLM plan)](https://broadrouter.com/es/glossary/flat-rate-llm-plan/)

Un plan de LLM con tarifa plana cobra un precio fijo por un periodo, como un mes, por acceder a la API de un modelo de lenguaje, en lugar de facturar por token. Estos planes suelen limitar otra cosa, como la concurrencia, la velocidad, los modelos o las ventanas de uso, así que los topes importan tanto como el precio.

[Prompt de sistema (system prompt)](https://broadrouter.com/es/glossary/system-prompt/)

Un prompt de sistema es el texto de instrucciones que una aplicación envía a un modelo de lenguaje antes de la conversación, normalmente como mensaje con el rol system o developer. Define el rol, las reglas, el tono y el formato de salida del modelo, que debe priorizarlo sobre mensajes del usuario que lo contradigan.

## Preguntas frecuentes

### ¿Es mejor un LLM que una API de traducción dedicada para el árabe?

Para textos cortos y genéricos, la diferencia puede ser pequeña. Los LLM ganan cuando necesita controlar el tono, los términos del glosario, el formato o una entrada en dialecto, porque puede decir en el prompt exactamente lo que quiere.

### ¿Puede el modelo traducir árabe dialectal al inglés?

A menudo sí, porque traducir depende de comprender, y los modelos comprenden los dialectos mejor de lo que los escriben. BroadNet reporta que Qwen3.8 27B comprendió los dialectos del Golfo y egipcio en sus pruebas. Verifique una muestra con hablantes nativos.

### ¿Se deben traducir automáticamente los documentos legales?

Use un LLM para un primer borrador y para comprender el contenido, pero pida a un traductor cualificado que revise todo lo que tenga efectos legales. Muchas jurisdicciones exigen además traducción humana certificada para los trámites oficiales.

### ¿Por qué mi traducción al árabe ocupa más tokens que el inglés?

Los tokenizadores suelen dividir el árabe en más tokens por palabra que el inglés. Pegue una muestra en un contador de tokens y confírmelo con usage.prompt\_tokens y usage.completion\_tokens de una solicitud real.

### ¿Qué métrica debo usar para evaluar la traducción automática al árabe?

Use chrF como puntuación automática por defecto, porque los n-gramas de caracteres manejan los clíticos y las variantes ortográficas del árabe mejor que BLEU. Añada COMET si puede ejecutarlo, y pida a hablantes nativos que califiquen a ciegas 30 o más segmentos por sistema.

## Siga leyendo

-   [Cómo elegir una API de LLM para árabe: qué probar](https://broadrouter.com/es/blog/choosing-an-llm-for-arabic/)
-   [Ingeniería de prompts en árabe: registro, RTL, cifras y texto mixto](https://broadrouter.com/es/blog/arabic-prompt-engineering/)
-   [Tokens por palabra en árabe vs inglés: por qué el árabe cuesta más](https://broadrouter.com/es/blog/tokens-per-word-arabic-english/)
-   [Modo JSON o json\_schema: salida estructurada que no falla](https://broadrouter.com/es/blog/structured-output-json-schema/)
-   [Traducir textos de apps al árabe con un LLM: placeholders y plurales](https://broadrouter.com/es/blog/translate-app-strings-to-arabic-llm/)
-   [Traducir audio en árabe a texto en inglés por API: pipeline probado](https://broadrouter.com/es/blog/translate-arabic-audio-to-english/)
-   [Añadir diacríticos al texto árabe con un LLM: prompt, controles y DER](https://broadrouter.com/es/blog/arabic-diacritization-llm/)
-   [Corrección gramatical y ortográfica del árabe con un LLM: cómo hacerla](https://broadrouter.com/es/blog/arabic-grammar-spelling-correction-llm/)
-   [Guía: Usar el SDK de OpenAI para Python con BroadNet Inference](https://broadrouter.com/es/guides/openai-python-sdk/)
-   [Guía: Lea facturas y recibos en árabe con un modelo de visión](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

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

**Fuentes**

-   [Página de precios de BroadNet Inference, nota «Tested in Arabic» de Qwen3.8 27B (obtenida el 2026-11-14)](https://inference.broadnet.ai/es/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-english-translation-llm&utm_content=sources)
-   [Popović, chrF: character n-gram F-score for automatic MT evaluation (WMT 2015; obtenido el 2026-11-14)](https://aclanthology.org/W15-3049/)
-   [Rei et al., COMET: A Neural Framework for MT Evaluation (arXiv 2009.09025; obtenido el 2026-11-14)](https://arxiv.org/abs/2009.09025)
-   [Equipo de NLLB, No Language Left Behind (evaluado en FLORES-200; arXiv 2207.04672; obtenido el 2026-11-14)](https://arxiv.org/abs/2207.04672)
-   [Lista de idiomas de FLORES-200 (MSA más árabe egipcio, najdí, levantino, mesopotámico, marroquí, tunecino y ta'izzi-adeni; obtenida el 2026-11-14)](https://github.com/facebookresearch/flores/blob/main/flores200/README.md)
