---
title: "Arabic English translation gamit ang LLM: prompt at QA"
description: "Mag-translate ng Arabic papuntang English at pabalik gamit ang LLM API: prompt na nagpapanatili ng tono, glossary, numero at pangalan, at evaluation ng kalidad."
url: https://broadrouter.com/fil/blog/arabic-english-translation-llm/
lang: fil
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/blog/arabic-english-translation-llm/) (na-update noong 2026-11-14).

# Arabic–English translation gamit ang LLM: prompt, glossary, evaluation

Ng BroadNet Inference team · 5 minutong basa · Nailathala 2026-11-14

Para mag-translate ng Arabic at English gamit ang LLM, ibigay sa model ang audience, register at glossary ng mga fixed na termino, sabihing huwag galawin ang mga numero at pangalan, at mag-translate kada talata. I-evaluate gamit ang chrF o COMET kasama ang review ng native speaker. Sa mga test ng BroadNet, tumpak na nag-translate ang Qwen3.8 27B sa pagitan ng Arabic at English.

## Mga pangunahing punto

-   Sabihin ang direksyon, audience at register: mas mahusay ang "Saudi retail customers, polite MSA" kaysa sa "translate to Arabic".
-   Pinananatiling pare-pareho ng glossary ng mga fixed na termino ang mga terminong pang-produkto, legal at UI sa bawat chunk at bawat call.
-   I-check sa code o sa review ang mga numero, petsa, pangalan at negation; iyon ang mga mamahaling error.
-   Gamitin ang chrF o COMET para sa automatic na score, at native reviewer para sa anumang nakaharap sa customer o legal.
-   Iniuulat ng BroadNet na tumpak ang Arabic–English translation ng Qwen3.8 27B sa mga test nito.

**Sa page na ito**

1.  Bakit mahirap ang Arabic–English translation para sa mga LLM?
2.  Anong prompt ang nagbibigay ng magandang Arabic translation?
3.  Bakit napakahalaga ng glossary?
4.  Paano dapat hatiin ang mahahabang dokumento?
5.  Paano mahuli ang mapanganib na error?
6.  Paano i-evaluate ang kalidad ng translation?
7.  Aling model ang gagamitin, at magkano?
8.  Puwede bang ipadala sa API ang mga kontrata at ticket?

Para mag-translate sa pagitan ng Arabic at English gamit ang LLM, sabihin sa model ang direksyon, audience at register, bigyan ito ng glossary ng mga fixed na termino, huwag galawin ang mga numero at pangalan, at magpadala ng chunk na kasinlaki ng talata. Saka i-check sa code ang mga numero at negation at mag-score gamit ang chrF, COMET at isang native reviewer.

Mahalaga ang kontrol na iyan sa Arabic, kung saan puwedeng tama ang literal na translation pero banyaga pa ring basahin.

## Bakit mahirap ang Arabic–English translation para sa mga LLM?

-   **Register.** Malayo ang pagkakaiba ng pormal na Arabic ([Modern Standard Arabic](https://broadrouter.com/fil/glossary/msa/), فصحى) at ng pang-araw-araw na pananalita. Ang marketing line na kaswal sa English ay puwedeng maging matigas o nakakatawa sa literal na MSA.
-   **Pagkakasunod ng salita at haba.** Madalas nagsisimula sa verb ang Arabic na pangungusap, at madalas iba ang haba ng Arabic text kumpara sa English. Puwedeng mag-wrap o umapaw ang mga UI string na kasya sa English.
-   **Gender at bilang.** Minamarkahan ng Arabic ang gender sa mga verb, adjective at pronoun, at may dual ito. Ang “you” sa English ay kailangang maging أنتَ, أنتِ, أنتما, أنتم o أنتنّ. Kung hindi mo kilala ang mambabasa, sabihin sa model kung aling default ang gagamitin.
-   **Pangalan at transliteration.** Maraming English na spelling ang “محمد” (Mohammed, Muhammad, Mohamed). Pumili ng isa kada tao at panindigan ito.
-   **Numero at petsa.** Kailangan ng tahasang patakaran ang Eastern Arabic numerals, Hijri na petsa at right-to-left na formatting.

## Anong prompt ang nagbibigay ng magandang Arabic translation?

Mas nakadepende ang kalidad ng translation sa mga instruction kaysa sa matalinong pagkakasabi. Sabihin sa model ang direksyon, audience, register, glossary at format ng output:

```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 sa Arabic → English, baligtarin ang direksyon at idagdag ang kailangan ng English na mambabasa: “American English, plain style, keep Arabic personal names in the spelling given in the glossary” (salin: American English, simpleng istilo, panatilihin ang spelling ng mga Arabic na personal na pangalan ayon sa glossary). Kung puwedeng dialect ang source, sabihin ito: “The source may be Gulf or Egyptian Arabic; translate the meaning, not word for word.” (salin: Puwedeng Gulf o Egyptian Arabic ang source; i-translate ang kahulugan, hindi salita por salita.)

## Bakit napakahalaga ng glossary?

Kung walang glossary, puwedeng i-translate ng model ang “refund” bilang استرجاع sa isang talata at استرداد sa susunod. Parehong maayos na Arabic; pero kapag pinagsama, mukhang pabaya at nasisira ang search. Inaayos iyan ng glossary:

1.  **Magsimula sa mga kasalukuyan mong translation.** Kunin ang mga termino mula sa help centre, kontrata at UI string na mayroon ka na sa dalawang wika.
2.  **Panatilihin itong maikli.** Sakop ng limampu hanggang dalawang daang termino ang karamihan ng produkto. Ilagay lang ang mga terminong hindi dapat mag-iba.
3.  **Isama ang mga hindi isasalin.** Mga pangalan ng brand, pangalan ng produkto, pangalan ng plan at code identifier.
4.  **Ilagay ito sa system prompt, bago ang text.** Pinananatili rin nito ito sa cacheable na prefix, na nagpapababa ng input cost sa paulit-ulit na call; tingnan ang [cached input tokens](https://broadrouter.com/fil/blog/cached-input-tokens-explained/).
5.  **I-check ito sa code.** Pagkatapos ng translation, i-verify na bawat glossary term na lumabas sa source ay lumabas sa fixed na anyo nito sa target.

## Paano dapat hatiin ang mahahabang dokumento?

Mag-translate kada talata o seksyon, hindi kada pangungusap. Nawawalan ng konteksto ang mga call kada pangungusap (sino si “siya”, aling produkto ang tinutukoy ng “ito”). Gumagana ang buong-dokumentong call sa mga long-context na model, pero mas mahirap hanapin at i-retry ang iisang pagkakamali. Magandang balanse ang isang seksyon na ilang daang salita. Ipasa ang translation ng nakaraang seksyon bilang konteksto kung mahalaga ang consistency.

262,144-token ang context ng [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/); hanggang 1,048,576 token ang kaya ng [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/) at [GLM 5.3](https://broadrouter.com/fil/models/glm-5.3/), sapat para isama ang mahabang reference document kasabay ng text na tina-translate mo.

## Paano mahuli ang mapanganib na error?

Itinatago ng matatas na output ang mga pagkakamali. I-check ang mga ito nang awtomatiko:

-   **Numero:** kunin ang bawat numero mula sa source at target (pagkatapos i-convert ang Eastern Arabic digits) at ikumpara ang mga set.
-   **Negation:** binabaligtad ng nawalang “hindi” (لا, لم, لن, ليس, ما) ang kahulugan. Markahan ang mga pangungusap na may negation sa source pero wala sa target.
-   **Pangalan at glossary term:** i-verify na hindi sila nagbago.
-   **Ratio ng haba:** kapag mas maikli nang malayo ang target kaysa inaasahan, kadalasang may nalaktawan.

```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
```

Puwedeng mag-iba ang decimal separator sa bawat locale (minsan ٫ ang gamit ng Arabic text), kaya i-normalize din ang mga iyon kung ginagamit ito ng mga dokumento mo.

## Paano i-evaluate ang kalidad ng translation?

Sinasabi ng mga automatic metric kung napabuti o napasama sa average ang isang pagbabago sa prompt o model:

| Metric | Ano ang sinusukat | Mga tala para sa Arabic |
| --- | --- | --- |
| BLEU | Overlap ng word n-gram sa isang reference | Malupit sa Arabic, kung saan binabago ng mga clitic at variant ng spelling ang anyo ng salita |
| [chrF](https://aclanthology.org/W15-3049/) | Overlap ng character n-gram | Mas mapagpatawad sa Arabic morphology; mas mabuting default |
| [COMET](https://arxiv.org/abs/2009.09025) | Paghatol sa kalidad ng isang neural model | Mas tugma sa rating ng tao; kailangan ng GPU o hosted na scorer |

Para sa isang pampublikong benchmark: ayon sa [listahan ng wika](https://github.com/facebookresearch/flores/blob/main/flores200/README.md) nito, kasama sa FLORES-200, na ginamit ng proyektong [No Language Left Behind](https://arxiv.org/abs/2207.04672), ang Modern Standard Arabic at ang Egyptian, Najdi, North at South Levantine, Mesopotamian, Moroccan, Tunisian at Ta’izzi-Adeni Arabic kasabay ng English. Pero ang sarili mong content ang tunay na test:

1.  Kumuha ng 100 hanggang 200 kumakatawang segment na may kasalukuyang propesyonal na translation.
2.  I-translate ang mga ito gamit ang bawat model at bersyon ng prompt.
3.  I-score ang chrF (at COMET kung kaya mo), pagkatapos i-normalize ang Arabic spelling sa parehong paraan para sa lahat ng system.
4.  Ipa-rate sa isang native speaker ang 30 segment kada system para sa katumpakan at pagiging natural, nang hindi alam kung aling system ang gumawa.
5.  Bilangin nang hiwalay ang mga check sa mapanganib na error sa itaas.

## Aling model ang gagamitin, at magkano?

Iniuulat ng BroadNet na tumpak na nag-translate ang [Qwen3.8 27B](https://broadrouter.com/fil/models/qwen3.8-27b/) sa pagitan ng Arabic at English, matatas sumulat ng Arabic at naintindihan ang Gulf at Egyptian na dialect sa mga test nito. Kaya ito ang natural na unang kandidato sa BroadNet Inference. Sulit ding i-test ang [DeepSeek V4.1 Flash](https://broadrouter.com/fil/models/deepseek-v4.1-flash/): mas mura ang output token nito, at ito ang model sa mga unlimited na flat plan. Pinagtatabi ng [paghahambing ng DeepSeek V4.1 Flash vs Qwen3.8 27B](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-qwen3.8-27b/) ang dalawa.

Kada 1M token:

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

Halos kasinghaba ng input ang output ng translation, at nagre-reason muna ang tatlong model bago sumagot, kaya kadalasang output token ang pinakamalaking bahagi ng bill. Madalas ding mas maraming token kada salita ang Arabic kaysa sa English; tingnan ang [token kada salita sa Arabic at English](https://broadrouter.com/fil/blog/tokens-per-word-arabic-english/). Mag-paste ng sample sa libreng [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/), kumpirmahin gamit ang `usage` mula sa isang totoong request, saka i-project ang buwanang gastos gamit ang [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/). Para sa isang malaking one-off na localisation project sa DeepSeek V4.1 Flash, tuluyang inaalis ng $15 na lingguhang plan ang token meter.

## Puwede bang ipadala sa API ang mga kontrata at ticket?

Madalas may personal data ang mga kontrata, medical letter at support ticket. Hindi itinatago ng BroadNet Inference ang mga prompt o output pagkatapos ng request; tingnan ang [zero data retention](https://broadrouter.com/fil/privacy/). I-check na sumusunod sa parehong patakaran ang translation memory at mga log mo.

Mga libreng tool para rito (Ingles)

-   [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.

[Libreng tools (Ingles)](https://broadrouter.com/tools/)

## Mga termino sa artikulong ito

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

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[Modern Standard Arabic (MSA)](https://broadrouter.com/fil/glossary/msa/)

Ang Modern Standard Arabic (MSA) ay ang standardized na anyo ng Arabic na ginagamit sa pagsulat, balita, edukasyon at pormal na pananalita sa buong mundong Arabo. Hindi ito katutubong pang-araw-araw na wika ninuman: mga rehiyonal na dialect gaya ng Egyptian o Gulf Arabic ang sinasalita, at lumilipat sa MSA sa pormal na sitwasyon.

[Input at output token (input and output tokens)](https://broadrouter.com/fil/glossary/input-and-output-tokens/)

Ang input token ay ang mga token na binabasa ng language model sa isang request, kasama ang system prompt, history ng usapan, tool definitions at mga larawan. Ang output token ay ang mga token na binubuo nito bilang sagot, kasama ang anumang reasoning. Kadalasang magkahiwalay ang presyo ng dalawa, at mas mahal ang output.

[Cached input token (cached input tokens)](https://broadrouter.com/fil/glossary/cached-input-tokens/)

Ang cached input token ay prompt token na kamakailan lang naproseso ng LLM provider at magagamit ulit mula sa cache sa halip na kuwentahin muli, kadalasang paulit-ulit na prefix gaya ng system prompt o dokumento. Mas mababa ang singil dito kaysa sa bagong input token.

[Dialectal Arabic (mga dialect ng Arabic)](https://broadrouter.com/fil/glossary/dialectal-arabic/)

Ang dialectal Arabic ay ang pang-araw-araw na sinasalitang Arabic ng isang rehiyon o lungsod, gaya ng Egyptian, Gulf, Levantine o Maghrebi Arabic. Naiiba ang mga dialect sa Modern Standard Arabic sa tunog, salita at grammar, walang standard na spelling, at lalong isinusulat online, kaya mas mahirap ang mga ito para sa mga language model.

[Tool calling (function calling)](https://broadrouter.com/fil/glossary/tool-calling/)

Ang tool calling, tinatawag ding function calling, ay feature ng LLM API kung saan nagbabalik ang model ng structured na request para magpatakbo ng function na tinukoy ng developer, kasama ang JSON arguments. Ang application ang nagpapatakbo ng function at nagpapadala pabalik ng resulta; hindi kailanman nagpapatakbo ng code ang model mismo.

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

Ang zero data retention (ZDR) ay patakaran kung saan pinoproseso lang ng AI provider ang mga prompt at output para i-serve ang isang request, at hindi na nito itinatago ang content na iyon pagkatapos, sa log, cache o training data. Kadalasang itinatago pa rin ang mga record na walang content, gaya ng bilang ng token at timing.

[Context window](https://broadrouter.com/fil/glossary/context-window/)

Ang context window ay ang pinakamaraming token na kayang hawakan ng isang language model sa iisang request. Sakop nito ang prompt, history ng usapan, tool definitions, mga larawan at ang nabuong output, kasama ang anumang reasoning tokens. Ang hindi kasya ay kailangang bawasan, ibuod o hatiin sa ilang request.

## Mga tanong

### Mas mahusay ba ang LLM kaysa sa dedicated na translation API para sa Arabic?

Sa maikli at generic na text, puwedeng maliit ang pagkakaiba. Nananalo ang LLM kapag kailangan mo ng kontrol sa tono, glossary terms, formatting o dialect na input, dahil masasabi mo nang eksakto sa prompt ang gusto mo.

### Kaya bang i-translate ng model sa English ang Arabic na nasa dialect?

Madalas oo, dahil nakadepende ang translation sa pag-unawa, at mas naiintindihan ng mga model ang mga dialect kaysa sa naisusulat nila ang mga ito. Iniuulat ng BroadNet na naintindihan ng Qwen3.8 27B ang Gulf at Egyptian na dialect sa mga test nito. Ipa-check ang isang sample sa mga native speaker.

### Dapat bang i-machine translate ang mga legal na dokumento?

Gumamit ng LLM para sa unang draft at para maintindihan ang dokumento, pero ipa-review sa kwalipikadong translator ang anumang may legal na epekto. Maraming hurisdiksyon din ang humihingi ng certified na human translation para sa mga opisyal na filing.

### Bakit mas maraming token ang Arabic translation ko kaysa sa English?

Madalas hinahati ng mga tokenizer ang Arabic sa mas maraming token kada salita kaysa sa English. Mag-paste ng sample sa isang token counter, saka kumpirmahin gamit ang usage.prompt\_tokens at usage.completion\_tokens mula sa isang totoong request.

### Aling metric ang gagamitin para i-evaluate ang Arabic machine translation?

Gamitin ang chrF bilang default na automatic score, dahil mas kaya ng character n-gram ang mga Arabic clitic at variant ng spelling kaysa sa BLEU. Idagdag ang COMET kung kaya mo itong patakbuhin, at ipa-blind-rate sa mga native speaker ang 30 o higit pang segment kada system.

## Magbasa pa

-   [Pagpili ng LLM API para sa Arabic: ano ang dapat i-test](https://broadrouter.com/fil/blog/choosing-an-llm-for-arabic/)
-   [Arabic prompt engineering: register, RTL, numeral at halo-halong text](https://broadrouter.com/fil/blog/arabic-prompt-engineering/)
-   [Token kada salita sa Arabic vs English: bakit mas mahal ang Arabic](https://broadrouter.com/fil/blog/tokens-per-word-arabic-english/)
-   [JSON mode vs json\_schema: structured output na maaasahan](https://broadrouter.com/fil/blog/structured-output-json-schema/)
-   [Arabic translation ng app strings gamit ang LLM: placeholder, plural](https://broadrouter.com/fil/blog/translate-app-strings-to-arabic-llm/)
-   [Isalin ang Arabic audio sa English gamit ang API: tested na pipeline](https://broadrouter.com/fil/blog/translate-arabic-audio-to-english/)
-   [Diacritics sa Arabic text gamit ang LLM: prompt, check at DER](https://broadrouter.com/fil/blog/arabic-diacritization-llm/)
-   [Arabic grammar at spelling correction gamit ang LLM: paano gawin](https://broadrouter.com/fil/blog/arabic-grammar-spelling-correction-llm/)
-   [Gabay: Paano gamitin ang OpenAI Python SDK sa BroadNet Inference](https://broadrouter.com/fil/guides/openai-python-sdk/)
-   [Gabay: Basahin ang mga Arabic na invoice at resibo gamit ang vision model](https://broadrouter.com/fil/guides/read-arabic-invoices-with-vision/)

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

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

**Mga source**

-   [Pricing page ng BroadNet Inference, tala na "Tested in Arabic" para sa Qwen3.8 27B (kinuha noong 2026-11-14) (Ingles)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-blog-arabic-english-translation-llm&utm_content=sources)
-   [Popović, chrF: character n-gram F-score for automatic MT evaluation (WMT 2015; kinuha noong 2026-11-14)](https://aclanthology.org/W15-3049/)
-   [Rei et al., COMET: A Neural Framework for MT Evaluation (arXiv 2009.09025; kinuha noong 2026-11-14)](https://arxiv.org/abs/2009.09025)
-   [NLLB Team, No Language Left Behind (in-evaluate sa FLORES-200; arXiv 2207.04672; kinuha noong 2026-11-14)](https://arxiv.org/abs/2207.04672)
-   [Listahan ng wika ng FLORES-200 (MSA kasama ang Egyptian, Najdi, Levantine, Mesopotamian, Moroccan, Tunisian at Ta'izzi-Adeni Arabic; kinuha noong 2026-11-14)](https://github.com/facebookresearch/flores/blob/main/flores200/README.md)
