BroadRouter

Dịch chuỗi ứng dụng sang tiếng Ả Rập bằng LLM: placeholder và số nhiều

Đội ngũ BroadNet Inference · 7 phút đọc · Đăng ngày

Hãy gửi chuỗi dưới dạng JSON với mọi placeholder đã thay bằng marker, yêu cầu đủ sáu dạng số nhiều tiếng Ả Rập (zero, one, two, few, many, other), và dựng cú pháp ICU bằng code, không để model viết. Kiểm tra trong CI: cùng key, cùng đối số và thẻ, đủ sáu dạng. Bọc tên được chèn trong ký tự cô lập Unicode để văn bản phải sang trái hiển thị đúng.

Dịch file chuỗi của một ứng dụng là việc khác với dịch văn xuôi. Mỗi giá trị đều ngắn, thường không có ngữ cảnh, và mang cú pháp mà model không được đụng vào: placeholder, thẻ HTML và quy tắc số nhiều. Tiếng Ả Rập làm điều cuối trở nên khó. File tiếng Anh có hai dạng số nhiều; tiếng Ả Rập cần sáu. Bài này xây một pipeline nhỏ trên LLM tương thích OpenAI: cố định placeholder, yêu cầu sáu chuỗi số nhiều dạng thường, ghép cú pháp ICU bằng code, rồi kiểm tra mọi thứ trong CI.

Để dịch tài liệu, ticket và hợp đồng, xem dịch Ả Rập–Anh bằng LLM, bài nói về giọng văn, bảng thuật ngữ và đánh giá cho văn xuôi.

Vì sao số nhiều tiếng Ả Rập làm hỏng file chuỗi dịch máy?

Unicode CLDR, chuẩn mà Intl.PluralRules, ICU và i18next đều tuân theo, cho tiếng Ả Rập sáu loại số đếm:

Loại Quy tắc CLDR Số ví dụ Ví dụ: “file”
zero n = 0 0 لا توجد ملفات
one n = 1 1 ملف واحد
two n = 2 2 ملفان (dạng đôi)
few n % 100 = 3..10 3–10, 103–110 5 ملفات (số nhiều)
many n % 100 = 11..99 11–99, 111 11 ملفًا (số ít, đối cách)
other mọi số còn lại 100–102, 1000, 0,5 100 ملف (số ít)

Hai chi tiết hay làm người ta vấp. Thứ nhất, các loại này không phải là chính các con số: 103 là few còn 111 là many. Thứ hai, nguồn tiếng Anh chỉ cho model one và other, nên model phải tự tạo bốn dạng chỉ từ ngữ pháp. Phần lớn lỗi đến từ việc model chép lại cặp dạng tiếng Anh.

Lỗi này âm thầm. Chúng tôi render một message tiếng Ả Rập chỉ có one và other bằng intl-messageformat 12.1.5: 0, 2 và 11 file đều ra “N ملف”. i18next 27.1.2 cũng hành xử như vậy khi thiếu key _many: 11 file hiển thị văn bản của _other. Không lỗi, không cảnh báo, chỉ là tiếng Ả Rập sai.

Nên gửi chuỗi cho model thế nào?

Hãy gom theo lô. Mỗi chuỗi một request sẽ phí token cho system prompt và mất ngữ cảnh giữa các chuỗi liên quan. Gửi 50 đến 200 key mỗi lần dưới dạng một JSON object, nhóm theo màn hình hoặc tính năng để “Save” cạnh “Cancel” được hiểu là một nút bấm.

Ba quy tắc giúp câu trả lời kiểm tra được:

  1. Cố định placeholder. Thay {name}, placeholder ngoặc nhọn kép của i18next, %s, %1$s và thẻ như <b> bằng marker như ⟦0⟧. Model thấy “Welcome back, ⟦0⟧!” và không thể dịch name thành اسم.
  2. Yêu cầu dạng số nhiều dưới dạng chuỗi thường. Gửi văn bản one và other tiếng Anh và yêu cầu sáu chuỗi tiếng Ả Rập. Code dựng cú pháp ICU. Model không bao giờ viết một dấu ngoặc nhọn.
  3. Đưa bảng thuật ngữ và danh sách không dịch. Tên sản phẩm, tên gói và thuật ngữ mà đội hỗ trợ của bạn dùng. Phần bảng thuật ngữ trong bài về dịch thuật giải thích vì sao điều này quan trọng hơn việc chọn model.

Script dịch

File nguồn dùng ICU MessageFormat, cú pháp mà FormatJS có tài liệu. Cách cố định tương tự cũng dùng được cho định dạng JSON riêng của i18next, nơi key số nhiều kết thúc bằng _zero, _one, _two, _few, _many và _other.

{
  "save": "Save",
  "welcome": "Welcome back, {name}!",
  "invite": "<b>{inviter}</b> invited you to the {workspace} workspace",
  "billing": "Pay with AcmePay",
  "files": "{count, plural, one {# file} other {# files}}"
}
import json, os, re
from openai import OpenAI

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

FORMS = ["zero", "one", "two", "few", "many", "other"]
# ICU arguments, double-brace and printf placeholders, HTML-style tags
PH = re.compile(r"\{\{\s*\w+\s*\}\}|\{\w+\}|%(?:\d+\$)?[sdif@]|</?\w+[^>]*>")
PLURAL = re.compile(r"^\{(\w+), plural,(.*)\}$", re.S)

def freeze(text):
    """Replace each placeholder with ⟦n⟧ so the model cannot translate or break it."""
    found = PH.findall(text)
    for i, p in enumerate(found):
        text = text.replace(p, f"⟦{i}⟧", 1)
    return text, found

def thaw(text, found):
    for i, p in enumerate(found):
        text = text.replace(f"⟦{i}⟧", p)
    return text

def branches(body):
    """'one {# file} other {# files}' -> {'one': '# file', 'other': '# files'}."""
    out, i = {}, 0
    while i < len(body):
        m = re.compile(r"\s*([=\w]+)\s*\{").match(body, i)
        if not m:
            break
        depth, j = 1, m.end()
        while depth:
            depth += {"{": 1, "}": -1}.get(body[j], 0)
            j += 1
        out[m.group(1)] = body[m.end():j - 1]
        i = j
    return out

SYSTEM = """You translate app interface strings from English to Modern Standard Arabic.
Reply with one JSON object only: {"STRINGS": {key: Arabic}, "PLURALS": {key: {six forms}}}.
Rules:
- ⟦0⟧, ⟦1⟧ ... are placeholders. Keep every one exactly once and unchanged; move it if Arabic word order needs it.
- # stands for the number. Keep it where the number should appear.
- Interface style: short, no full stops on buttons or labels.
- Never translate terms in DO_NOT_TRANSLATE. Use GLOSSARY translations exactly.
- For each PLURALS key, return all six Arabic forms: zero, one, two, few, many, other.
  zero = none; one = singular without a number; two = dual without a number;
  few = 3-10: # + plural noun; many = 11-99: # + singular noun in the accusative;
  other = 100, 1000 and also 0.5 and 1.5: # + singular noun."""

def translate(src, glossary=None, dnt=(), model="broadnet/qwen3.8-27b"):
    strings, plurals, frozen = {}, {}, {}
    for key, text in src.items():
        m = PLURAL.match(text)
        if m:
            b = branches(m.group(2))
            fone, ph = freeze(b.get("one", b["other"]))
            fother, _ = freeze(b["other"])
            plurals[key] = {"one": fone, "other": fother}
            frozen[key] = (m.group(1), ph)
        elif "{" in PH.sub("", text):
            raise ValueError(f"{key}: nested ICU, send to a human")
        else:
            strings[key], ph = freeze(text)
            frozen[key] = (None, ph)
    payload = {"STRINGS": strings, "PLURALS": plurals,
               "GLOSSARY": glossary or {}, "DO_NOT_TRANSLATE": list(dnt)}
    r = client.chat.completions.create(
        model=model, max_tokens=4000, temperature=0.2,
        messages=[{"role": "system", "content": SYSTEM},
                  {"role": "user", "content": json.dumps(payload, ensure_ascii=False)}])
    out = json.loads(r.choices[0].message.content)
    ar = {k: thaw(v, frozen[k][1]) for k, v in out.get("STRINGS", {}).items() if k in frozen}
    for k, forms in out.get("PLURALS", {}).items():
        if k not in frozen:
            continue
        arg, ph = frozen[k]
        ar[k] = "{%s, plural, %s}" % (arg, " ".join(
            f + " {" + thaw(forms[f], ph) + "}" for f in FORMS if f in forms))
    return ar

en = json.load(open("en.json"))
ar = translate(en, glossary={"workspace": "مساحة العمل"}, dnt=["AcmePay"])
json.dump(ar, open("ar.json", "w"), ensure_ascii=False, indent=2)

Chúng tôi chạy script bằng OpenAI Python SDK với một mock server cục bộ, không phải API thật, kèm câu trả lời tiếng Ả Rập soạn sẵn. Request mà model sẽ thấy chứa “Welcome back, ⟦0⟧!” và “⟦0⟧⟦1⟧⟦2⟧ invited you to the ⟦3⟧ workspace”, và script ghi ra file ar.json này:

{
  "save": "حفظ",
  "welcome": "مرحبًا بعودتك يا {name}!",
  "invite": "دعاك <b>{inviter}</b> إلى مساحة العمل {workspace}",
  "billing": "ادفع عبر AcmePay",
  "files": "{count, plural, zero {لا توجد ملفات} one {ملف واحد} two {ملفان} few {# ملفات} many {# ملفًا} other {# ملف}}"
}

Ghi chú về code:

  • Marker có thể di chuyển, không biến mất. Tiếng Ả Rập thường đặt động từ lên đầu, nên ⟦0⟧ có thể đổi chỗ. Bước kiểm tra bên dưới đếm marker; nó không quan tâm marker nằm ở đâu.
  • ICU lồng nhau thì chuyển cho người. Một select bên trong plural hiếm gặp và dễ hỏng. Script từ chối thay vì đoán.
  • max_tokens=4000 chừa chỗ cho suy luận. Tài liệu BroadNet cho biết DeepSeek V4.1 Flash, GLM 5.3 và Qwen3.8 27B suy luận trước khi trả lời, và phần suy luận tính vào max_tokens. Xem phản hồi rỗng từ model suy luận.
  • json.loads có thể lỗi. Hãy bọc nó và gửi lại một lần kèm thông báo lỗi; sửa JSON không hợp lệ từ LLM có một hàm sửa đã test. Với GLM 5.3 và Qwen3.8 27B, hai model BroadNet có tài liệu về structured output, hãy thêm cả schema response_format. Dù thế nào, bước kiểm tra bên dưới vẫn giữ nguyên.

Kiểm tra file tiếng Ả Rập trong CI thế nào?

Hãy parse mọi message bằng đúng parser mà ứng dụng của bạn dùng lúc chạy, và so với nguồn. Script Node này dùng @formatjs/icu-messageformat-parser (phiên bản 3.5.23 trong bài test của chúng tôi):

// node check-ar.mjs en.json ar.json  -> exits 1 on any problem
import { readFileSync } from "node:fs";
import { parse, TYPE } from "@formatjs/icu-messageformat-parser";

const AR_FORMS = ["zero", "one", "two", "few", "many", "other"];
const [en, ar] = process.argv.slice(2).map((p) => JSON.parse(readFileSync(p, "utf8")));
const errors = [];

// Collect argument and tag names; return the plural elements too.
function walk(nodes, names = [], plurals = []) {
  for (const n of nodes) {
    if (n.type === TYPE.literal || n.type === TYPE.pound) continue;
    names.push(n.type === TYPE.tag ? `<${n.value}>` : `{${n.value}}`);
    if (n.type === TYPE.tag) walk(n.children, names, plurals);
    if (n.type === TYPE.plural) plurals.push(n);
    if (n.options) for (const o of Object.values(n.options)) walk(o.value, [], plurals);
  }
  return { names: names.sort().join(" "), plurals };
}

for (const key of Object.keys(en)) {
  if (!(key in ar)) { errors.push(`${key}: missing`); continue; }
  let src, dst;
  try { src = walk(parse(en[key])); dst = walk(parse(ar[key], { requiresOtherClause: true })); }
  catch (e) { errors.push(`${key}: ICU syntax error ${e.message}`); continue; }
  if (src.names !== dst.names) errors.push(`${key}: arguments differ: [${src.names}] vs [${dst.names}]`);
  for (const p of dst.plurals) {
    const missing = AR_FORMS.filter((f) => !(f in p.options));
    if (missing.length) errors.push(`${key}: plural {${p.value}} lacks ${missing.join(", ")}`);
  }
  if (!/[؀-ۿ]/.test(ar[key])) errors.push(`${key}: no Arabic letters`);
  if (/⟦\d+⟧/.test(ar[key])) errors.push(`${key}: placeholder marker left in text`);
}
for (const key of Object.keys(ar)) if (!(key in en)) errors.push(`${key}: not in source`);
console.log(errors.join("\n") || "ok");
process.exit(errors.length ? 1 : 0);

Với file ở trên, nó in ok. Sau đó chúng tôi cho câu trả lời mock bỏ dạng many và marker {workspace}. Script thoát với mã 1 và in:

invite: arguments differ: [<b> {inviter} {workspace}] vs [<b> {inviter}]
files: plural {count} lacks many

Quy tắc “không có chữ cái tiếng Ả Rập” bắt các chuỗi mà model để nguyên tiếng Anh. Nó cũng bắt cả các giá trị chỉ là tên sản phẩm hoặc con số, nên hãy giữ một danh sách cho phép cho những giá trị đó. Với định dạng riêng của i18next, áp dụng cùng các bước kiểm tra cho từng key: mỗi cặp _one/_other tiếng Anh cần đủ sáu key có hậu tố trong tiếng Ả Rập, và mỗi key cần cùng placeholder, trừ việc _zero, _one và _two có thể bỏ count.

Cuối cùng, hãy render vài con số qua bộ định dạng thật của bạn. Với intl-messageformat 12.1.5, message files ở trên cho 0 → لا توجد ملفات, 2 → ملفان, 5 → 5 ملفات, 11 → 11 ملفًا, 102 → 102 ملف và 111 → 111 ملفًا. Lần kiểm tra nhanh đó bắt được dạng parse được nhưng dùng sai danh từ.

Còn hiển thị từ phải sang trái thì sao?

Bản dịch làm đúng từ ngữ; trình duyệt vẫn phải sắp xếp chúng. Khi một tên chữ Latin hoặc một con số được chèn vào câu tiếng Ả Rập, thuật toán hai chiều của Unicode có thể dời dấu câu hoặc hoán đổi các đoạn liền kề. Lời khuyên của W3C là cô lập văn bản được chèn: bọc nó trong <bdi> hoặc một phần tử có dir="auto" trong HTML, hoặc bao nó bằng U+2068 FIRST STRONG ISOLATE và U+2069 POP DIRECTIONAL ISOLATE trong văn bản thường, như thông báo đẩy.

Hãy làm việc này ở chỗ nội suy, không phải trong bản dịch. Trong bài test của chúng tôi, định dạng message chào mừng với tên được bọc bằng U+2068 và U+2069 giữ cả hai ký tự trong output và không làm thay đổi phần tiếng Ả Rập. Hãy đặt thêm dir="rtl" và lang="ar" cho trang hoặc container. Prompt engineering cho tiếng Ả Rập có một checklist ngắn cho lỗi hiển thị RTL.

Chữ số là lựa chọn của bộ định dạng, không phải của bản dịch. Hãy giữ # hoặc đối số trong chuỗi. Trong Node 24 (ICU 78.3), Intl.NumberFormat viết 1234 thành 1,234 với ar và thành ١٬٢٣٤ với ar-EG và ar-SA. Hãy chọn locale tag khớp với thị trường của bạn. Với các câu hỏi sản phẩm rộng hơn (locale giao diện so với ngôn ngữ của model, bong bóng chat có hướng chữ hỗn hợp, nhận diện ngôn ngữ và chi phí theo ngôn ngữ), xem thiết kế trải nghiệm AI cho nhiều ngôn ngữ.

Ai nên rà soát output?

Một pipeline LLM có các bước kiểm tra này đảm bảo file đúng định dạng. Nó không đảm bảo tiếng Ả Rập là đúng. Hãy nhờ người nói tiếng Ả Rập rà soát:

  • Chỉ các chuỗi mới và đã thay đổi. Diff en.json với bản phát hành trước và chỉ dịch phần thay đổi. Việc rà soát giữ được gọn, và các chuỗi đã duyệt không bao giờ bị đổi.
  • Dạng số nhiều, từng từ một. Sự hòa hợp với con số là chỗ model hay trượt nhất, nhất là đối cách sau 11 đến 99.
  • Giống. Trong tiếng Ả Rập, “bạn” và động từ thay đổi theo giới tính của người đọc. Nếu giao diện xưng hô trực tiếp với người dùng, hãy chọn một quy ước, như một dạng cố định hoặc cách diễn đạt trung tính, và đưa vào system prompt.
  • Độ dài. Chuỗi tiếng Ả Rập có thể dài hơn hoặc ngắn hơn tiếng Anh. Hãy kiểm tra nút và tab trong bố cục thật ở độ rộng di động.

Hãy giữ một file bảng thuật ngữ đã rà soát trong repo và gửi kèm mọi request, để các thuật ngữ đã duyệt luôn cố định.

Tốn bao nhiêu?

File chuỗi nhỏ. Output dài gần bằng input, và tiếng Ả Rập thường cần nhiều token mỗi từ hơn tiếng Anh; số token mỗi từ trong tiếng Ả Rập và tiếng Anh có các tỷ lệ đã đo. Hãy dán một lô vào công cụ đếm token tiếng Ả Rập, nhân với số lô, và cộng system prompt cho mỗi lô. Model suy luận còn tiêu token để suy nghĩ; BroadNet báo cáo phần này trong usage dưới dạng completion_tokens_details.reasoning_tokens, nên hãy đọc usage từ một request thật trước khi ngoại suy.

Model Ghi chú cho việc này Input / output mỗi 1 triệu token
Qwen3.8 27B Có tài liệu về structured output $0.175 / $2.17
GLM 5.3 Có tài liệu về structured output; context 1.048.576 token $0.78 / $3.46
Gemma 4 VL 26B Dùng được với tín dụng ban đầu $5; JSON chỉ qua prompt, nên bộ kiểm tra càng quan trọng $0.10 / $0.22
DeepSeek V4.1 Flash Có cả gói giá cố định, như $15 một tuần mỗi phiên, mỗi phiên một request mỗi lúc $0.175 / $0.52

Giá lấy từ nguồn giá của BroadNet, cập nhật 2026-11-14. Hãy dịch cùng 100 chuỗi bằng hai model và nhờ người rà soát so sánh trước khi chọn; giá mỗi token ít quan trọng hơn số chỗ phải sửa. Với hàng nghìn key qua nhiều ngôn ngữ, xử lý hàng loạt không cần Batch API nói về số request đồng thời và thử lại.

BroadNet Inference phù hợp ở đâu

BroadRouter là trang web của chính BroadNet. BroadNet Inference cho truy cập tương thích OpenAI tới các model ở trên, nên script chạy được với OpenAI Python SDK sau khi đổi base URL và ID model; hãy xem tài liệu tham chiếu API để biết tham số mỗi model hỗ trợ. Dịch vụ không có endpoint dịch thuật và không công bố benchmark bản địa hóa, nên bộ kiểm tra và người rà soát vẫn là cửa kiểm soát chất lượng của bạn. Các nền tảng bản địa hóa chuyên dụng có thêm bộ nhớ dịch, quy trình rà soát và ảnh chụp màn hình trong ngữ cảnh; nếu bạn cần những thứ đó, hãy dùng một nền tảng và giữ bước kiểm tra CI ở trên làm tuyến phòng thủ thứ hai.

Câu hỏi thường gặp

Tiếng Ả Rập có bao nhiêu dạng số nhiều?

Sáu loại số đếm theo Unicode CLDR: zero (0), one (1), two (2), few (số có hai chữ số cuối từ 03 đến 10, như 3 đến 10 và 103), many (hai chữ số cuối từ 11 đến 99) và other (100 đến 102, 1000, và số thập phân như 0,5). File tiếng Anh chỉ có one và other.

ChatGPT hay LLM khác có dịch được file i18n JSON sang tiếng Ả Rập không?

Được, nếu bạn kiểm soát định dạng. Chỉ gửi giá trị, thay placeholder bằng marker, yêu cầu sáu dạng số nhiều, và kiểm tra kết quả bằng code: key, đối số, thẻ và loại số nhiều. Hãy nhờ người nói tiếng Ả Rập rà soát chuỗi mới trước khi phát hành.

Điều gì xảy ra nếu bản dịch tiếng Ả Rập thiếu một dạng số nhiều?

Thường không có lỗi nào hiện ra. i18next và intl-messageformat dùng dạng other thay thế, nên 2 file hiển thị “2 ملف” thay vì dạng đôi ملفان. Chỉ một bộ kiểm tra yêu cầu đủ sáu dạng mới bắt được lỗi này trước người dùng.

Có nên để LLM tự viết cú pháp ICU MessageFormat không?

Tốt nhất là không. Hãy yêu cầu sáu chuỗi thường cho mỗi message số nhiều và ghép cú pháp ICU bằng code. Model thỉnh thoảng làm rơi một dấu ngoặc nhọn hoặc dịch luôn tên đối số, và khi đó lỗi parser làm hỏng cả bundle lúc chạy.

Chuỗi giao diện tiếng Ả Rập nên dùng loại chữ số nào?

Hãy để bộ định dạng số quyết định, không phải bản dịch. Giữ # hoặc đối số trong chuỗi. Trong bài test Node 24 của chúng tôi, Intl.NumberFormat định dạng 1234 thành 1,234 với ar và ١٬٢٣٤ với ar-EG và ar-SA, nên locale tag quyết định chữ số.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity