BroadRouter

用大模型做阿拉伯语与英语互译:提示词、术语表与质量评估

BroadNet Inference 团队 · 阅读约 5 分钟 · 发布于

用大模型做阿拉伯语与英语互译,要告诉模型受众、语体和一份固定术语的术语表,要求数字和人名保持不变,并按段落大小分块翻译。用 chrF 或 COMET 加上母语者审校来评估。在 BroadNet 的测试中,Qwen3.8 27B 能在阿拉伯语和英语之间准确翻译。

用大模型做阿拉伯语与英语互译,要告诉模型翻译方向、受众和语体,给它一份固定术语的术语表,保持数字和人名不变,并按段落大小分块发送。然后用代码检查数字和否定,用 chrF、COMET 和母语审校者打分。

这种控制在阿拉伯语中尤其重要:直译可能完全正确,读起来却仍然像外国话。

为什么阿拉伯语与英语互译对大模型来说很棘手?

  • **语体。**正式阿拉伯语(现代标准阿拉伯语,فصحى)与日常口语差别很大。一句在英语中轻松随意的营销文案,按字面译成 MSA 可能变得生硬甚至滑稽。
  • **语序和长度。**阿拉伯语句子常以动词开头,阿拉伯语文本的长度也常与英语不同。英语里放得下的界面字符串,可能会换行或溢出。
  • **性和数。**阿拉伯语在动词、形容词和代词上标记性别,还有双数。英语的“you”必须变成 أنتَ、أنتِ、أنتما、أنتم 或 أنتنّ。如果你不知道读者是谁,就告诉模型用哪种默认形式。
  • 人名和音译。“محمد”有很多种英文拼法(Mohammed、Muhammad、Mohamed)。每个人选定一种并坚持使用。
  • **数字和日期。**东阿拉伯数字、伊斯兰历日期和从右到左的格式,都需要明确的规则。

什么样的提示词能得到好的阿拉伯语译文?

翻译质量更多取决于指令,而不是措辞技巧。告诉模型翻译方向、受众、语体、术语表和输出格式:

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

阿拉伯语 → 英语时,把方向反过来,并加上英语读者需要的说明:“American English, plain style, keep Arabic personal names in the spelling given in the glossary”(美式英语、平实风格,阿拉伯语人名使用术语表中给定的拼法)。如果原文可能是方言,就写明:“The source may be Gulf or Egyptian Arabic; translate the meaning, not word for word.”(原文可能是海湾或埃及阿拉伯语;翻译意思,不要逐字翻译。)

为什么术语表这么重要?

没有术语表,模型可能在一段里把“refund”译成 استرجاع,下一段又译成 استرداد。两者都是正确的阿拉伯语,但放在一起显得粗心,还会影响搜索。术语表可以解决这个问题:

  1. **从现有译文入手。**从帮助中心、合同和已有双语版本的界面字符串中提取术语。
  2. **保持精简。**五十到两百个术语就能覆盖大多数产品。只收录必须保持一致的术语。
  3. **包含不翻译项。**品牌名、产品名、套餐名和代码标识符。
  4. **放在系统提示词里、正文之前。**这样它也处于可缓存的前缀中,能降低重复调用的输入成本;参见缓存输入 token。
  5. **用代码检查。**翻译完成后,核实原文中出现的每个术语,在译文中都以固定形式出现。

长文档应该如何切分?

按段落或小节分块翻译,而不是逐句翻译。逐句调用会丢失上下文(“他”是谁,“它”指的是哪个产品)。整篇文档一次调用在长上下文模型上可行,但单个错误更难发现、也更难重试。几百词的一个小节是不错的平衡。如果一致性很重要,就把上一节的译文作为上下文一并传入。

Qwen3.8 27B 的上下文为 262,144 token;DeepSeek V4.1 Flash 和 GLM 5.3 最多可接受 1,048,576 token,足以在待译文本旁附上一份很长的参考文档。

如何发现危险的错误?

流畅的输出会掩盖错误。以下几项要自动检查:

  • **数字:**从原文和译文中提取所有数字(先转换东阿拉伯数字),比较两组数字。
  • **否定:**漏掉一个“不”(لا、لم、لن、ليس、ما)会让意思完全相反。标出原文有否定、译文却没有的句子。
  • **人名和术语:**核实它们原样保留。
  • **长度比:**译文比预期短得多,通常意味着有内容被漏掉了。
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

不同语言区域的小数点可能不同(阿拉伯语文本有时使用 ٫),如果你的文档里用到了,也要一并规范化。

如何评估翻译质量?

自动指标告诉你,修改提示词或模型之后,平均来说效果是变好了还是变差了:

指标 衡量什么 用于阿拉伯语时的注意事项
BLEU 与参考译文的词 n-gram 重合度 对阿拉伯语很苛刻,因为附着词和拼写变体会改变词形
chrF 字符 n-gram 重合度 对阿拉伯语词法更宽容,是更好的默认选择
COMET 神经网络模型对质量的判断 与人工评分的相关性更好;需要 GPU 或托管的评分服务

公开基准方面,No Language Left Behind 项目使用的 FLORES-200,根据其语言列表,除英语外还包括现代标准阿拉伯语以及埃及、纳季德、北黎凡特、南黎凡特、美索不达米亚、摩洛哥、突尼斯和塔伊兹-亚丁阿拉伯语。但真正的测试是你自己的内容:

  1. 取 100 到 200 个有代表性、已有专业译文的片段。
  2. 用每个模型和每个提示词版本翻译它们。
  3. 对所有系统用同样的方式规范化阿拉伯语拼写后,计算 chrF(能算 COMET 的话也算上)。
  4. 请母语者在不知道是哪个系统产出的情况下,对每个系统的 30 个片段按准确性和自然度打分。
  5. 把上面的危险错误检查单独计数跟踪。

应该用哪个模型,要花多少钱?

BroadNet 报告,在其测试中 Qwen3.8 27B 能在阿拉伯语和英语之间准确翻译,写出流畅的阿拉伯语,并能理解海湾和埃及方言。这使它成为 BroadNet Inference 上自然的首选候选。DeepSeek V4.1 Flash 也值得测试:它的输出 token 更便宜,也是不限量固定价格套餐所用的模型。DeepSeek V4.1 Flash 与 Qwen3.8 27B 对比把两者并排做了比较。

每百万 token:

模型 输入 输出
Qwen3.8 27B $0.175 $2.17
DeepSeek V4.1 Flash $0.175 $0.52
GLM 5.3 $0.78 $3.46

翻译的输出与输入长度相当,而且这三个模型都会先思考再作答,所以账单通常以输出 token 为主。阿拉伯语每个词往往也比英语需要更多 token;参见阿拉伯语与英语每词 token 数。把样本粘贴到免费的阿拉伯语 token 计数器,用真实请求的 usage 确认,再用 LLM API 成本计算器估算每月支出。如果是在 DeepSeek V4.1 Flash 上做大型一次性本地化项目,$15 的周套餐可以完全免去 token 计费。

可以把合同和工单发给 API 吗?

合同、医疗信函和客服工单常常包含个人数据。请求结束后,BroadNet Inference 不保留提示词或输出;参见零数据保留。请确认你的翻译记忆库和日志也遵循同样的规则。

常见问题

翻译阿拉伯语,大模型比专门的翻译 API 好吗?

对于简短、通用的文本,差别可能不大。当你需要控制语气、术语、格式或处理方言输入时,大模型更胜一筹,因为你可以在提示词里准确说明你想要什么。

模型能把方言阿拉伯语翻译成英语吗?

通常可以,因为翻译取决于理解,而模型理解方言的能力强于书写方言。BroadNet 报告,在其测试中 Qwen3.8 27B 能理解海湾和埃及方言。请找母语者抽查样本。

法律文件可以用机器翻译吗?

可以用大模型出初稿、帮助理解,但凡是具有法律效力的内容,都要请有资质的译员审校。许多司法管辖区还要求正式提交的文件使用经认证的人工翻译。

为什么阿拉伯语译文的 token 比英语多?

分词器往往把阿拉伯语的每个词切成比英语更多的 token。把样本粘贴到 token 计数器里,再用真实请求返回的 usage.prompt_tokens 和 usage.completion_tokens 确认。

评估阿拉伯语机器翻译应该用哪个指标?

默认用 chrF 作为自动评分,因为字符 n-gram 比 BLEU 更能应付阿拉伯语的附着词和拼写变体。如果能运行 COMET 就加上,并请母语者对每个系统的 30 个以上片段做盲评。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity