Pour traduire entre l’arabe et l’anglais avec un LLM, indiquez au modèle le sens de traduction, le public et le registre, donnez-lui un glossaire de termes fixes, laissez nombres et noms inchangés, et envoyez des blocs de la taille d’un paragraphe. Contrôlez ensuite nombres et négations dans le code, et évaluez avec chrF, COMET et un relecteur natif.
Cette maîtrise compte en arabe, où une traduction littérale peut être correcte et sonner pourtant étrangère.
Pourquoi la traduction arabe–anglais est-elle délicate pour les LLM ?
- Registre. L’arabe soutenu (arabe standard moderne, فصحى) et la langue de tous les jours diffèrent fortement. Une accroche marketing décontractée en anglais peut devenir guindée, voire comique, en MSA littéral.
- Ordre des mots et longueur. Les phrases arabes commencent souvent par le verbe, et le texte arabe a souvent une longueur différente de l’anglais. Des chaînes d’interface qui tiennent en anglais peuvent passer à la ligne ou déborder.
- Genre et nombre. L’arabe marque le genre sur les verbes, les adjectifs et les pronoms, et possède un duel. Le « you » anglais doit devenir أنتَ, أنتِ, أنتما, أنتم ou أنتنّ. Si vous ne connaissez pas le lecteur, indiquez au modèle quelle forme utiliser par défaut.
- Noms et translittération. « محمد » a de nombreuses graphies anglaises (Mohammed, Muhammad, Mohamed). Choisissez-en une par personne et tenez-vous-y.
- Nombres et dates. Chiffres arabes orientaux, dates hégiriennes et mise en forme de droite à gauche exigent tous des règles explicites.
Quel prompt donne de bonnes traductions arabes ?
La qualité de traduction dépend bien plus des instructions que de formulations astucieuses. Indiquez au modèle le sens, le public, le registre, le glossaire et le format de sortie :
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
Pour l’arabe → anglais, inversez le sens et ajoutez ce dont le lecteur anglophone a besoin : « American English, plain style, keep Arabic personal names in the spelling given in the glossary » (anglais américain, style simple, noms propres arabes dans la graphie du glossaire). Si la source peut être dialectale, dites-le : « The source may be Gulf or Egyptian Arabic; translate the meaning, not word for word. » (la source peut être en arabe du Golfe ou égyptien ; traduis le sens, pas mot à mot).
Pourquoi un glossaire compte-t-il autant ?
Sans glossaire, un modèle peut traduire « refund » par استرجاع dans un paragraphe et par استرداد dans le suivant. Les deux sont du bon arabe ; ensemble, ils font négligé et gênent la recherche. Un glossaire règle cela :
- Partez de vos traductions existantes. Extrayez les termes du centre d’aide, des contrats et des chaînes d’interface que vous avez déjà dans les deux langues.
- Gardez-le court. Cinquante à deux cents termes couvrent la plupart des produits. N’y mettez que les termes qui ne doivent pas varier.
- Incluez les éléments à ne pas traduire. Noms de marques, noms de produits, noms de forfaits et identifiants de code.
- Placez-le dans le prompt système, avant le texte. Il reste ainsi dans le préfixe mis en cache, ce qui réduit le coût d’entrée des appels répétés ; voir tokens d’entrée en cache.
- Vérifiez-le dans le code. Après traduction, contrôlez que chaque terme du glossaire présent dans la source apparaît sous sa forme fixe dans la cible.
Comment découper les documents longs ?
Traduisez par paragraphe ou par section, pas phrase par phrase. Les appels phrase par phrase perdent le contexte (qui est « il », à quel produit renvoie « ça »). Les appels sur le document entier fonctionnent avec les modèles à long contexte, mais une erreur isolée est plus difficile à trouver et à relancer. Une section de quelques centaines de mots est un bon compromis. Passez la traduction de la section précédente en contexte si la cohérence compte.
Qwen3.8 27B a un contexte de 262 144 tokens ; DeepSeek V4.1 Flash et GLM 5.3 acceptent jusqu’à 1 048 576 tokens, assez pour joindre un long document de référence au texte à traduire.
Comment repérer les erreurs dangereuses ?
Une sortie fluide masque les erreurs. Vérifiez automatiquement les points suivants :
- Nombres : extrayez chaque nombre de la source et de la cible (après conversion des chiffres arabes orientaux) et comparez les ensembles.
- Négation : un « ne… pas » perdu (لا, لم, لن, ليس, ما) inverse le sens. Signalez les phrases où la source contient une négation et la cible non.
- Noms et termes du glossaire : vérifiez qu’ils sont restés inchangés.
- Rapport de longueur : une cible bien plus courte que prévu signifie généralement qu’un passage a sauté.
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
Le séparateur décimal peut varier selon la locale (le texte arabe utilise parfois ٫) ; normalisez-le aussi si vos documents l’emploient.
Comment évaluer la qualité de traduction ?
Les métriques automatiques indiquent si une modification du prompt ou du modèle a amélioré ou dégradé les résultats en moyenne :
| Métrique | Ce qu’elle mesure | Remarques pour l’arabe |
|---|---|---|
| BLEU | Recouvrement de n-grammes de mots avec une référence | Sévère avec l’arabe, où clitiques et variantes d’écriture changent la forme des mots |
| chrF | Recouvrement de n-grammes de caractères | Plus tolérant envers la morphologie arabe ; un meilleur choix par défaut |
| COMET | Jugement de qualité d’un modèle neuronal | Mieux corrélé aux notes humaines ; exige un GPU ou un scorer hébergé |
Comme benchmark public, FLORES-200, utilisé par le projet No Language Left Behind, comprend, selon sa liste de langues, l’arabe standard moderne et les arabes égyptien, najdi, levantin du Nord et du Sud, mésopotamien, marocain, tunisien et ta’izzi-adeni, aux côtés de l’anglais. Mais le vrai test, ce sont vos propres contenus :
- Prenez 100 à 200 segments représentatifs disposant déjà de traductions professionnelles.
- Traduisez-les avec chaque modèle et chaque version de prompt.
- Calculez chrF (et COMET si possible), après avoir normalisé l’orthographe arabe de la même façon pour tous les systèmes.
- Faites noter par un locuteur natif 30 segments par système pour l’exactitude et le naturel, sans qu’il sache quel système les a produits.
- Suivez à part le décompte des contrôles d’erreurs dangereuses ci-dessus.
Quel modèle utiliser, et combien coûtera-t-il ?
BroadNet indique que Qwen3.8 27B a traduit fidèlement entre arabe et anglais, écrit un arabe fluide et compris les dialectes du Golfe et égyptien dans ses tests. C’est donc le premier candidat naturel sur BroadNet Inference. DeepSeek V4.1 Flash mérite aussi un test : ses tokens de sortie sont moins chers, et c’est le modèle des forfaits illimités. La comparaison DeepSeek V4.1 Flash vs Qwen3.8 27B les met côte à côte.
Par million de tokens :
| Modèle | Entrée | Sortie |
|---|---|---|
| Qwen3.8 27B | $0.175 | $2.17 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 |
| GLM 5.3 | $0.78 | $3.46 |
La sortie d’une traduction est à peu près aussi longue que l’entrée, et les trois modèles raisonnent avant de répondre : les tokens de sortie dominent donc généralement la facture. L’arabe tend aussi à demander plus de tokens par mot que l’anglais ; voir tokens par mot en arabe et en anglais. Collez un échantillon dans le compteur de tokens arabe gratuit, confirmez avec usage sur une vraie requête, puis projetez la dépense mensuelle avec le calculateur de coût d’API LLM. Pour un gros projet de localisation ponctuel sur DeepSeek V4.1 Flash, le forfait hebdomadaire à $15 supprime entièrement le compteur de tokens.
Peut-on envoyer des contrats et des tickets à l’API ?
Contrats, courriers médicaux et tickets de support contiennent souvent des données personnelles. BroadNet Inference ne conserve ni les prompts ni les sorties après la requête ; voir zero data retention. Vérifiez que votre mémoire de traduction et vos journaux suivent les mêmes règles.
