---
title: "Traduction arabe-anglais par LLM : prompts et contrôle"
description: "Traduire de l’arabe vers l’anglais et inversement via une API LLM : prompts qui gardent le ton, glossaires de termes fixes, nombres et noms, évaluation."
url: https://broadrouter.com/fr/blog/arabic-english-translation-llm/
lang: fr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/blog/arabic-english-translation-llm/) (mis à jour le 2026-11-14).

# Traduction arabe–anglais par LLM : prompts, glossaires, évaluation

Par l’équipe BroadNet Inference · 5 min de lecture · Publié 2026-11-14

Pour traduire entre l’arabe et l’anglais avec un LLM, donnez au modèle le public visé, le registre et un glossaire de termes fixes, demandez-lui de laisser nombres et noms inchangés, et traduisez par blocs de la taille d’un paragraphe. Évaluez avec chrF ou COMET plus une relecture native. Dans les tests de BroadNet, Qwen3.8 27B a traduit fidèlement entre arabe et anglais.

## À retenir

-   Précisez le sens de traduction, le public et le registre : « clients particuliers saoudiens, MSA courtois » vaut mieux que « traduire en arabe ».
-   Un glossaire de termes fixes garde les termes produit, juridiques et d’interface identiques d’un bloc à l’autre et d’un appel à l’autre.
-   Contrôlez nombres, dates, noms et négations dans le code ou en relecture : ce sont les erreurs qui coûtent cher.
-   Utilisez chrF ou COMET pour les scores automatiques, et des relecteurs natifs pour tout ce qui est visible par les clients ou juridique.
-   BroadNet fait état de traductions arabe–anglais fidèles par Qwen3.8 27B dans ses tests.

**Sur cette page**

1.  Pourquoi la traduction arabe–anglais est-elle délicate pour les LLM ?
2.  Quel prompt donne de bonnes traductions arabes ?
3.  Pourquoi un glossaire compte-t-il autant ?
4.  Comment découper les documents longs ?
5.  Comment repérer les erreurs dangereuses ?
6.  Comment évaluer la qualité de traduction ?
7.  Quel modèle utiliser, et combien coûtera-t-il ?
8.  Peut-on envoyer des contrats et des tickets à l’API ?

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](https://broadrouter.com/fr/glossary/msa/), 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 :

```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
```

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 :

1.  **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.
2.  **Gardez-le court.** Cinquante à deux cents termes couvrent la plupart des produits. N’y mettez que les termes qui ne doivent pas varier.
3.  **Incluez les éléments à ne pas traduire.** Noms de marques, noms de produits, noms de forfaits et identifiants de code.
4.  **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](https://broadrouter.com/fr/blog/cached-input-tokens-explained/).
5.  **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](https://broadrouter.com/fr/models/qwen3.8-27b/) a un contexte de 262 144 tokens ; [DeepSeek V4.1 Flash](https://broadrouter.com/fr/models/deepseek-v4.1-flash/) et [GLM 5.3](https://broadrouter.com/fr/models/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.

```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
```

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](https://aclanthology.org/W15-3049/) | Recouvrement de n-grammes de caractères | Plus tolérant envers la morphologie arabe ; un meilleur choix par défaut |
| [COMET](https://arxiv.org/abs/2009.09025) | 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](https://arxiv.org/abs/2207.04672), comprend, selon sa [liste de langues](https://github.com/facebookresearch/flores/blob/main/flores200/README.md), 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 :

1.  Prenez 100 à 200 segments représentatifs disposant déjà de traductions professionnelles.
2.  Traduisez-les avec chaque modèle et chaque version de prompt.
3.  Calculez chrF (et COMET si possible), après avoir normalisé l’orthographe arabe de la même façon pour tous les systèmes.
4.  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.
5.  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](https://broadrouter.com/fr/models/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](https://broadrouter.com/fr/models/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](https://broadrouter.com/compare/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](https://broadrouter.com/fr/blog/tokens-per-word-arabic-english/). Collez un échantillon dans le [compteur de tokens arabe](https://broadrouter.com/tools/arabic-token-counter/) gratuit, confirmez avec `usage` sur une vraie requête, puis projetez la dépense mensuelle avec le [calculateur de coût d’API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). 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](https://broadrouter.com/fr/privacy/). Vérifiez que votre mémoire de traduction et vos journaux suivent les mêmes règles.

Outils gratuits sur ce sujet (en anglais)

-   [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.

[Outils gratuits (en anglais)](https://broadrouter.com/tools/)

## Termes de cet article

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

Un token est l’unité de texte qu’un modèle de langage lit et écrit : un mot, une partie de mot, un signe de ponctuation ou une suite d’octets produite par le tokenizer du modèle. Les API LLM comptent, limitent et facturent généralement l’usage en tokens.

[Arabe standard moderne (MSA)](https://broadrouter.com/fr/glossary/msa/)

L’arabe standard moderne (MSA) est la forme standardisée de l’arabe utilisée à l’écrit, dans l’information, l’enseignement et le discours formel dans tout le monde arabe. Ce n’est la langue maternelle de personne : on parle au quotidien des dialectes régionaux, comme l’égyptien ou l’arabe du Golfe, et on passe au MSA dans les contextes formels.

[Tokens d’entrée et de sortie](https://broadrouter.com/fr/glossary/input-and-output-tokens/)

Les tokens d’entrée sont les tokens qu’un modèle de langage lit dans une requête, dont le prompt système, l’historique de conversation, les définitions d’outils et les images. Les tokens de sortie sont ceux qu’il génère en réponse, raisonnement compris. Les API LLM les facturent généralement séparément, et la sortie coûte en général plus cher.

[Appel d’outils (tool calling, function calling)](https://broadrouter.com/fr/glossary/tool-calling/)

L’appel d’outils, aussi appelé function calling, est une fonctionnalité des API LLM dans laquelle le modèle renvoie une demande structurée d’exécution d’une fonction définie par le développeur, avec des arguments JSON. L’application exécute la fonction et renvoie le résultat ; le modèle n’exécute jamais de code lui-même.

[Arabe dialectal (dialectal Arabic)](https://broadrouter.com/fr/glossary/dialectal-arabic/)

L’arabe dialectal est l’arabe parlé au quotidien dans une région ou une ville, comme l’égyptien, l’arabe du Golfe, le levantin ou le maghrébin. Les dialectes diffèrent de l’arabe standard moderne par les sons, les mots et la grammaire, n’ont pas d’orthographe standard et s’écrivent de plus en plus en ligne, ce qui complique la tâche des modèles de langage.

[Conservation zéro des données (zero data retention, ZDR)](https://broadrouter.com/fr/glossary/zero-data-retention/)

La conservation zéro des données (zero data retention, ZDR) est une politique selon laquelle un fournisseur d’IA traite prompts et sorties uniquement pour servir une requête, sans conserver ce contenu ensuite, ni dans des logs, ni dans des caches, ni dans des données d’entraînement. Les enregistrements sans contenu, comme le nombre de tokens et les durées, restent généralement conservés.

[PII (données d’identification personnelle)](https://broadrouter.com/fr/glossary/pii/)

Les PII (personally identifiable information) sont les informations permettant de distinguer ou de retrouver l’identité d’une personne, comme un nom, un numéro d’identité ou des données biométriques, et toute information qui lui est liée ou rattachable. Le RGPD parle plus largement de données personnelles. Avec les LLM, le masquage des PII les retire des prompts avant qu’ils quittent vos systèmes.

[Prompt système (system prompt)](https://broadrouter.com/fr/glossary/system-prompt/)

Le prompt système est le texte d’instructions qu’une application envoie à un modèle de langage avant la conversation, généralement sous forme de message au rôle system ou developer. Il fixe le rôle, les règles, le ton et le format de sortie du modèle, qui est censé le suivre même face à des messages contradictoires de l’utilisateur.

## Questions fréquentes

### Un LLM fait-il mieux qu’une API de traduction spécialisée pour l’arabe ?

Pour des textes courts et génériques, l’écart peut être faible. Les LLM l’emportent quand vous devez maîtriser le ton, les termes du glossaire, la mise en forme ou une entrée en dialecte, car vous pouvez dire exactement ce que vous voulez dans le prompt.

### Le modèle peut-il traduire de l’arabe dialectal vers l’anglais ?

Souvent oui, car la traduction dépend de la compréhension, et les modèles comprennent les dialectes mieux qu’ils ne les écrivent. BroadNet indique que Qwen3.8 27B a compris les dialectes du Golfe et égyptien dans ses tests. Vérifiez un échantillon avec des locuteurs natifs.

### Faut-il traduire automatiquement des documents juridiques ?

Utilisez un LLM pour un premier jet et pour la compréhension, mais faites relire par un traducteur qualifié tout ce qui a une portée juridique. De nombreuses juridictions exigent en outre une traduction humaine certifiée pour les dépôts officiels.

### Pourquoi ma traduction arabe compte-t-elle plus de tokens que l’anglais ?

Les tokenizers découpent souvent l’arabe en plus de tokens par mot que l’anglais. Collez un échantillon dans un compteur de tokens, puis confirmez avec usage.prompt\_tokens et usage.completion\_tokens d’une vraie requête.

### Quelle métrique utiliser pour évaluer la traduction automatique de l’arabe ?

Utilisez chrF comme score automatique par défaut, car les n-grammes de caractères gèrent mieux les clitiques et les variantes d’écriture arabes que BLEU. Ajoutez COMET si vous pouvez le faire tourner, et faites noter à l’aveugle 30 segments ou plus par système par des locuteurs natifs.

## À lire ensuite

-   [Choisir une API LLM pour l’arabe : ce qu’il faut tester](https://broadrouter.com/fr/blog/choosing-an-llm-for-arabic/)
-   [Prompt engineering en arabe : registre, RTL, chiffres et texte mixte](https://broadrouter.com/fr/blog/arabic-prompt-engineering/)
-   [Tokens par mot, arabe ou anglais : pourquoi l’arabe coûte plus cher](https://broadrouter.com/fr/blog/tokens-per-word-arabic-english/)
-   [Mode JSON ou json\_schema : une sortie structurée qui tient](https://broadrouter.com/fr/blog/structured-output-json-schema/)
-   [Traduire les chaînes d’app en arabe par LLM : variables et pluriels](https://broadrouter.com/fr/blog/translate-app-strings-to-arabic-llm/)
-   [Traduire un audio arabe en texte anglais par API : un pipeline testé](https://broadrouter.com/fr/blog/translate-arabic-audio-to-english/)
-   [Vocaliser un texte arabe avec un LLM : prompt, contrôles, DER](https://broadrouter.com/fr/blog/arabic-diacritization-llm/)
-   [Correction grammaticale et orthographique de l’arabe par LLM : guide](https://broadrouter.com/fr/blog/arabic-grammar-spelling-correction-llm/)
-   [Guide : Utiliser le SDK Python d’OpenAI avec BroadNet Inference](https://broadrouter.com/fr/guides/openai-python-sdk/)
-   [Guide : Lire des factures et reçus arabes avec un modèle de vision](https://broadrouter.com/fr/guides/read-arabic-invoices-with-vision/)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

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

**Sources**

-   [Page des tarifs de BroadNet Inference, mention « Tested in Arabic » pour Qwen3.8 27B (consultée le 2026-11-14) (en anglais)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-blog-arabic-english-translation-llm&utm_content=sources)
-   [Popović, chrF: character n-gram F-score for automatic MT evaluation (WMT 2015 ; consulté le 2026-11-14)](https://aclanthology.org/W15-3049/)
-   [Rei et al., COMET: A Neural Framework for MT Evaluation (arXiv 2009.09025 ; consulté le 2026-11-14)](https://arxiv.org/abs/2009.09025)
-   [NLLB Team, No Language Left Behind (évalué sur FLORES-200 ; arXiv 2207.04672 ; consulté le 2026-11-14)](https://arxiv.org/abs/2207.04672)
-   [Liste des langues de FLORES-200 (MSA plus arabe égyptien, najdi, levantin, mésopotamien, marocain, tunisien et ta’izzi-adeni ; consultée le 2026-11-14)](https://github.com/facebookresearch/flores/blob/main/flores200/README.md)
