---
title: "Tradurre dall’arabo all’inglese con un LLM: prompt e QA"
description: "Traduci dall’arabo all’inglese e viceversa con un’API LLM: prompt che mantengono il tono, glossari per i termini fissi, numeri e nomi, e come valutare la qualità."
url: https://broadrouter.com/it/blog/arabic-english-translation-llm/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/blog/arabic-english-translation-llm/) (aggiornato il 2026-11-14).

# Traduzione arabo–inglese con gli LLM: prompt, glossari, valutazione

A cura del team di BroadNet Inference · 5 min di lettura · Pubblicato 2026-11-14

Per tradurre tra arabo e inglese con un LLM, indica al modello pubblico, registro e un glossario di termini fissi, chiedigli di lasciare invariati numeri e nomi e traduci a blocchi della dimensione di un paragrafo. Valuta con chrF o COMET più una revisione di madrelingua. Nei test di BroadNet, Qwen3.8 27B ha tradotto con precisione tra arabo e inglese.

## Punti chiave

-   Indica direzione, pubblico e registro: «clienti retail in Arabia Saudita, MSA cortese» funziona meglio di «traduci in arabo».
-   Un glossario di termini fissi mantiene identici i termini di prodotto, legali e dell’interfaccia in ogni blocco e in ogni chiamata.
-   Controlla numeri, date, nomi e negazioni nel codice o in revisione: sono gli errori che costano cari.
-   Usa chrF o COMET per i punteggi automatici, e revisori madrelingua per tutto ciò che è rivolto ai clienti o ha valore legale.
-   BroadNet riporta che nei suoi test Qwen3.8 27B ha tradotto con precisione tra arabo e inglese.

**In questa pagina**

1.  Perché la traduzione arabo–inglese è insidiosa per gli LLM?
2.  Quale prompt dà buone traduzioni in arabo?
3.  Perché il glossario conta così tanto?
4.  Come conviene dividere i documenti lunghi?
5.  Come si intercettano gli errori pericolosi?
6.  Come si valuta la qualità della traduzione?
7.  Quale modello usare, e quanto costerà?
8.  Si possono inviare contratti e ticket all’API?

Per tradurre tra arabo e inglese con un LLM, indica al modello direzione, pubblico e registro, dagli un glossario di termini fissi, lascia invariati numeri e nomi e invia blocchi della dimensione di un paragrafo. Poi controlla numeri e negazioni nel codice e valuta con chrF, COMET e un revisore madrelingua.

Questo controllo conta in arabo, dove una traduzione letterale può essere corretta e suonare comunque straniera.

## Perché la traduzione arabo–inglese è insidiosa per gli LLM?

-   **Registro.** L’arabo formale ([arabo standard moderno](https://broadrouter.com/it/glossary/msa/), فصحى) e la lingua di tutti i giorni sono molto diversi. Una frase di marketing informale in inglese può diventare rigida o comica in un MSA letterale.
-   **Ordine delle parole e lunghezza.** Le frasi arabe iniziano spesso con il verbo, e il testo arabo ha spesso una lunghezza diversa da quello inglese. Stringhe dell’interfaccia che in inglese ci stanno possono andare a capo o traboccare.
-   **Genere e numero.** L’arabo marca il genere su verbi, aggettivi e pronomi, e ha il duale. Il «you» inglese deve diventare أنتَ, أنتِ, أنتما, أنتم o أنتنّ. Se non conosci chi legge, di’ al modello quale forma usare come predefinita.
-   **Nomi e traslitterazione.** «محمد» ha molte grafie inglesi (Mohammed, Muhammad, Mohamed). Scegline una per persona e mantienila.
-   **Numeri e date.** Cifre arabo-orientali, date dell’egira e formattazione da destra a sinistra richiedono tutte regole esplicite.

## Quale prompt dà buone traduzioni in arabo?

La qualità della traduzione dipende molto più dalle istruzioni che da formulazioni ingegnose. Indica al modello direzione, pubblico, registro, glossario e formato di 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
```

Per arabo → inglese, inverti la direzione e aggiungi ciò che serve al lettore inglese: «inglese americano, stile semplice, mantieni i nomi propri arabi nella grafia indicata nel glossario». Se la fonte può essere dialettale, dillo: «La fonte può essere arabo del Golfo o egiziano; traduci il significato, non parola per parola».

## Perché il glossario conta così tanto?

Senza glossario, un modello può tradurre «refund» con استرجاع in un paragrafo e con استرداد nel successivo. Sono entrambi arabo corretto; insieme sembrano trascurati e rompono la ricerca. Il glossario risolve il problema:

1.  **Parti dalle traduzioni che hai già.** Estrai i termini da help center, contratti e stringhe dell’interfaccia che hai già in entrambe le lingue.
2.  **Tienilo corto.** Da cinquanta a duecento termini coprono la maggior parte dei prodotti. Metti solo i termini che non devono variare.
3.  **Includi gli elementi da non tradurre.** Nomi di marchi, di prodotti, dei piani e identificatori del codice.
4.  **Mettilo nel system prompt, prima del testo.** Così resta anche nel prefisso memorizzabile in cache, che abbassa il costo dell’input nelle chiamate ripetute; vedi [token di input in cache](https://broadrouter.com/it/blog/cached-input-tokens-explained/).
5.  **Verificalo nel codice.** Dopo la traduzione, controlla che ogni termine del glossario presente nella fonte compaia nel testo di arrivo nella sua forma fissa.

## Come conviene dividere i documenti lunghi?

Traduci a blocchi di paragrafo o di sezione, non frase per frase. Le chiamate a livello di frase perdono il contesto (chi è «lui», a quale prodotto si riferisce «esso»). Le chiamate sull’intero documento funzionano con i modelli a contesto lungo, ma un singolo errore è più difficile da trovare e da ritentare. Una sezione di qualche centinaio di parole è un buon equilibrio. Se la coerenza conta, passa come contesto la traduzione della sezione precedente.

[Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/) ha un contesto di 262.144 token; [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/) e [GLM 5.3](https://broadrouter.com/it/models/glm-5.3/) arrivano fino a 1.048.576 token, abbastanza per includere un lungo documento di riferimento accanto al testo da tradurre.

## Come si intercettano gli errori pericolosi?

Un output fluente nasconde gli errori. Controlla questi punti in automatico:

-   **Numeri:** estrai tutti i numeri da fonte e traduzione (dopo aver convertito le cifre arabo-orientali) e confronta gli insiemi.
-   **Negazione:** un «non» perso (لا, لم, لن, ليس, ما) ribalta il significato. Segnala le frasi in cui la fonte ha una negazione e la traduzione no.
-   **Nomi e termini del glossario:** verifica che siano sopravvissuti invariati.
-   **Rapporto di lunghezza:** una traduzione molto più corta del previsto di solito significa che qualcosa è stato saltato.

```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
```

Il separatore decimale può cambiare da una locale all’altra (il testo arabo a volte usa ٫), quindi normalizza anche quello se i tuoi documenti lo usano.

## Come si valuta la qualità della traduzione?

Le metriche automatiche ti dicono se una modifica al prompt o al modello ha migliorato o peggiorato le cose in media:

| Metrica | Cosa misura | Note per l’arabo |
| --- | --- | --- |
| BLEU | Sovrapposizione di n-grammi di parole con un riferimento | Severa con l’arabo, dove clitici e varianti grafiche cambiano la forma delle parole |
| [chrF](https://aclanthology.org/W15-3049/) | Sovrapposizione di n-grammi di caratteri | Più tollerante con la morfologia araba; una scelta predefinita migliore |
| [COMET](https://arxiv.org/abs/2009.09025) | Il giudizio di qualità di un modello neurale | Correla meglio con le valutazioni umane; richiede una GPU o uno scorer in hosting |

Come benchmark pubblico, FLORES-200, usato dal progetto [No Language Left Behind](https://arxiv.org/abs/2207.04672), include l’arabo standard moderno e l’arabo egiziano, najdi, levantino del nord e del sud, mesopotamico, marocchino, tunisino e ta‘izzi-adeni, oltre all’inglese, secondo il suo [elenco delle lingue](https://github.com/facebookresearch/flores/blob/main/flores200/README.md). Ma il vero test sono i tuoi contenuti:

1.  Prendi da 100 a 200 segmenti rappresentativi che hanno già una traduzione professionale.
2.  Traducili con ogni modello e ogni versione del prompt.
3.  Calcola chrF (e COMET, se puoi), dopo aver normalizzato l’ortografia araba nello stesso modo per tutti i sistemi.
4.  Fai valutare a un madrelingua 30 segmenti per sistema per accuratezza e naturalezza, senza sapere quale sistema li ha prodotti.
5.  Tieni il conto dei controlli sugli errori pericolosi visti sopra come voce separata.

## Quale modello usare, e quanto costerà?

BroadNet riporta che nei suoi test [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/) ha tradotto con precisione tra arabo e inglese, ha scritto un arabo fluente e ha capito i dialetti del Golfo ed egiziano. Questo lo rende il primo candidato naturale su BroadNet Inference. Vale la pena provare anche [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/): i suoi token di output costano meno, ed è il modello dei piani flat illimitati. Il [confronto tra DeepSeek V4.1 Flash e Qwen3.8 27B](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-qwen3.8-27b/) li mette fianco a fianco.

Per 1M di token:

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

L’output di una traduzione è lungo più o meno quanto l’input, e tutti e tre i modelli ragionano prima di rispondere, quindi di solito sono i token di output a pesare di più sulla fattura. L’arabo inoltre tende a richiedere più token per parola dell’inglese; vedi [token per parola in arabo e in inglese](https://broadrouter.com/it/blog/tokens-per-word-arabic-english/). Incolla un campione nel [contatore di token per l’arabo](https://broadrouter.com/tools/arabic-token-counter/) gratuito, verifica con `usage` di una richiesta reale, poi proietta la spesa mensile con il [calcolatore dei costi delle API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). Per un grande progetto di localizzazione una tantum su DeepSeek V4.1 Flash, il piano settimanale da $15 elimina del tutto il contatore dei token.

## Si possono inviare contratti e ticket all’API?

Contratti, lettere mediche e ticket di supporto contengono spesso dati personali. BroadNet Inference non conserva prompt né output dopo la richiesta; vedi [zero data retention](https://broadrouter.com/it/privacy/). Verifica che la tua memoria di traduzione e i tuoi log seguano le stesse regole.

Strumenti gratuiti sul tema (in inglese)

-   [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.

[Strumenti gratuiti (in inglese)](https://broadrouter.com/tools/)

## Termini in questo articolo

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

Un token è l’unità di testo che un modello linguistico legge e scrive: una parola, una parte di parola, un segno di punteggiatura o una sequenza di byte prodotta dal tokenizer del modello. Le API LLM contano, limitano e di solito fatturano l’uso in token.

[Arabo standard moderno (MSA)](https://broadrouter.com/it/glossary/msa/)

L’arabo standard moderno (MSA) è la forma standardizzata dell’arabo usata nella scrittura, nei notiziari, nell’istruzione e nei discorsi formali in tutto il mondo arabo. Non è la lingua madre quotidiana di nessuno: le persone parlano dialetti regionali, come l’egiziano o l’arabo del Golfo, e passano all’MSA nei contesti formali.

[Token di input e di output](https://broadrouter.com/it/glossary/input-and-output-tokens/)

I token di input sono quelli che un modello linguistico legge in una richiesta: system prompt, cronologia, definizioni degli strumenti e immagini. I token di output sono quelli che genera in risposta, ragionamento compreso. Le API LLM di solito li prezzano separatamente, e l’output costa di più.

[Arabo dialettale (dialectal Arabic)](https://broadrouter.com/it/glossary/dialectal-arabic/)

L’arabo dialettale è l’arabo parlato ogni giorno in una regione o in una città, come l’arabo egiziano, del Golfo, levantino o maghrebino. I dialetti differiscono dall’arabo standard moderno per suoni, parole e grammatica, non hanno un’ortografia standard e si scrivono sempre più online, il che li rende più difficili per i modelli linguistici.

[Tool calling (chiamata di strumenti)](https://broadrouter.com/it/glossary/tool-calling/)

Il tool calling, detto anche function calling, è una funzionalità delle API LLM in cui il modello restituisce una richiesta strutturata di eseguire una funzione definita dallo sviluppatore, con argomenti JSON. L’applicazione esegue la funzione e rimanda il risultato; il modello non esegue mai codice da solo.

[Zero data retention (nessuna conservazione dei dati)](https://broadrouter.com/it/glossary/zero-data-retention/)

La zero data retention (ZDR) è una policy di gestione dei dati in cui un provider AI elabora prompt e output solo per servire una richiesta e poi non ne conserva il contenuto, né in log né in cache né in dati di addestramento. Di solito restano registri senza contenuti, come conteggi di token e tempi.

[System prompt (prompt di sistema)](https://broadrouter.com/it/glossary/system-prompt/)

Il system prompt è il testo di istruzioni che un’applicazione invia a un modello linguistico prima della conversazione, di solito come messaggio con ruolo system o developer. Stabilisce ruolo, regole, tono e formato di output del modello, che dovrebbe seguirlo anche quando i messaggi dell’utente lo contraddicono.

[Token di input in cache (cached input)](https://broadrouter.com/it/glossary/cached-input-tokens/)

I token di input in cache sono token del prompt che un provider LLM ha elaborato da poco e può riusare da una cache invece di ricalcolarli, di solito un prefisso ripetuto come un system prompt o un documento. I provider li fatturano a una tariffa più bassa dei token di input nuovi.

## Domande frequenti

### Per l’arabo è meglio un LLM o un’API di traduzione dedicata?

Per testi brevi e generici la differenza può essere piccola. Gli LLM vincono quando ti serve controllo su tono, termini del glossario, formattazione o input in dialetto, perché nel prompt puoi dire esattamente cosa vuoi.

### Il modello può tradurre l’arabo dialettale in inglese?

Spesso sì, perché la traduzione dipende dalla comprensione, e i modelli capiscono i dialetti meglio di quanto li scrivano. BroadNet riporta che nei suoi test Qwen3.8 27B ha capito i dialetti del Golfo ed egiziano. Fai controllare un campione a dei madrelingua.

### I documenti legali si possono tradurre in automatico?

Usa un LLM per una prima bozza e per capire il testo, ma fai rivedere a un traduttore qualificato tutto ciò che ha effetti legali. Molti ordinamenti richiedono inoltre una traduzione umana certificata per gli atti ufficiali.

### Perché la mia traduzione araba ha più token dell’inglese?

I tokenizer spesso dividono l’arabo in più token per parola rispetto all’inglese. Incolla un campione in un contatore di token, poi verifica con usage.prompt\_tokens e usage.completion\_tokens di una richiesta reale.

### Quale metrica usare per valutare la traduzione automatica dall’arabo?

Usa chrF come punteggio automatico predefinito, perché gli n-grammi di caratteri gestiscono i clitici e le varianti grafiche dell’arabo meglio di BLEU. Aggiungi COMET se puoi eseguirlo, e fai valutare alla cieca 30 o più segmenti per sistema a dei madrelingua.

## Continua a leggere

-   [Scegliere un’API LLM per l’arabo: cosa testare](https://broadrouter.com/it/blog/choosing-an-llm-for-arabic/)
-   [Prompt engineering in arabo: registro, RTL, cifre e testo misto](https://broadrouter.com/it/blog/arabic-prompt-engineering/)
-   [Token per parola in arabo e in inglese: perché l’arabo costa di più](https://broadrouter.com/it/blog/tokens-per-word-arabic-english/)
-   [JSON mode o json\_schema: output strutturato che regge in produzione](https://broadrouter.com/it/blog/structured-output-json-schema/)
-   [Stringhe di un’app in arabo con un LLM: placeholder e plurali](https://broadrouter.com/it/blog/translate-app-strings-to-arabic-llm/)
-   [Tradurre audio arabo in testo inglese con un’API: una pipeline testata](https://broadrouter.com/it/blog/translate-arabic-audio-to-english/)
-   [Aggiungere i diacritici all’arabo con un LLM: prompt, controlli, DER](https://broadrouter.com/it/blog/arabic-diacritization-llm/)
-   [Correzione grammaticale e ortografica dell’arabo con un LLM: guida](https://broadrouter.com/it/blog/arabic-grammar-spelling-correction-llm/)
-   [Guida: Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/)
-   [Guida: Leggere fatture e scontrini in arabo con un modello vision](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Pagina prezzi di BroadNet Inference, nota «Tested in Arabic» su Qwen3.8 27B (consultata il 2026-11-14) (in inglese)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-blog-arabic-english-translation-llm&utm_content=sources)
-   [Popović, chrF: character n-gram F-score for automatic MT evaluation (WMT 2015; consultato il 2026-11-14)](https://aclanthology.org/W15-3049/)
-   [Rei et al., COMET: A Neural Framework for MT Evaluation (arXiv 2009.09025; consultato il 2026-11-14)](https://arxiv.org/abs/2009.09025)
-   [NLLB Team, No Language Left Behind (valutato su FLORES-200; arXiv 2207.04672; consultato il 2026-11-14)](https://arxiv.org/abs/2207.04672)
-   [Elenco delle lingue di FLORES-200 (MSA più arabo egiziano, najdi, levantino, mesopotamico, marocchino, tunisino e ta‘izzi-adeni; consultato il 2026-11-14)](https://github.com/facebookresearch/flores/blob/main/flores200/README.md)
