BroadRouter

LLM によるアラビア語と英語の翻訳:プロンプト、用語集、評価

BroadNet Inference チーム · 約 5 分で読めます · 公開日

LLM でアラビア語と英語を翻訳するには、読み手、文体、固定用語の用語集をモデルに伝え、数字と名前は変えないよう指示し、段落程度の大きさに分けて翻訳します。評価は chrF か COMET とネイティブのレビューで行います。BroadNet のテストでは、Qwen3.8 27B がアラビア語と英語の間を正確に翻訳しました。

LLM でアラビア語と英語を翻訳するには、翻訳の方向、読み手、文体をモデルに伝え、固定用語の用語集を渡し、数字と名前は変えずに、段落程度の大きさに分けて送ります。そのうえで数字と否定をコードで確認し、chrF、COMET、ネイティブのレビュー担当者で評価します。

こうした制御はアラビア語では特に重要です。直訳は正しくても、外国語のように読めてしまうことがあるからです。

LLM にとってアラビア語⇔英語の翻訳が難しいのはなぜですか?

  • **文体。**正式なアラビア語(現代標準アラビア語、فصحى)と日常の話し言葉は大きく異なります。英語では気軽なマーケティングの一文も、MSA に直訳すると堅苦しく、あるいは滑稽になりかねません。
  • **語順と長さ。**アラビア語の文は動詞で始まることが多く、テキストの長さも英語と違うことがよくあります。英語では収まる UI 文字列が、折り返したりはみ出したりすることがあります。
  • **性と数。**アラビア語は動詞、形容詞、代名詞で性を区別し、双数もあります。英語の「you」は أنتَ、أنتِ、أنتما、أنتم、أنتنّ のいずれかにしなければなりません。読み手がわからない場合は、どれを既定にするかをモデルに伝えてください。
  • 名前と翻字。「محمد」には英語の綴りが多数あります(Mohammed、Muhammad、Mohamed)。1 人につき 1 つに決めて統一します。
  • **数字と日付。**東アラビア数字、ヒジュラ暦の日付、右から左の書式には、どれも明示的なルールが必要です。

良いアラビア語訳を得るプロンプトとは?

翻訳の品質は、巧みな言い回しよりも指示の内容に大きく左右されます。翻訳の方向、読み手、文体、用語集、出力形式をモデルに伝えます。

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

アラビア語 → 英語の場合は方向を逆にし、英語の読み手に必要なことを加えます。たとえば「American English, plain style, keep Arabic personal names in the spelling given in the glossary」(訳:アメリカ英語、平易な文体、アラビア語の人名は用語集の綴りを使う)です。原文が方言の可能性があるなら、「The source may be Gulf or Egyptian Arabic; translate the meaning, not word for word.」(訳:原文は湾岸またはエジプトのアラビア語の可能性がある。逐語訳ではなく意味を訳す)と書きます。

なぜ用語集がそれほど重要なのですか?

用語集がないと、モデルは「refund」をある段落では استرجاع、次の段落では استرداد と訳すかもしれません。どちらも正しいアラビア語ですが、混在すると雑に見え、検索も機能しなくなります。用語集でこれを防ぎます。

  1. **既存の訳から始める。**ヘルプセンター、契約書、すでに両言語で存在する UI 文字列から用語を抽出します。
  2. **短く保つ。**50〜200 語あれば、ほとんどの製品をカバーできます。揺れてはいけない用語だけを入れます。
  3. **翻訳しない項目を含める。**ブランド名、製品名、プラン名、コードの識別子です。
  4. **システムプロンプトの、本文より前に置く。**こうするとキャッシュ可能なプレフィックスにも入り、繰り返し呼び出す際の入力コストが下がります。キャッシュされた入力トークンを参照してください。
  5. **コードで確認する。**翻訳後、原文に出てきた各用語が、訳文に固定の形で出ているか検証します。

長い文書はどう分割すべきですか?

1 文ずつではなく、段落やセクション単位で翻訳します。文単位の呼び出しでは文脈(「彼」が誰か、「それ」がどの製品か)が失われます。文書全体を 1 回で送る方法も長コンテキストのモデルなら可能ですが、1 つの誤りを見つけて再試行するのが難しくなります。数百語のセクションがちょうどよいバランスです。一貫性が重要なら、前のセクションの訳を文脈として渡してください。

Qwen3.8 27B のコンテキストは 262,144 トークン、DeepSeek V4.1 Flash と GLM 5.3 は最大 1,048,576 トークンで、翻訳するテキストと一緒に長い参考文書を含めるのに十分です。

危険な誤りはどう見つけますか?

流暢な出力は誤りを隠します。次の項目は自動で確認します。

  • **数字:**原文と訳文からすべての数字を抽出し(東アラビア数字は変換してから)、集合を比べます。
  • 否定:「not」(لا、لم、لن、ليس、ما)が抜けると意味が逆になります。原文に否定があるのに訳文にない文に印を付けます。
  • **名前と用語:**変わらずに残っているか確認します。
  • **長さの比率:**訳文が予想よりはるかに短い場合、たいてい何かが抜けています。
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

小数点の記号はロケールによって異なることがあります(アラビア語のテキストでは ٫ を使うこともあります)。文書で使われているなら、それも正規化してください。

翻訳品質はどう評価しますか?

自動指標は、プロンプトやモデルの変更によって平均的に良くなったか悪くなったかを教えてくれます。

指標 測るもの アラビア語での注意点
BLEU 参照訳との単語 n-gram の重なり 接語や表記ゆれで語形が変わるアラビア語には厳しい
chrF 文字 n-gram の重なり アラビア語の形態に寛容で、既定として適している
COMET ニューラルモデルによる品質判定 人手評価との相関が高い。GPU かホスト型の評価サービスが必要

公開ベンチマークとしては、No Language Left Behind プロジェクトで使われた FLORES-200 が、その言語リストによれば、英語に加えて現代標準アラビア語と、エジプト、ナジュド、北レバント、南レバント、メソポタミア、モロッコ、チュニジア、タイズ・アデンの各アラビア語を含んでいます。しかし、本当のテストは自社のコンテンツです。

  1. 既存のプロの訳がある代表的なセグメントを 100〜200 個選びます。
  2. 各モデルと各プロンプトのバージョンで翻訳します。
  3. すべてのシステムでアラビア語の表記を同じ方法で正規化してから、chrF(可能なら COMET も)を計算します。
  4. ネイティブスピーカーに、どのシステムの出力かを伏せたうえで、システムごとに 30 セグメントを正確さと自然さで評価してもらいます。
  5. 上記の危険な誤りのチェックは、別のカウントとして追跡します。

どのモデルを使い、コストはどのくらいですか?

BroadNet は、自社のテストで Qwen3.8 27B がアラビア語と英語の間を正確に翻訳し、流暢なアラビア語を書き、湾岸方言とエジプト方言を理解したと報告しています。そのため、BroadNet Inference では最初に試す候補として自然です。DeepSeek V4.1 Flash も試す価値があります。出力トークンが安く、無制限の定額プランで使われるモデルです。DeepSeek V4.1 Flash と Qwen3.8 27B の比較で両者を並べて比べています。

100 万トークンあたりの料金:

モデル 入力 出力
Qwen3.8 27B $0.175 $2.17
DeepSeek V4.1 Flash $0.175 $0.52
GLM 5.3 $0.78 $3.46

翻訳の出力は入力とほぼ同じ長さで、3 つのモデルはいずれも回答前に推論するので、料金の大半は通常出力トークンが占めます。アラビア語は英語より 1 語あたりのトークンが多くなる傾向もあります。アラビア語と英語の 1 語あたりのトークン数を参照してください。サンプルを無料のアラビア語トークンカウンターに貼り付け、実際のリクエストの usage で確認し、LLM API コスト計算ツールで月額を見積もってください。DeepSeek V4.1 Flash で大規模なローカライズを一度だけ行うなら、$15 の週間プランでトークンの従量課金を完全になくせます。

契約書やチケットを API に送っても大丈夫ですか?

契約書、医療関係の書簡、サポートチケットには個人データが含まれることがよくあります。BroadNet Inference はリクエスト後にプロンプトも出力も保持しません。ゼロデータ保持を参照してください。翻訳メモリやログも同じルールに従っているか確認してください。

よくある質問

アラビア語の翻訳では、専用の翻訳 API より LLM のほうが優れていますか?

短く一般的なテキストなら、差は小さいかもしれません。口調、用語、書式、方言の入力を制御したい場合は LLM が有利です。プロンプトで望むことを正確に伝えられるからです。

モデルは方言のアラビア語を英語に翻訳できますか?

たいていはできます。翻訳は理解に依存し、モデルは方言を書くより理解するほうが得意だからです。BroadNet は、自社のテストで Qwen3.8 27B が湾岸方言とエジプト方言を理解したと報告しています。ネイティブスピーカーにサンプルを確認してもらってください。

法的文書を機械翻訳してもよいですか?

下訳や内容の理解には LLM を使えますが、法的効力のある文書は資格のある翻訳者に確認してもらってください。公的な提出書類には認証された人手の翻訳を求める法域も多くあります。

アラビア語の訳文のほうが英語よりトークンが多いのはなぜですか?

トークナイザーは、アラビア語を英語より 1 語あたり多くのトークンに分割することがよくあります。サンプルをトークンカウンターに貼り付け、実際のリクエストの usage.prompt_tokens と usage.completion_tokens で確認してください。

アラビア語の機械翻訳の評価にはどの指標を使うべきですか?

既定の自動評価には chrF を使います。文字 n-gram は BLEU よりアラビア語の接語や表記ゆれにうまく対応できるからです。可能なら COMET も加え、システムごとに 30 セグメント以上をネイティブスピーカーにブラインドで評価してもらってください。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く