---
title: "Terjemahan Arab Inggeris dengan LLM: prompt dan QA | BroadRouter"
description: "Terjemah bahasa Arab ke Inggeris dan sebaliknya dengan API LLM: prompt yang mengekalkan nada, glosari istilah tetap, nombor dan nama, serta cara menilai kualiti."
url: https://broadrouter.com/ms/blog/arabic-english-translation-llm/
lang: ms
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Diterjemahkan daripada bahasa Inggeris dengan bantuan AI. [Baca versi asal dalam bahasa Inggeris](https://broadrouter.com/blog/arabic-english-translation-llm/) (dikemas kini 2026-11-14).

# Terjemahan Arab–Inggeris dengan LLM: prompt, glosari, penilaian

Oleh pasukan BroadNet Inference · 5 minit bacaan · Diterbitkan 2026-11-14

Untuk menterjemah bahasa Arab dan Inggeris dengan LLM, beri model khalayak, laras bahasa dan glosari istilah tetap, minta ia mengekalkan nombor dan nama tanpa perubahan, dan terjemah dalam cebisan sebesar perenggan. Nilai dengan chrF atau COMET serta semakan penutur asli. Dalam ujian BroadNet, Qwen3.8 27B menterjemah dengan tepat antara bahasa Arab dan Inggeris.

## Perkara utama

-   Nyatakan arah, khalayak dan laras: "Saudi retail customers, polite MSA" lebih baik daripada "translate to Arabic".
-   Glosari istilah tetap memastikan istilah produk, undang-undang dan UI kekal sama dalam setiap cebisan dan setiap panggilan.
-   Semak nombor, tarikh, nama dan penafian dalam kod atau melalui semakan; ralat itulah yang mahal.
-   Gunakan chrF atau COMET untuk skor automatik, dan penyemak penutur asli untuk apa-apa yang berdepan pelanggan atau berkaitan undang-undang.
-   BroadNet melaporkan terjemahan Arab–Inggeris yang tepat daripada Qwen3.8 27B dalam ujiannya.

**Dalam halaman ini**

1.  Mengapakah terjemahan Arab–Inggeris sukar bagi LLM?
2.  Prompt apakah yang memberi terjemahan Arab yang baik?
3.  Mengapakah glosari begitu penting?
4.  Bagaimanakah anda patut memecahkan dokumen panjang?
5.  Bagaimanakah anda menangkap ralat yang berbahaya?
6.  Bagaimanakah anda menilai kualiti terjemahan?
7.  Model manakah patut anda gunakan, dan berapakah kosnya?
8.  Bolehkah anda menghantar kontrak dan tiket ke API?

Untuk menterjemah antara bahasa Arab dan Inggeris dengan LLM, beritahu model arah, khalayak dan laras bahasa, beri glosari istilah tetap, kekalkan nombor dan nama tanpa perubahan, dan hantar cebisan sebesar perenggan. Kemudian semak nombor dan penafian dalam kod dan skor dengan chrF, COMET dan penyemak penutur asli.

Kawalan itu penting dalam bahasa Arab, di mana terjemahan literal boleh betul tetapi masih kedengaran asing.

## Mengapakah terjemahan Arab–Inggeris sukar bagi LLM?

-   **Laras bahasa.** Bahasa Arab formal ([bahasa Arab Standard Moden](https://broadrouter.com/ms/glossary/msa/), فصحى) dan pertuturan harian sangat berbeza. Ayat pemasaran yang santai dalam bahasa Inggeris boleh menjadi kaku atau lucu dalam MSA literal.
-   **Susunan dan panjang perkataan.** Ayat Arab sering bermula dengan kata kerja, dan teks Arab selalunya berbeza panjang daripada bahasa Inggeris. Rentetan UI yang muat dalam bahasa Inggeris mungkin berbalut atau melimpah.
-   **Jantina dan bilangan.** Bahasa Arab menandakan jantina pada kata kerja, kata sifat dan kata ganti nama, dan mempunyai bentuk dual. “You” dalam bahasa Inggeris mesti menjadi أنتَ, أنتِ, أنتما, أنتم atau أنتنّ. Jika anda tidak mengenali pembaca, beritahu model lalai mana yang hendak digunakan.
-   **Nama dan transliterasi.** “محمد” mempunyai banyak ejaan Inggeris (Mohammed, Muhammad, Mohamed). Pilih satu bagi setiap orang dan kekalkannya.
-   **Nombor dan tarikh.** Angka Arab Timur, tarikh Hijrah dan format kanan-ke-kiri semuanya memerlukan peraturan yang jelas.

## Prompt apakah yang memberi terjemahan Arab yang baik?

Kualiti terjemahan jauh lebih bergantung pada arahan daripada susunan kata yang bijak. Beritahu model arah, khalayak, laras, glosari dan format 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
```

Untuk Arab → Inggeris, terbalikkan arah dan tambah apa yang diperlukan pembaca Inggeris: “American English, plain style, keep Arabic personal names in the spelling given in the glossary” (Terjemahan: bahasa Inggeris Amerika, gaya ringkas, kekalkan nama peribadi Arab dalam ejaan yang diberi dalam glosari). Jika sumber mungkin dialek, nyatakannya: “The source may be Gulf or Egyptian Arabic; translate the meaning, not word for word.” (Terjemahan: Sumber mungkin bahasa Arab Teluk atau Mesir; terjemah maknanya, bukan perkataan demi perkataan.)

## Mengapakah glosari begitu penting?

Tanpa glosari, model mungkin menterjemah “refund” sebagai استرجاع dalam satu perenggan dan استرداد dalam perenggan seterusnya. Kedua-duanya bahasa Arab yang baik; bersama-sama ia kelihatan cuai dan merosakkan carian. Glosari membetulkannya:

1.  **Mulakan daripada terjemahan sedia ada.** Ekstrak istilah daripada pusat bantuan, kontrak dan rentetan UI yang sudah ada dalam kedua-dua bahasa.
2.  **Pastikan ia ringkas.** Lima puluh hingga dua ratus istilah meliputi kebanyakan produk. Masukkan hanya istilah yang tidak boleh berubah.
3.  **Sertakan item jangan-terjemah.** Nama jenama, nama produk, nama pelan dan pengecam kod.
4.  **Letakkan dalam prompt sistem, sebelum teks.** Itu juga mengekalkannya dalam awalan yang boleh di-cache, yang mengurangkan kos input pada panggilan berulang; lihat [token input cache](https://broadrouter.com/ms/blog/cached-input-tokens-explained/).
5.  **Semaknya dalam kod.** Selepas terjemahan, sahkan bahawa setiap istilah glosari yang muncul dalam sumber muncul dalam bentuk tetapnya dalam sasaran.

## Bagaimanakah anda patut memecahkan dokumen panjang?

Terjemah dalam cebisan perenggan atau seksyen, bukan ayat demi ayat. Panggilan peringkat ayat kehilangan konteks (siapa “dia”, produk mana yang dirujuk oleh “ia”). Panggilan dokumen penuh berfungsi pada model konteks panjang, tetapi satu kesilapan lebih sukar dicari dan dicuba semula. Satu seksyen beberapa ratus perkataan ialah keseimbangan yang baik. Hantar terjemahan seksyen sebelumnya sebagai konteks jika konsistensi penting.

[Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) mempunyai konteks 262,144 token; [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) dan [GLM 5.3](https://broadrouter.com/ms/models/glm-5.3/) menerima sehingga 1,048,576 token, cukup untuk menyertakan dokumen rujukan yang panjang bersama teks yang anda terjemah.

## Bagaimanakah anda menangkap ralat yang berbahaya?

Output yang lancar menyembunyikan kesilapan. Semak perkara ini secara automatik:

-   **Nombor:** ekstrak setiap nombor daripada sumber dan sasaran (selepas menukar digit Arab Timur) dan bandingkan setnya.
-   **Penafian:** “not” yang tercicir (لا, لم, لن, ليس, ما) menterbalikkan makna. Tandakan ayat yang mempunyai penafian dalam sumber tetapi tiada dalam sasaran.
-   **Nama dan istilah glosari:** sahkan ia kekal tanpa perubahan.
-   **Nisbah panjang:** sasaran yang jauh lebih pendek daripada jangkaan biasanya bermakna ada yang tertinggal.

```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
```

Pemisah perpuluhan boleh berbeza antara lokal (teks Arab kadangkala menggunakan ٫), jadi normalkan itu juga jika dokumen anda menggunakannya.

## Bagaimanakah anda menilai kualiti terjemahan?

Metrik automatik memberitahu anda sama ada perubahan pada prompt atau model menjadikan hasil lebih baik atau lebih buruk secara purata:

| Metrik | Apa yang diukur | Nota untuk bahasa Arab |
| --- | --- | --- |
| BLEU | Pertindihan n-gram perkataan dengan rujukan | Keras terhadap bahasa Arab, di mana klitik dan varian ejaan mengubah bentuk perkataan |
| [chrF](https://aclanthology.org/W15-3049/) | Pertindihan n-gram aksara | Lebih bertolak ansur terhadap morfologi Arab; lalai yang lebih baik |
| [COMET](https://arxiv.org/abs/2009.09025) | Pertimbangan kualiti oleh model neural | Lebih berkorelasi dengan penilaian manusia; memerlukan GPU atau pemarkah yang dihos |

Untuk penanda aras awam: menurut [senarai bahasanya](https://github.com/facebookresearch/flores/blob/main/flores200/README.md), FLORES-200, yang digunakan oleh projek [No Language Left Behind](https://arxiv.org/abs/2207.04672), merangkumi bahasa Arab Standard Moden serta bahasa Arab Mesir, Najdi, Levant Utara dan Selatan, Mesopotamia, Maghribi, Tunisia dan Ta’izzi-Adeni bersama bahasa Inggeris. Tetapi kandungan anda sendiri ialah ujian sebenar:

1.  Ambil 100 hingga 200 segmen yang mewakili dengan terjemahan profesional sedia ada.
2.  Terjemahkannya dengan setiap model dan versi prompt.
3.  Skor chrF (dan COMET jika boleh), selepas menormalkan ejaan Arab dengan cara yang sama untuk semua sistem.
4.  Minta penutur asli menilai 30 segmen bagi setiap sistem untuk ketepatan dan kelancaran, tanpa mengetahui sistem mana yang menghasilkannya.
5.  Jejaki semakan ralat berbahaya di atas sebagai kiraan berasingan.

## Model manakah patut anda gunakan, dan berapakah kosnya?

BroadNet melaporkan bahawa [Qwen3.8 27B](https://broadrouter.com/ms/models/qwen3.8-27b/) menterjemah dengan tepat antara bahasa Arab dan Inggeris, menulis bahasa Arab dengan lancar dan memahami dialek Teluk dan Mesir dalam ujiannya. Itu menjadikannya calon pertama yang wajar di BroadNet Inference. [DeepSeek V4.1 Flash](https://broadrouter.com/ms/models/deepseek-v4.1-flash/) juga berbaloi diuji: token outputnya lebih murah, dan ia model pada pelan rata tanpa had. [Perbandingan DeepSeek V4.1 Flash vs Qwen3.8 27B](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-qwen3.8-27b/) meletakkan kedua-duanya bersebelahan.

Setiap 1J token:

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

Output terjemahan lebih kurang sama panjang dengan input, dan ketiga-tiga model membuat penaakulan sebelum menjawab, jadi token output biasanya mendominasi bil. Bahasa Arab juga cenderung memerlukan lebih banyak token setiap perkataan berbanding bahasa Inggeris; lihat [token setiap perkataan dalam bahasa Arab dan Inggeris](https://broadrouter.com/ms/blog/tokens-per-word-arabic-english/). Tampal sampel ke dalam [pengira token bahasa Arab](https://broadrouter.com/tools/arabic-token-counter/) percuma, sahkan dengan `usage` daripada permintaan sebenar, kemudian unjurkan perbelanjaan bulanan dengan [kalkulator kos API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). Untuk projek penyetempatan sekali sahaja yang besar pada DeepSeek V4.1 Flash, pelan mingguan $15 menghapuskan meter token sepenuhnya.

## Bolehkah anda menghantar kontrak dan tiket ke API?

Kontrak, surat perubatan dan tiket sokongan selalunya mengandungi data peribadi. BroadNet Inference tidak menyimpan prompt atau output selepas permintaan; lihat [pengekalan data sifar](https://broadrouter.com/ms/privacy/). Pastikan memori terjemahan dan log anda mengikut peraturan yang sama.

Alat percuma untuk topik ini (Bahasa Inggeris)

-   [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.

[Alatan percuma (Bahasa Inggeris)](https://broadrouter.com/tools/)

## Istilah dalam artikel ini

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

Token ialah unit teks yang dibaca dan ditulis oleh model bahasa: satu perkataan, sebahagian perkataan, tanda baca atau jujukan bait yang dihasilkan oleh tokenizer model itu. API LLM mengira, mengehadkan dan biasanya mengebil penggunaan dalam token.

[Bahasa Arab Standard Moden (MSA)](https://broadrouter.com/ms/glossary/msa/)

Bahasa Arab Standard Moden (MSA) ialah bentuk bahasa Arab yang diseragamkan untuk penulisan, berita, pendidikan dan pertuturan rasmi di seluruh dunia Arab. Ia bukan bahasa harian asli sesiapa: orang bertutur dalam dialek serantau seperti bahasa Arab Mesir atau Teluk dan beralih kepada MSA dalam situasi rasmi.

[Tetingkap konteks (context window)](https://broadrouter.com/ms/glossary/context-window/)

Tetingkap konteks ialah bilangan maksimum token yang boleh dikendalikan oleh model bahasa dalam satu permintaan. Ia meliputi prompt, sejarah perbualan, definisi alatan, imej dan output yang dijana, termasuk token penaakulan. Apa-apa yang tidak muat mesti dipotong, diringkaskan atau dipecahkan kepada beberapa permintaan.

[Dialek Arab (dialectal Arabic)](https://broadrouter.com/ms/glossary/dialectal-arabic/)

Dialek Arab ialah bahasa Arab pertuturan harian di sesuatu rantau atau bandar, seperti bahasa Arab Mesir, Teluk, Levant atau Maghribi. Dialek berbeza daripada Bahasa Arab Standard Moden dari segi bunyi, perkataan dan tatabahasa, tiada ejaan standard, dan semakin banyak ditulis dalam talian, menjadikannya lebih sukar bagi model bahasa.

[Token input dan output (input and output tokens)](https://broadrouter.com/ms/glossary/input-and-output-tokens/)

Token input ialah token yang dibaca oleh model bahasa dalam satu permintaan, termasuk prompt sistem, sejarah perbualan, definisi alatan dan imej. Token output ialah token yang dijananya sebagai balasan, termasuk sebarang penaakulan. API LLM biasanya meletakkan harga berasingan, dan output biasanya lebih mahal.

[Tool calling (panggilan alatan)](https://broadrouter.com/ms/glossary/tool-calling/)

Tool calling, juga dipanggil function calling, ialah ciri API LLM di mana model memulangkan permintaan berstruktur untuk menjalankan fungsi yang ditakrifkan oleh pembangun, bersama argumen JSON. Aplikasi menjalankan fungsi itu dan menghantar hasilnya kembali; model sendiri tidak pernah menjalankan kod.

[PII (maklumat pengenalan peribadi)](https://broadrouter.com/ms/glossary/pii/)

PII (personally identifiable information) ialah maklumat yang boleh digunakan untuk membezakan atau menjejak identiti seseorang, seperti nama, nombor pengenalan atau rekod biometrik, serta maklumat lain yang dikaitkan atau boleh dikaitkan dengan orang itu. Istilah GDPR yang lebih luas ialah data peribadi. Dalam kerja LLM, penyuntingan PII membuangnya daripada prompt sebelum ia keluar dari sistem anda.

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

Token input cache ialah token prompt yang baru sahaja diproses oleh penyedia LLM dan boleh diguna semula daripada cache tanpa dikira semula, biasanya awalan yang berulang seperti prompt sistem atau dokumen. Penyedia mengebilnya pada kadar lebih rendah daripada token input baharu.

## Soalan lazim

### Adakah LLM lebih baik daripada API terjemahan khusus untuk bahasa Arab?

Untuk teks pendek dan umum, perbezaannya mungkin kecil. LLM menang apabila anda memerlukan kawalan ke atas nada, istilah glosari, format atau input dialek, kerana anda boleh menyatakan dengan tepat apa yang anda mahu dalam prompt.

### Bolehkah model menterjemah bahasa Arab dialek ke bahasa Inggeris?

Selalunya boleh, kerana terjemahan bergantung pada kefahaman, dan model lebih memahami dialek berbanding menulisnya. BroadNet melaporkan Qwen3.8 27B memahami dialek Teluk dan Mesir dalam ujiannya. Semak sampel dengan penutur asli.

### Patutkah dokumen undang-undang diterjemah oleh mesin?

Gunakan LLM untuk draf pertama dan untuk memahami kandungan, tetapi minta penterjemah bertauliah menyemak apa-apa yang mempunyai kesan undang-undang. Banyak bidang kuasa juga mewajibkan terjemahan manusia yang diperakui untuk pemfailan rasmi.

### Mengapakah terjemahan Arab saya lebih panjang dalam token berbanding bahasa Inggeris?

Tokenizer selalunya memecahkan bahasa Arab kepada lebih banyak token setiap perkataan berbanding bahasa Inggeris. Tampal sampel ke dalam pengira token, kemudian sahkan dengan usage.prompt\_tokens dan usage.completion\_tokens daripada permintaan sebenar.

### Metrik manakah patut saya gunakan untuk menilai terjemahan mesin bahasa Arab?

Gunakan chrF sebagai skor automatik lalai, kerana n-gram aksara lebih mampu mengendalikan klitik dan varian ejaan Arab berbanding BLEU. Tambah COMET jika anda boleh menjalankannya, dan minta penutur asli menilai secara buta 30 segmen atau lebih bagi setiap sistem.

## Teruskan membaca

-   [Memilih API LLM untuk bahasa Arab: apa yang perlu diuji](https://broadrouter.com/ms/blog/choosing-an-llm-for-arabic/)
-   [Kejuruteraan prompt bahasa Arab: laras, RTL, angka dan teks bercampur](https://broadrouter.com/ms/blog/arabic-prompt-engineering/)
-   [Token setiap perkataan Arab vs Inggeris: mengapa Arab lebih mahal](https://broadrouter.com/ms/blog/tokens-per-word-arabic-english/)
-   [JSON mode vs json\_schema: output berstruktur yang boleh diharap](https://broadrouter.com/ms/blog/structured-output-json-schema/)
-   [Terjemah rentetan aplikasi ke bahasa Arab: pemegang tempat dan jamak](https://broadrouter.com/ms/blog/translate-app-strings-to-arabic-llm/)
-   [Terjemah audio bahasa Arab ke teks Inggeris dengan API: saluran diuji](https://broadrouter.com/ms/blog/translate-arabic-audio-to-english/)
-   [Tambah baris pada teks Arab dengan LLM: prompt, semakan dan DER](https://broadrouter.com/ms/blog/arabic-diacritization-llm/)
-   [Pembetulan tatabahasa dan ejaan bahasa Arab dengan LLM: panduan](https://broadrouter.com/ms/blog/arabic-grammar-spelling-correction-llm/)
-   [Panduan: Cara guna OpenAI Python SDK dengan BroadNet Inference](https://broadrouter.com/ms/guides/openai-python-sdk/)
-   [Panduan: Baca invois dan resit Arab dengan model vision](https://broadrouter.com/ms/guides/read-arabic-invoices-with-vision/)

Cuba dengan beban kerja sebenar anda. Akaun baharu bermula dengan kredit US$5 untuk Gemma dan transkripsi. DeepSeek, GLM dan Qwen3.8 memerlukan tambah nilai.

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

**Sumber**

-   [Halaman harga BroadNet Inference, nota "Tested in Arabic" untuk Qwen3.8 27B (diambil 2026-11-14) (Bahasa Inggeris)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=ms-blog-arabic-english-translation-llm&utm_content=sources)
-   [Popović, chrF: character n-gram F-score for automatic MT evaluation (WMT 2015; diambil 2026-11-14)](https://aclanthology.org/W15-3049/)
-   [Rei et al., COMET: A Neural Framework for MT Evaluation (arXiv 2009.09025; diambil 2026-11-14)](https://arxiv.org/abs/2009.09025)
-   [NLLB Team, No Language Left Behind (dinilai pada FLORES-200; arXiv 2207.04672; diambil 2026-11-14)](https://arxiv.org/abs/2207.04672)
-   [Senarai bahasa FLORES-200 (MSA serta bahasa Arab Mesir, Najdi, Levant, Mesopotamia, Maghribi, Tunisia dan Ta'izzi-Adeni; diambil 2026-11-14)](https://github.com/facebookresearch/flores/blob/main/flores200/README.md)
