Menterjemah fail rentetan aplikasi ialah kerja yang berbeza daripada menterjemah prosa. Setiap nilai pendek, selalunya tanpa konteks, dan membawa sintaks yang tidak boleh disentuh oleh model: pemegang tempat, tag HTML dan peraturan jamak. Bahasa Arab menjadikan yang terakhir itu sukar. Fail bahasa Inggeris memegang dua bentuk jamak; bahasa Arab memerlukan enam. Artikel ini membina saluran kecil pada LLM serasi OpenAI: bekukan pemegang tempat, minta enam rentetan jamak biasa, pasang sintaks ICU dalam kod, kemudian sahkan semuanya dalam CI.
Untuk menterjemah dokumen, tiket dan kontrak, lihat terjemahan Arab–Inggeris dengan LLM, yang membincangkan nada, glosari dan penilaian untuk prosa.
Mengapakah jamak Arab merosakkan fail rentetan yang diterjemah mesin?
Unicode CLDR, yang diikuti oleh Intl.PluralRules, ICU dan i18next, memberi bahasa Arab enam kategori kardinal:
| Kategori | Peraturan CLDR | Contoh nombor | Contoh: “fail” |
|---|---|---|---|
| zero | n = 0 | 0 | لا توجد ملفات |
| one | n = 1 | 1 | ملف واحد |
| two | n = 2 | 2 | ملفان (dual) |
| few | n % 100 = 3..10 | 3–10, 103–110 | 5 ملفات (jamak) |
| many | n % 100 = 11..99 | 11–99, 111 | 11 ملفًا (tunggal, akusatif) |
| other | selebihnya | 100–102, 1000, 0.5 | 100 ملف (tunggal) |
Dua butiran sering memerangkap orang. Pertama, kategori bukan nombor: 103 ialah few dan 111 ialah many. Kedua, sumber bahasa Inggeris hanya memberi model one dan other, jadi ia perlu mereka empat bentuk berdasarkan tatabahasa semata-mata. Kebanyakan kegagalan berpunca daripada model menyalin pasangan bahasa Inggeris.
Kegagalan ini senyap. Kami memaparkan mesej Arab yang hanya ada one dan other dengan intl-messageformat 12.1.5: 0, 2 dan 11 fail semuanya keluar sebagai “N ملف”. i18next 27.1.2 berkelakuan sama apabila kunci _many tiada: 11 fail menunjukkan teks _other. Tiada ralat, tiada amaran, hanya bahasa Arab yang salah.
Bagaimanakah anda patut menghantar rentetan kepada model?
Kelompokkan. Satu permintaan bagi setiap rentetan membazir token pada prompt sistem dan kehilangan konteks antara rentetan yang berkaitan. Hantar 50 hingga 200 kunci sekali gus sebagai objek JSON, dikumpulkan mengikut skrin atau ciri supaya “Save” di sebelah “Cancel” dibaca sebagai butang.
Tiga peraturan menjadikan balasan boleh disemak:
- Bekukan pemegang tempat. Gantikan
{name}, pemegang tempat kurungan berganda i18next,%s,%1$sdan tag seperti<b>dengan penanda seperti ⟦0⟧. Model melihat “Welcome back, ⟦0⟧!” dan tidak boleh menterjemahnamemenjadi اسم. - Minta bentuk jamak sebagai rentetan biasa. Hantar teks
onedanotherbahasa Inggeris dan minta enam rentetan Arab. Kod yang membina sintaks ICU. Model tidak pernah menulis kurungan kurawal. - Beri glosari dan senarai jangan-terjemah. Nama produk, nama pelan dan istilah yang digunakan oleh pasukan sokongan anda. Bahagian glosari dalam artikel terjemahan menerangkan mengapa ini lebih penting daripada pilihan model.
Skrip terjemahan
Fail sumber menggunakan ICU MessageFormat, sintaks yang didokumenkan oleh FormatJS. Pembekuan yang sama berfungsi untuk format JSON i18next sendiri, yang kunci jamaknya berakhir dengan _zero, _one, _two, _few, _many dan _other.
{
"save": "Save",
"welcome": "Welcome back, {name}!",
"invite": "<b>{inviter}</b> invited you to the {workspace} workspace",
"billing": "Pay with AcmePay",
"files": "{count, plural, one {# file} other {# files}}"
}
import json, os, re
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
FORMS = ["zero", "one", "two", "few", "many", "other"]
# ICU arguments, double-brace and printf placeholders, HTML-style tags
PH = re.compile(r"\{\{\s*\w+\s*\}\}|\{\w+\}|%(?:\d+\$)?[sdif@]|</?\w+[^>]*>")
PLURAL = re.compile(r"^\{(\w+), plural,(.*)\}$", re.S)
def freeze(text):
"""Replace each placeholder with ⟦n⟧ so the model cannot translate or break it."""
found = PH.findall(text)
for i, p in enumerate(found):
text = text.replace(p, f"⟦{i}⟧", 1)
return text, found
def thaw(text, found):
for i, p in enumerate(found):
text = text.replace(f"⟦{i}⟧", p)
return text
def branches(body):
"""'one {# file} other {# files}' -> {'one': '# file', 'other': '# files'}."""
out, i = {}, 0
while i < len(body):
m = re.compile(r"\s*([=\w]+)\s*\{").match(body, i)
if not m:
break
depth, j = 1, m.end()
while depth:
depth += {"{": 1, "}": -1}.get(body[j], 0)
j += 1
out[m.group(1)] = body[m.end():j - 1]
i = j
return out
SYSTEM = """You translate app interface strings from English to Modern Standard Arabic.
Reply with one JSON object only: {"STRINGS": {key: Arabic}, "PLURALS": {key: {six forms}}}.
Rules:
- ⟦0⟧, ⟦1⟧ ... are placeholders. Keep every one exactly once and unchanged; move it if Arabic word order needs it.
- # stands for the number. Keep it where the number should appear.
- Interface style: short, no full stops on buttons or labels.
- Never translate terms in DO_NOT_TRANSLATE. Use GLOSSARY translations exactly.
- For each PLURALS key, return all six Arabic forms: zero, one, two, few, many, other.
zero = none; one = singular without a number; two = dual without a number;
few = 3-10: # + plural noun; many = 11-99: # + singular noun in the accusative;
other = 100, 1000 and also 0.5 and 1.5: # + singular noun."""
def translate(src, glossary=None, dnt=(), model="broadnet/qwen3.8-27b"):
strings, plurals, frozen = {}, {}, {}
for key, text in src.items():
m = PLURAL.match(text)
if m:
b = branches(m.group(2))
fone, ph = freeze(b.get("one", b["other"]))
fother, _ = freeze(b["other"])
plurals[key] = {"one": fone, "other": fother}
frozen[key] = (m.group(1), ph)
elif "{" in PH.sub("", text):
raise ValueError(f"{key}: nested ICU, send to a human")
else:
strings[key], ph = freeze(text)
frozen[key] = (None, ph)
payload = {"STRINGS": strings, "PLURALS": plurals,
"GLOSSARY": glossary or {}, "DO_NOT_TRANSLATE": list(dnt)}
r = client.chat.completions.create(
model=model, max_tokens=4000, temperature=0.2,
messages=[{"role": "system", "content": SYSTEM},
{"role": "user", "content": json.dumps(payload, ensure_ascii=False)}])
out = json.loads(r.choices[0].message.content)
ar = {k: thaw(v, frozen[k][1]) for k, v in out.get("STRINGS", {}).items() if k in frozen}
for k, forms in out.get("PLURALS", {}).items():
if k not in frozen:
continue
arg, ph = frozen[k]
ar[k] = "{%s, plural, %s}" % (arg, " ".join(
f + " {" + thaw(forms[f], ph) + "}" for f in FORMS if f in forms))
return ar
en = json.load(open("en.json"))
ar = translate(en, glossary={"workspace": "مساحة العمل"}, dnt=["AcmePay"])
json.dump(ar, open("ar.json", "w"), ensure_ascii=False, indent=2)
Kami menjalankannya dengan OpenAI Python SDK terhadap pelayan olok-olok setempat, bukan API langsung, dengan balasan Arab yang sedia. Permintaan yang akan dilihat model mengandungi “Welcome back, ⟦0⟧!” dan “⟦0⟧⟦1⟧⟦2⟧ invited you to the ⟦3⟧ workspace”, dan skrip menulis ar.json ini:
{
"save": "حفظ",
"welcome": "مرحبًا بعودتك يا {name}!",
"invite": "دعاك <b>{inviter}</b> إلى مساحة العمل {workspace}",
"billing": "ادفع عبر AcmePay",
"files": "{count, plural, zero {لا توجد ملفات} one {ملف واحد} two {ملفان} few {# ملفات} many {# ملفًا} other {# ملف}}"
}
Nota tentang kod:
- Penanda berpindah, bukan hilang. Bahasa Arab sering meletakkan kata kerja di hadapan, jadi ⟦0⟧ boleh berpindah. Semakan di bawah mengira penanda; ia tidak peduli di mana penanda itu berada.
- ICU bersarang dihantar kepada manusia.
selectdi dalampluraljarang berlaku dan mudah rosak. Skrip menolaknya dan tidak meneka. max_tokens=4000memberi ruang untuk penaakulan. Dokumentasi BroadNet menyatakan DeepSeek V4.1 Flash, GLM 5.3 dan Qwen3.8 27B membuat penaakulan sebelum menjawab, dan penaakulan dikira dalam max_tokens. Lihat respons kosong daripada model penaakulan.json.loadsboleh gagal. Balutnya dan hantar semula sekali dengan ralat itu; membetulkan JSON tidak sah daripada LLM mengandungi fungsi pembaikan yang telah diuji. Pada GLM 5.3 dan Qwen3.8 27B, dua model BroadNet yang didokumenkan dengan output berstruktur, tambah juga skemaresponse_format. Semakan di bawah kekal dalam apa jua keadaan.
Bagaimanakah anda mengesahkan fail Arab dalam CI?
Hurai setiap mesej dengan penghurai yang sama yang digunakan aplikasi anda pada masa jalan, dan bandingkan dengan sumber. Skrip Node ini menggunakan @formatjs/icu-messageformat-parser (versi 3.5.23 dalam ujian kami):
// node check-ar.mjs en.json ar.json -> exits 1 on any problem
import { readFileSync } from "node:fs";
import { parse, TYPE } from "@formatjs/icu-messageformat-parser";
const AR_FORMS = ["zero", "one", "two", "few", "many", "other"];
const [en, ar] = process.argv.slice(2).map((p) => JSON.parse(readFileSync(p, "utf8")));
const errors = [];
// Collect argument and tag names; return the plural elements too.
function walk(nodes, names = [], plurals = []) {
for (const n of nodes) {
if (n.type === TYPE.literal || n.type === TYPE.pound) continue;
names.push(n.type === TYPE.tag ? `<${n.value}>` : `{${n.value}}`);
if (n.type === TYPE.tag) walk(n.children, names, plurals);
if (n.type === TYPE.plural) plurals.push(n);
if (n.options) for (const o of Object.values(n.options)) walk(o.value, [], plurals);
}
return { names: names.sort().join(" "), plurals };
}
for (const key of Object.keys(en)) {
if (!(key in ar)) { errors.push(`${key}: missing`); continue; }
let src, dst;
try { src = walk(parse(en[key])); dst = walk(parse(ar[key], { requiresOtherClause: true })); }
catch (e) { errors.push(`${key}: ICU syntax error ${e.message}`); continue; }
if (src.names !== dst.names) errors.push(`${key}: arguments differ: [${src.names}] vs [${dst.names}]`);
for (const p of dst.plurals) {
const missing = AR_FORMS.filter((f) => !(f in p.options));
if (missing.length) errors.push(`${key}: plural {${p.value}} lacks ${missing.join(", ")}`);
}
if (!/[-ۿ]/.test(ar[key])) errors.push(`${key}: no Arabic letters`);
if (/⟦\d+⟧/.test(ar[key])) errors.push(`${key}: placeholder marker left in text`);
}
for (const key of Object.keys(ar)) if (!(key in en)) errors.push(`${key}: not in source`);
console.log(errors.join("\n") || "ok");
process.exit(errors.length ? 1 : 0);
Pada fail di atas ia mencetak ok. Kami kemudian membuat balasan olok-olok menggugurkan bentuk many dan penanda {workspace}. Skrip keluar dengan kod 1 dan mencetak:
invite: arguments differ: [<b> {inviter} {workspace}] vs [<b> {inviter}]
files: plural {count} lacks many
Peraturan “no Arabic letters” menandakan rentetan yang ditinggalkan model dalam bahasa Inggeris. Ia juga menandakan nilai yang hanya nama produk atau nombor, jadi simpan senarai benar untuk nilai-nilai itu. Untuk format i18next sendiri, gunakan semakan yang sama bagi setiap kunci: setiap pasangan _one/_other dalam bahasa Inggeris memerlukan kesemua enam kunci berakhiran dalam bahasa Arab, dan setiap satu memerlukan pemegang tempat yang sama, kecuali _zero, _one dan _two boleh menggugurkan count.
Akhir sekali, paparkan beberapa nombor melalui pemformat sebenar anda. Dengan intl-messageformat 12.1.5, mesej files di atas memberi 0 → لا توجد ملفات, 2 → ملفان, 5 → 5 ملفات, 11 → 11 ملفًا, 102 → 102 ملف dan 111 → 111 ملفًا. Semakan rambang itu menangkap bentuk yang boleh dihurai tetapi menggunakan kata nama yang salah.
Bagaimana pula dengan paparan kanan-ke-kiri?
Terjemahan membetulkan perkataan; pelayar masih perlu menyusunnya. Apabila nama huruf Rumi atau nombor disisip ke dalam ayat Arab, algoritma dwiarah Unicode boleh mengalihkan tanda baca atau menukar kedudukan larian yang bersebelahan. Nasihat W3C ialah mengasingkan teks yang disisip: balutnya dalam <bdi> atau elemen dengan dir="auto" dalam HTML, atau kelilinginya dengan U+2068 FIRST STRONG ISOLATE dan U+2069 POP DIRECTIONAL ISOLATE dalam teks biasa, seperti pemberitahuan tolak.
Lakukan ini di tempat anda membuat interpolasi, bukan dalam terjemahan. Dalam ujian kami, memformat mesej alu-aluan dengan nama yang dibalut dalam U+2068 dan U+2069 mengekalkan kedua-dua aksara dalam output dan tidak mengusik teks Arab. Tetapkan juga dir="rtl" dan lang="ar" pada halaman atau bekas. Kejuruteraan prompt bahasa Arab mengandungi senarai semak ringkas untuk pepijat paparan RTL.
Digit ialah pilihan pemformat, bukan pilihan terjemahan. Kekalkan # atau argumen dalam rentetan. Dalam Node 24 (ICU 78.3), Intl.NumberFormat menulis 1234 sebagai 1,234 untuk ar dan sebagai ١٬٢٣٤ untuk ar-EG dan ar-SA. Pilih tag lokal yang sepadan dengan pasaran anda. Untuk persoalan produk yang lebih luas (lokal antara muka berbanding bahasa model, gelembung chat dengan arah bercampur, pengesanan bahasa dan kos setiap bahasa), lihat mereka bentuk pengalaman AI untuk pelbagai bahasa.
Siapakah yang patut menyemak output?
Saluran LLM dengan semakan ini menjamin fail itu berbentuk betul. Ia tidak menjamin bahasa Arabnya betul. Minta penutur bahasa Arab menyemak:
- Rentetan baharu dan yang diubah sahaja. Bandingkan
en.jsondengan keluaran terakhir dan terjemah hanya yang berubah. Semakan kekal kecil, dan rentetan yang diluluskan tidak pernah berubah. - Bentuk jamak, perkataan demi perkataan. Persetujuan dengan nombor ialah tempat model paling kerap tersilap, terutamanya akusatif selepas 11 hingga 99.
- Jantina. “Anda” dan kata kerja berubah mengikut jantina pembaca dalam bahasa Arab. Jika UI anda menyapa pengguna secara langsung, tentukan konvensyen, seperti bentuk tetap atau frasa neutral, dan masukkan dalam prompt sistem.
- Panjang. Rentetan Arab boleh lebih panjang atau lebih pendek daripada bahasa Inggeris. Semak butang dan tab dalam susun atur sebenar pada lebar mudah alih.
Simpan fail glosari yang telah disemak dalam repo dan hantarnya bersama setiap permintaan, supaya istilah yang diluluskan kekal tetap.
Berapakah kosnya?
Fail rentetan adalah kecil. Output lebih kurang sama panjang dengan input, dan bahasa Arab biasanya memerlukan lebih banyak token setiap perkataan berbanding bahasa Inggeris; token setiap perkataan dalam bahasa Arab dan Inggeris mengandungi nisbah yang diukur. Tampal satu kelompok ke dalam pengira token bahasa Arab, darabkan dengan bilangan kelompok, dan tambah prompt sistem pada setiap satu. Model penaakulan juga membelanjakan token untuk berfikir; BroadNet melaporkannya dalam usage sebagai completion_tokens_details.reasoning_tokens, jadi baca usage daripada permintaan sebenar sebelum anda membuat unjuran.
| Model | Nota untuk kerja ini | Input / output setiap 1J token |
|---|---|---|
| Qwen3.8 27B | Output berstruktur didokumenkan | $0.175 / $2.17 |
| GLM 5.3 | Output berstruktur didokumenkan; konteks 1,048,576 token | $0.78 / $3.46 |
| Gemma 4 VL 26B | Berjalan pada kredit permulaan $5; JSON melalui prompt sahaja, jadi pengesah lebih penting | $0.10 / $0.22 |
| DeepSeek V4.1 Flash | Juga ada pelan harga rata, seperti $15 seminggu setiap sesi, satu permintaan pada satu masa bagi setiap sesi | $0.175 / $0.52 |
Harga diambil daripada suapan harga BroadNet, dikemas kini 2026-11-14. Terjemah 100 rentetan yang sama dengan dua model dan minta penyemak anda membandingkannya sebelum memilih; harga setiap token kurang penting berbanding bilangan pembetulan. Untuk ribuan kunci merentas banyak bahasa, pemprosesan kelompok tanpa Batch API membincangkan keserentakan dan cubaan semula.
Di manakah BroadNet Inference sesuai
BroadRouter ialah laman web BroadNet sendiri. BroadNet Inference memberi akses serasi OpenAI kepada model di atas, jadi skrip ini berjalan dengan OpenAI Python SDK selepas menukar base URL dan ID model; semak rujukan API untuk parameter yang disokong oleh setiap model. Ia tiada endpoint terjemahan dan tidak menerbitkan penanda aras penyetempatan, jadi pengesah dan penyemak manusia kekal sebagai pintu kualiti anda. Platform penyetempatan khusus menambah memori terjemahan, aliran kerja penyemak dan tangkapan skrin dalam konteks; jika anda memerlukannya, gunakan satu dan kekalkan semakan CI di atas sebagai barisan kedua.
