---
title: "Dịch Ả Rập–Anh bằng LLM: prompt và kiểm tra chất lượng"
description: "Dịch tiếng Ả Rập sang tiếng Anh và ngược lại bằng API LLM: prompt giữ giọng văn, bảng thuật ngữ cố định, số và tên riêng, và cách đánh giá chất lượng."
url: https://broadrouter.com/vi/blog/arabic-english-translation-llm/
lang: vi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/blog/arabic-english-translation-llm/) (cập nhật ngày 2026-11-14).

# Dịch Ả Rập–Anh bằng LLM: prompt, bảng thuật ngữ, đánh giá

Đội ngũ BroadNet Inference · 5 phút đọc · Đăng ngày 2026-11-14

Để dịch Ả Rập–Anh bằng LLM, hãy cho model biết đối tượng đọc, văn phong và bảng thuật ngữ cố định, yêu cầu giữ nguyên số và tên riêng, và dịch theo từng đoạn. Đánh giá bằng chrF hoặc COMET cộng với người bản ngữ rà soát. Trong các bài test của BroadNet, Qwen3.8 27B dịch chính xác giữa tiếng Ả Rập và tiếng Anh.

## Ý chính

-   Hãy nêu chiều dịch, đối tượng đọc và văn phong: “khách hàng bán lẻ Ả Rập Xê Út, MSA lịch sự” tốt hơn “dịch sang tiếng Ả Rập”.
-   Bảng thuật ngữ cố định giữ các thuật ngữ sản phẩm, pháp lý và giao diện giống hệt nhau qua mọi đoạn và mọi lần gọi.
-   Hãy kiểm tra số, ngày tháng, tên riêng và phủ định bằng code hoặc rà soát; đó là những lỗi đắt giá.
-   Dùng chrF hoặc COMET cho điểm tự động, và người bản ngữ rà soát cho mọi thứ hướng tới khách hàng hoặc có tính pháp lý.
-   BroadNet báo cáo Qwen3.8 27B dịch Ả Rập–Anh chính xác trong các bài test của họ.

**Trong trang này**

1.  Vì sao dịch Ả Rập–Anh khó với LLM?
2.  Prompt nào cho bản dịch tiếng Ả Rập tốt?
3.  Vì sao bảng thuật ngữ quan trọng đến vậy?
4.  Nên chia tài liệu dài thế nào?
5.  Làm sao bắt các lỗi nguy hiểm?
6.  Đánh giá chất lượng bản dịch thế nào?
7.  Nên dùng model nào, và tốn bao nhiêu?
8.  Có gửi hợp đồng và ticket qua API được không?

Để dịch giữa tiếng Ả Rập và tiếng Anh bằng LLM, hãy cho model biết chiều dịch, đối tượng đọc và văn phong, đưa cho nó bảng thuật ngữ cố định, giữ nguyên số và tên riêng, và gửi theo từng đoạn. Sau đó kiểm tra số và phủ định bằng code, và chấm điểm bằng chrF, COMET và một người bản ngữ rà soát.

Sự kiểm soát đó quan trọng với tiếng Ả Rập, nơi một bản dịch sát chữ có thể đúng mà vẫn đọc như văn nước ngoài.

## Vì sao dịch Ả Rập–Anh khó với LLM?

-   **Văn phong.** Tiếng Ả Rập trang trọng ([tiếng Ả Rập chuẩn hiện đại](https://broadrouter.com/vi/glossary/msa/), فصحى) và lời nói hằng ngày khác nhau rất nhiều. Một câu marketing thoải mái trong tiếng Anh có thể trở nên cứng nhắc hoặc buồn cười khi dịch sát sang MSA.
-   **Trật tự từ và độ dài.** Câu tiếng Ả Rập thường bắt đầu bằng động từ, và văn bản tiếng Ả Rập thường dài ngắn khác tiếng Anh. Chuỗi giao diện vừa vặn trong tiếng Anh có thể bị xuống dòng hoặc tràn.
-   **Giống và số.** Tiếng Ả Rập đánh dấu giống trên động từ, tính từ và đại từ, và có dạng đôi. “You” trong tiếng Anh phải thành أنتَ, أنتِ, أنتما, أنتم hoặc أنتنّ. Nếu bạn không biết người đọc là ai, hãy cho model biết dùng dạng mặc định nào.
-   **Tên riêng và phiên âm.** “محمد” có nhiều cách viết tiếng Anh (Mohammed, Muhammad, Mohamed). Hãy chọn một cách cho mỗi người và giữ nguyên.
-   **Số và ngày tháng.** Chữ số Ả Rập phương Đông, ngày theo lịch Hijri và định dạng từ phải sang trái đều cần quy tắc rõ ràng.

## Prompt nào cho bản dịch tiếng Ả Rập tốt?

Chất lượng bản dịch phụ thuộc vào chỉ dẫn nhiều hơn hẳn so với cách diễn đạt khéo léo. Hãy cho model biết chiều dịch, đối tượng đọc, văn phong, bảng thuật ngữ và định dạng 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
```

Với chiều Ả Rập → Anh, hãy đảo chiều và thêm những gì người đọc tiếng Anh cần: “American English, plain style, keep Arabic personal names in the spelling given in the glossary” (bản dịch: tiếng Anh Mỹ, văn phong đơn giản, giữ tên riêng Ả Rập theo cách viết trong bảng thuật ngữ). Nếu nguồn có thể là phương ngữ, hãy nói rõ: “The source may be Gulf or Egyptian Arabic; translate the meaning, not word for word.” (bản dịch: nguồn có thể là tiếng Ả Rập vùng Vịnh hoặc Ai Cập; hãy dịch ý, không dịch từng chữ.)

## Vì sao bảng thuật ngữ quan trọng đến vậy?

Không có bảng thuật ngữ, model có thể dịch “refund” là استرجاع ở đoạn này và استرداد ở đoạn sau. Cả hai đều là tiếng Ả Rập ổn; đặt cạnh nhau thì trông cẩu thả và làm hỏng tìm kiếm. Bảng thuật ngữ khắc phục điều đó:

1.  **Bắt đầu từ các bản dịch bạn đã có.** Trích thuật ngữ từ trung tâm trợ giúp, hợp đồng và chuỗi giao diện mà bạn đã có ở cả hai ngôn ngữ.
2.  **Giữ nó ngắn.** Năm mươi đến hai trăm thuật ngữ là đủ cho phần lớn sản phẩm. Chỉ đưa vào những thuật ngữ không được thay đổi.
3.  **Thêm các mục không dịch.** Tên thương hiệu, tên sản phẩm, tên gói và định danh trong code.
4.  **Đặt nó trong system prompt, trước văn bản.** Như vậy nó còn nằm trong phần tiền tố có thể cache, giúp giảm chi phí input cho các lần gọi lặp lại; xem [token input được cache](https://broadrouter.com/vi/blog/cached-input-tokens-explained/).
5.  **Kiểm tra bằng code.** Sau khi dịch, xác minh rằng mỗi thuật ngữ có trong nguồn đều xuất hiện ở dạng cố định trong bản dịch.

## Nên chia tài liệu dài thế nào?

Hãy dịch theo đoạn văn hoặc theo mục, không phải từng câu. Gọi theo câu sẽ mất ngữ cảnh (“anh ấy” là ai, “nó” chỉ sản phẩm nào). Gọi cả tài liệu một lần chạy được trên model có context dài, nhưng một lỗi duy nhất sẽ khó tìm và khó thử lại hơn. Một mục vài trăm từ là mức cân bằng tốt. Nếu cần nhất quán, hãy truyền bản dịch của mục trước làm ngữ cảnh.

[Qwen3.8 27B](https://broadrouter.com/vi/models/qwen3.8-27b/) có context 262.144 token; [DeepSeek V4.1 Flash](https://broadrouter.com/vi/models/deepseek-v4.1-flash/) và [GLM 5.3](https://broadrouter.com/vi/models/glm-5.3/) nhận tới 1.048.576 token, đủ để kèm một tài liệu tham chiếu dài cạnh văn bản cần dịch.

## Làm sao bắt các lỗi nguy hiểm?

Output trôi chảy che giấu lỗi. Hãy kiểm tra tự động những điểm sau:

-   **Số:** trích mọi con số từ nguồn và bản dịch (sau khi chuyển chữ số Ả Rập phương Đông) và so hai tập hợp.
-   **Phủ định:** một chữ “không” bị rơi (لا, لم, لن, ليس, ما) làm đảo ngược nghĩa. Đánh dấu các câu mà nguồn có phủ định còn bản dịch thì không.
-   **Tên riêng và thuật ngữ:** xác minh chúng còn nguyên vẹn.
-   **Tỷ lệ độ dài:** bản dịch ngắn hơn nhiều so với dự kiến thường có nghĩa là có phần bị bỏ qua.

```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
```

Dấu thập phân có thể khác nhau giữa các locale (văn bản tiếng Ả Rập đôi khi dùng ٫), nên hãy chuẩn hóa cả chúng nếu tài liệu của bạn có dùng.

## Đánh giá chất lượng bản dịch thế nào?

Chỉ số tự động cho bạn biết một thay đổi về prompt hay model làm kết quả trung bình tốt lên hay xấu đi:

| Chỉ số | Đo gì | Ghi chú cho tiếng Ả Rập |
| --- | --- | --- |
| BLEU | Độ trùng n-gram từ với bản tham chiếu | Khắt khe với tiếng Ả Rập, nơi clitic và biến thể chính tả làm đổi dạng từ |
| [chrF](https://aclanthology.org/W15-3049/) | Độ trùng n-gram ký tự | Dễ dãi hơn với hình thái tiếng Ả Rập; lựa chọn mặc định tốt hơn |
| [COMET](https://arxiv.org/abs/2009.09025) | Đánh giá chất lượng của một mô hình neural | Tương quan tốt hơn với đánh giá của con người; cần GPU hoặc dịch vụ chấm điểm được host |

Về benchmark công khai, FLORES-200, được dự án [No Language Left Behind](https://arxiv.org/abs/2207.04672) sử dụng, gồm tiếng Ả Rập chuẩn hiện đại và các biến thể Ai Cập, Najd, Bắc và Nam Levant, Lưỡng Hà, Maroc, Tunisia và Ta’izzi-Adeni cùng với tiếng Anh, theo [danh sách ngôn ngữ](https://github.com/facebookresearch/flores/blob/main/flores200/README.md) của nó. Nhưng bài test thật sự là nội dung của chính bạn:

1.  Lấy 100 đến 200 đoạn tiêu biểu đã có bản dịch chuyên nghiệp.
2.  Dịch chúng bằng từng model và từng phiên bản prompt.
3.  Chấm chrF (và COMET nếu được), sau khi chuẩn hóa chính tả tiếng Ả Rập theo cùng một cách cho mọi hệ thống.
4.  Nhờ một người bản ngữ chấm 30 đoạn cho mỗi hệ thống về độ chính xác và tự nhiên, mà không biết hệ thống nào tạo ra chúng.
5.  Theo dõi các bước kiểm tra lỗi nguy hiểm ở trên thành một con số riêng.

## Nên dùng model nào, và tốn bao nhiêu?

BroadNet báo cáo rằng trong các bài test của họ, [Qwen3.8 27B](https://broadrouter.com/vi/models/qwen3.8-27b/) dịch chính xác giữa tiếng Ả Rập và tiếng Anh, viết tiếng Ả Rập trôi chảy và hiểu phương ngữ vùng Vịnh và Ai Cập. Điều đó khiến nó là ứng viên đầu tiên tự nhiên trên BroadNet Inference. [DeepSeek V4.1 Flash](https://broadrouter.com/vi/models/deepseek-v4.1-flash/) cũng đáng thử: token output rẻ hơn, và đó là model của các gói giá cố định không giới hạn. [So sánh DeepSeek V4.1 Flash và Qwen3.8 27B](https://broadrouter.com/compare/deepseek-v4.1-flash-vs-qwen3.8-27b/) đặt hai model cạnh nhau.

Mỗi 1 triệu 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 của bản dịch dài gần bằng input, và cả ba model đều suy luận trước khi trả lời, nên token output thường chiếm phần lớn hóa đơn. Tiếng Ả Rập cũng thường cần nhiều token mỗi từ hơn tiếng Anh; xem [số token mỗi từ trong tiếng Ả Rập và tiếng Anh](https://broadrouter.com/vi/blog/tokens-per-word-arabic-english/). Hãy dán một mẫu vào [công cụ đếm token tiếng Ả Rập](https://broadrouter.com/tools/arabic-token-counter/) miễn phí, xác nhận bằng `usage` từ một request thật, rồi ước tính chi tiêu hằng tháng bằng [công cụ tính chi phí API LLM](https://broadrouter.com/tools/llm-api-cost-calculator/). Với một dự án bản địa hóa lớn chạy một lần trên DeepSeek V4.1 Flash, gói tuần $15 loại bỏ hoàn toàn việc tính tiền theo token.

## Có gửi hợp đồng và ticket qua API được không?

Hợp đồng, thư y tế và ticket hỗ trợ thường chứa dữ liệu cá nhân. BroadNet Inference không lưu giữ prompt hay output sau request; xem [không lưu giữ dữ liệu](https://broadrouter.com/vi/privacy/). Hãy kiểm tra rằng bộ nhớ dịch và log của bạn cũng tuân theo cùng quy tắc.

Công cụ miễn phí cho chủ đề này (tiếng Anh)

-   [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.

[Công cụ miễn phí (tiếng Anh)](https://broadrouter.com/tools/)

## Thuật ngữ trong bài này

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

Token là đơn vị văn bản mà model ngôn ngữ đọc và viết: một từ, một phần của từ, một dấu câu hoặc một chuỗi byte do tokenizer của model tạo ra. API LLM đếm, giới hạn và thường tính phí theo token.

[Tiếng Ả Rập chuẩn hiện đại (MSA)](https://broadrouter.com/vi/glossary/msa/)

Tiếng Ả Rập chuẩn hiện đại (MSA) là dạng tiếng Ả Rập chuẩn hóa dùng trong văn viết, tin tức, giáo dục và phát biểu trang trọng khắp thế giới Ả Rập. Không ai dùng nó làm tiếng mẹ đẻ hằng ngày: người ta nói phương ngữ như Ai Cập hay vùng Vịnh và chuyển sang MSA khi trang trọng.

[Phương ngữ tiếng Ả Rập (dialectal Arabic)](https://broadrouter.com/vi/glossary/dialectal-arabic/)

Phương ngữ tiếng Ả Rập là tiếng Ả Rập nói hằng ngày của một vùng hay thành phố, như tiếng Ả Rập Ai Cập, vùng Vịnh, Levant hay Maghreb. Chúng khác MSA về âm, từ vựng và ngữ pháp, không có chính tả chuẩn và ngày càng được viết trên mạng, nên khó hơn với model ngôn ngữ.

[Tool calling (gọi tool, function calling)](https://broadrouter.com/vi/glossary/tool-calling/)

Tool calling, còn gọi là function calling, là tính năng của API LLM trong đó model trả về một yêu cầu có cấu trúc để chạy một hàm do nhà phát triển định nghĩa, kèm đối số JSON. Ứng dụng chạy hàm rồi gửi kết quả lại; model không bao giờ tự chạy code.

[Chuẩn hóa văn bản tiếng Ả Rập](https://broadrouter.com/vi/glossary/arabic-text-normalization/)

Chuẩn hóa văn bản tiếng Ả Rập là bước đưa các cách viết khác nhau của cùng một từ về một dạng trước khi so khớp: xóa dấu phụ và tatweel, thống nhất các dạng alef, thường đổi ى thành ي, ة thành ه. Chỉ áp dụng cho khóa tìm kiếm và đánh giá, không cho văn bản hiển thị.

[Không lưu giữ dữ liệu (zero data retention, ZDR)](https://broadrouter.com/vi/glossary/zero-data-retention/)

Không lưu giữ dữ liệu (ZDR) là chính sách mà nhà cung cấp AI chỉ xử lý prompt và đầu ra để phục vụ request, sau đó không lưu nội dung đó vào log, cache hay dữ liệu huấn luyện. Các bản ghi không chứa nội dung như số token và thời gian xử lý thường vẫn được giữ.

[PII (thông tin nhận dạng cá nhân)](https://broadrouter.com/vi/glossary/pii/)

PII (thông tin nhận dạng cá nhân) là thông tin giúp phân biệt hoặc truy ra danh tính một người, như tên, số định danh, dữ liệu sinh trắc, cùng thông tin gắn được với người đó. GDPR dùng khái niệm rộng hơn là dữ liệu cá nhân. Với LLM, che PII là gỡ nó khỏi prompt trước khi gửi.

[System prompt (lời nhắc hệ thống)](https://broadrouter.com/vi/glossary/system-prompt/)

System prompt là đoạn chỉ dẫn mà ứng dụng gửi cho model ngôn ngữ trước cuộc hội thoại, thường là tin nhắn có vai trò system hoặc developer. Nó đặt vai trò, quy tắc, giọng điệu và định dạng đầu ra, và model được kỳ vọng tuân theo nó hơn các tin nhắn người dùng mâu thuẫn.

## Câu hỏi thường gặp

### Với tiếng Ả Rập, LLM có tốt hơn API dịch chuyên dụng không?

Với văn bản ngắn, thông thường, khác biệt có thể nhỏ. LLM thắng khi bạn cần kiểm soát giọng văn, thuật ngữ, định dạng hoặc input là phương ngữ, vì bạn có thể nói chính xác điều mình muốn trong prompt.

### Model có dịch được tiếng Ả Rập phương ngữ sang tiếng Anh không?

Thường là được, vì dịch phụ thuộc vào khả năng hiểu, và model hiểu phương ngữ tốt hơn là viết bằng phương ngữ. BroadNet báo cáo Qwen3.8 27B hiểu phương ngữ vùng Vịnh và Ai Cập trong các bài test của họ. Hãy kiểm tra một mẫu với người bản ngữ.

### Có nên dịch máy văn bản pháp lý không?

Hãy dùng LLM cho bản nháp đầu và để nắm nội dung, nhưng nhờ dịch giả có chuyên môn rà soát mọi thứ có hiệu lực pháp lý. Nhiều nơi còn yêu cầu bản dịch có chứng thực do con người thực hiện cho hồ sơ chính thức.

### Tại sao bản dịch tiếng Ả Rập tốn nhiều token hơn tiếng Anh?

Tokenizer thường tách tiếng Ả Rập thành nhiều token mỗi từ hơn tiếng Anh. Hãy dán một mẫu vào công cụ đếm token, rồi xác nhận bằng usage.prompt\_tokens và usage.completion\_tokens từ một request thật.

### Nên dùng chỉ số nào để đánh giá dịch máy tiếng Ả Rập?

Hãy dùng chrF làm điểm tự động mặc định, vì n-gram ký tự xử lý clitic và biến thể chính tả tiếng Ả Rập tốt hơn BLEU. Thêm COMET nếu bạn chạy được, và nhờ người bản ngữ chấm mù từ 30 đoạn trở lên cho mỗi hệ thống.

## Đọc tiếp

-   [Chọn API LLM cho tiếng Ả Rập: cần test những gì](https://broadrouter.com/vi/blog/choosing-an-llm-for-arabic/)
-   [Prompt engineering tiếng Ả Rập: văn phong, RTL, chữ số và văn bản trộn](https://broadrouter.com/vi/blog/arabic-prompt-engineering/)
-   [Số token mỗi từ: tiếng Ả Rập và tiếng Anh, vì sao tiếng Ả Rập đắt hơn](https://broadrouter.com/vi/blog/tokens-per-word-arabic-english/)
-   [JSON mode và json\_schema: đầu ra có cấu trúc đáng tin cậy](https://broadrouter.com/vi/blog/structured-output-json-schema/)
-   [Dịch chuỗi ứng dụng sang tiếng Ả Rập bằng LLM: placeholder và số nhiều](https://broadrouter.com/vi/blog/translate-app-strings-to-arabic-llm/)
-   [Dịch âm thanh tiếng Ả Rập sang văn bản tiếng Anh bằng API](https://broadrouter.com/vi/blog/translate-arabic-audio-to-english/)
-   [Thêm dấu cho tiếng Ả Rập bằng LLM: prompt, kiểm tra, DER](https://broadrouter.com/vi/blog/arabic-diacritization-llm/)
-   [Sửa ngữ pháp và chính tả tiếng Ả Rập bằng LLM: hướng dẫn](https://broadrouter.com/vi/blog/arabic-grammar-spelling-correction-llm/)
-   [Hướng dẫn: Dùng OpenAI Python SDK với BroadNet Inference](https://broadrouter.com/vi/guides/openai-python-sdk/)
-   [Hướng dẫn: Đọc hóa đơn và biên lai tiếng Ả Rập bằng model thị giác](https://broadrouter.com/vi/guides/read-arabic-invoices-with-vision/)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

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

**Nguồn**

-   [Trang giá BroadNet Inference, ghi chú “Tested in Arabic” của Qwen3.8 27B (lấy ngày 2026-11-14) (tiếng Anh)](https://inference.broadnet.ai/pricing?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-english-translation-llm&utm_content=sources)
-   [Popović, chrF: character n-gram F-score for automatic MT evaluation (WMT 2015; lấy ngày 2026-11-14)](https://aclanthology.org/W15-3049/)
-   [Rei và cộng sự, COMET: A Neural Framework for MT Evaluation (arXiv 2009.09025; lấy ngày 2026-11-14)](https://arxiv.org/abs/2009.09025)
-   [NLLB Team, No Language Left Behind (đánh giá trên FLORES-200; arXiv 2207.04672; lấy ngày 2026-11-14)](https://arxiv.org/abs/2207.04672)
-   [Danh sách ngôn ngữ FLORES-200 (MSA cùng tiếng Ả Rập Ai Cập, Najd, Levant, Lưỡng Hà, Maroc, Tunisia và Ta'izzi-Adeni; lấy ngày 2026-11-14)](https://github.com/facebookresearch/flores/blob/main/flores200/README.md)
