Романские языки | Филологический аспект №12 (128) Декабрь 2025

Использование промпт-инжиниринга в переводе испанских шуток, основанных на игре слов

Демецкая Анна Вячеславовна
магистрант 1 курса, кафедры «Интегративная и цифровая лингвистика», Донской государственный технический университет, РФ, г. Ростов-на-Дону, anna.demetskaya247@gmail.com
Терехов Максим Валерьевич
магистрант 1 курса, кафедры «Интегративная и цифровая лингвистика», Донской государственный технический университет, РФ, г. Ростов-на-Дону, anna.demetskaya247@gmail.com
Научный руководитель Руденко Елена Сергеевна
канд. филол. наук, доцент кафедры «Интегративная и цифровая лингвистика», Донской государственный технический университет, РФ, г. Ростов-на-Дону, erudenko@donstu.ru

Аннотация: В статье анализируется качество перевода испанских вербально-визуальных шуток на русский язык с использованием методов промпт-инжиниринга. В работе представлен авторский промпт, который предписывает искусственному интеллекту проводить анализ вербальных и визуальных компонентов, участвующих в создании юмора, с последующим созданием динамически эквивалентного перевода. Результаты показали, что применение оптимизированного промпта не обеспечило полное сохранение юмористического эффекта. На основании выявленных ограничений предлагается интерактивный подход, при котором языковая модель не просто выполняет разовый запрос, но вступает в уточняющий диалог с пользователем, запрашивая дополнительную информацию о культурных контекстах, визуальных элементах или возможных аналогах, что рассматривается как перспективное решение указанной проблемы.
Ключевые слова: Искусственный интеллект; Промпт-инжиниринг; Естественность перевода; Шутки, основанные на игре слов; Визуальный компонент; Вербальный компонент.

Demetskaya Anna Vyacheslavovna
Master's student of the 1st year of the Department of ‘Integrative and Digital Linguistics’, Don State Technical University, Russia, Rostov-on-Don,
Terekhov Maksim Valerievich
Master's student of the 1st year of the Department of ‘Integrative and Digital Linguistics’, Don State Technical University, Russia, Rostov-on-Don,
Scientific supervisor Rudenko Elena Sergeevna
Cand. Sci. (Philology), assistant professor of the Department of ‘Integrative and Digital Linguistics’, Don State Technical University, Russia, Rostov-on-Don,

Abstract: The article analyzes the quality of translation of Spanish verbal-visual jokes into Russian using industrial engineering methods. The paper presents author’s proposal, which involves using artificial intelligence to analyze the verbal and visual components of humor before generating a dynamically equivalent translation. The results showed that the use of an optimized prompt did not ensure the complete preservation of the humorous effect. Based on the identified limitations, an interactive approach is proposed in which the language model does not just fulfill a one-time request, but enters into a clarifying dialogue with the user, requesting additional information about cultural contexts, visual elements or possible analogues. This interactive model is proposed as a promising solution to the problem.
Keywords: Artificial intelligence; Prompt engineering; Naturalness of translation; Wordplay; Pun-based jokes; Visual component; Verbal component.

Юмор, особенно основанный на игре слов, испокон веков считался «проклятием переводчика». Остроумная шутка, блестяще работающая в одном языке, зачастую превращается в плоскую и бессмысленную фразу при прямом переносе в другой лингвокультурный контекст. Испанский язык с его богатой палитрой многозначных слов, омонимов и культурных аллюзий представляет для переводчика особый вызов. Однако с появлением мощных языковых моделей искусственного интеллекта ситуация начала меняться. На сцену выходит промпт-инжиниринг – искусство точного формулирования запросов к ИИ, – который предлагает новые, нетривиальные подходы к решению этой старой как мир задачи.

Целью настоящего исследования является оценка эффективности технологии промпт-инжиниринга при переводе шуток с испанского на русский язык.

Для достижения поставленной цели были сформулированы следующие задачи: рассмотреть основные категории построения промптов для языковых моделей; адаптировать промпт, предложенный в прошлых работах; проанализировать качество переводов нейронной модели.

В ходе исследования применялись следующие методы: метод сравнительного анализа, описательный метод, метод промпт-инжиниринга.

В своей работе Л.И. Глазова пишет о том, что «промпт» – это запрос, с помощью которого устанавливается задача для языковой модели. «Промпт-инжиниринг», в свою очередь, представляет собой разработку правильных серий инструкций для нейросетей, которые позволяют лучше решить задачу, поставленную перед языковой моделью пользователем. Появилась также профессия «промпт-специалист» – человек, который составляет такие запросы [1, с. 65].

Исследователь Л.Г. Алексеева говорит о том, что составить идеальный промпт сложнее, чем кажется. Многие забывают, что нейросети не мыслят как люди: они не понимают абстрактные идеи, не знают узкоспециальной информации и технически ограничены в передаче некоторых деталей. Ключ к успеху – умение «разговаривать» с ИИ на его языке. Четкий и продуманный запрос значительно увеличивает шансы на хороший результат [2, с. 61].

В настоящей работе для перевода каламбуров первоначально мы использовали нейросетевую модель DeepSeek – это сравнительно новая разработка, составившая полноценную конкуренцию другим ведущим большим языковым моделям – и промпт, предложенный Е. С. Руденко и М. Ю. Семеновой для перевода шуток с английского языка на русский и представляющий собой адаптацию промпта Джейсона Вей и др. [3, с. 93; 4 с. 35], однако юмористический эффект при переводе не был достигнут.

Тогда мы использовали принципы проектирования, чтобы улучшить уже существующий промпт. Сондос Махмуд Бшарат выделяет пять групп принципов создания эффективных промптов: Prompt Structure and Clarity («Структура и ясность»), Specificity and Information («Специфика и информация»), User Interaction and Engagement («Взаимодействие с пользователем и вовлеченность»), Content and Language Style («Содержание и языковой стиль»), Complex Tasks and Coding Prompts («Промпты для решения сложных задач и написания кода») [5, с. 26].

В настоящей статье при проектировании собственного промпта мы руководствовались принципами первой и второй группы. Финальная структура промпта включала следующие элементы:

1. Назначение роли: модели была присвоена роль профессионального переводчика-лингвиста, специалиста по переводу шуток с испанского языка на русский.

2. Постановка конкретной задачи: задача была определена как перевод вербально-визуальной шутки (каламбура) с сохранением юмористического эффекта.

3. Пошаговые инструкции: модели предписывалось

а) проанализировать вербальный и визуальный механизм шутки;

б) выявить несоответствия с русским языком;

в) предложить переводческое решение.

4. Критерий хорошего перевода: модели предлагалось найти прямой эквивалент (если он возможен), либо создать новую шутку, равноценную оригиналу в отношении юмористического воздействия на читателя в соответствии с принципами динамической эквивалентности.

5. Формат вывода: требовалось представить перевод вместе с кратким пояснением переводческой стратегии.

В окончательном варианте промпт имел следующий вид:

Rol: Eres un traductor experto y lingüista especializado en traducir humor y juegos de palabras entre español y ruso. Tu profundo conocimiento de ambas culturas te permite encontrar equivalentes creativos cuando las traducciones directas no funcionan.

Tarea Principal: Traducir el siguiente juego de palabras del español al ruso. El humor del chiste se basa en la interacción entre el texto y la imagen que lo acompaña (semiótica visual). Tu objetivo principal es preservar el efecto humorístico para una audiencia rusa.

Instrucciones Paso a Paso:

1. Analiza el Mecanismo del Chiste:

- Identifica la frase esperada y la subversión.

-Explica la función del elemento visual en la creación del humor.

2. Evalúa la Traducibilidad:

- Determina si exactamente el mismo mecanismo funciona en ruso. Si no, explica por qué.

3. Desarrolla una Estrategia de Traducción:

- Opción A: Si es posible un equivalente directo, proporciónalo.

- Opción B: Si no es posible un equivalente directo, inventa un nuevo chiste en ruso que siga la misma estructura lógica. La nueva versión debe sonar natural en ruso.

4. Proporciona la Traducción Final:

-Presenta la traducción al ruso que hayas elegido.

-Justifica brevemente tu elección, explicando cómo preserva el humor en el nuevo contexto lingüístico.

Formato de Salida:

Estructura tu respuesta exactamente de la siguiente manera:

Анализ шутки (Análisis del Chiste)

[Tu análisis paso a paso de los puntos 1 y 2 aquí.]

Стратегия перевода (Estrategia de Traducción)

[Tu razonamiento del punto 3 aquí.]

Перевод шутки (Traducción del Chiste)

[Tu traducción final al ruso aquí.]

Мы выбрали две вербально-визуальные шутки для перевода с испанского языка на русский. Поскольку DeepSeek не справился с поставленной задачей, для перевода каламбуров было принято решение использовать нейронную модель Perplexity.

На рисунке 1 и 2 представлены вербально-визуальные шутки на испанском языке.

Перевод языковой модели оценивался по 3 параметрам:

1. полная утрата юмористического эффекта;

2. частичное сохранение юмористического эффекта; 

3. полное сохранение юмористического эффекта.

Перейдем к первой вербально-визуальной испанской шутке: шутка построена на семантико-визуальной конгруэнтности, усиленной морфологической деривацией. Четкое квадрантное деление создаёт визуальное противопоставление: левая часть представляет референтную норму (птица в естественной среде и её нейтральный антропоморфный образ), а правая – вводит семантический сдвиг через детали костюма (цилиндр, трость), маркирующие формальность.  Подписи “Tucán” и “Ustedcán” не просто дублируют изображение, а вербализуют эту имплицитную оппозицию. Окказионализм “Ustedcán” выполняет роль лингвистического катализатора, проецируя грамматическую категорию вежливости (оппозицию tú/usted) на зооморфный объект. Юмор возникает в точке схождения кодов, где визуальный и вербальный ряды взаимно усиливают друг друга. Нейросетью был предложен следующий вариант перевода:

– Тукан

– Госпотукан

Обратимся к анализу перевода. При переводе нейронная модель Perplexity частично сохранила эффект, создав окказионализм «Госпотукан», который транслирует семантику статуса. Однако перевод попадает в категорию частичного сохранения из-за утраты системной лингвистической оппозиции tú/usted – в русском варианте оппозиция «ты/господин» носит социально-стилистический, а не грамматический характер, что уплощает первоначальный многомерный юмор.

Обратимся ко второй шутке: она реализует модель вербально-визуальной инконгруэнтности, разрешаемой через омофонию. Изображение рыбы, пассивно лежащей на дне, формирует визуальный нарратив бездействия. Ключевой вербальный элемент – слово “Nada!” – выступает как прагматический амбивалент: его первичная интерпретация («ничего!») конфликтует с омофоничным прочтением как формы глагола “nadar” («(она) плавает»). Визуальный ряд здесь выполняет провоцирующую функцию, направляя восприятие по ложному пути и усиливая эффект неожиданности при осознании игры слов.

Нейросетью были предложены следующие варианты перевода:

– Что делает ленивый рыб?

– Ничего. Он даже не плавает!

– Что делает ленивый рыб?

– Ничего!

 В переводах Perplexity юмористический эффект был полностью утрачен, поскольку модель передала лишь прямую семантику, игнорируя омофонический механизм. В качестве возможной компенсаторной стратегии для второго варианта перевода, предложенного моделью Perplexity, можно рассмотреть намеренное созвучие, например, через добавление к местоимению «ничего» частицы «б», что создало бы новую языковую игру на фонетическом уровне:

– Что делает ленивый рыб?

– Ничего б!

Таким образом, в первой шутке ключевой трудностью перевода стала культурно-специфическая грамматическая категория, воплощённая в синтезе образа и окказионального словообразования. Во второй – абсолютная зависимость юмора от внутриязыковой омофонии, где визуальный компонент выступал как прагматический усилитель. Применённые промпты не обеспечили полного сохранения юмористического эффекта, хотя и позволили передать его частично. Для решения подобных задач перспективным представляется использование интерактивного подхода, при котором языковая модель, руководствуясь принципами диалогового проектирования, запрашивает у пользователя уточнения для передачи многозначных или культурно-специфичных элементов. Это открывает новые возможности для синергии человеческого знания и возможностей ИИ в переводе семиотически осложненных текстов.

1. Глазова Л. И. Искусственный интеллект как эффективный инструмент коммуникаций / Л. И. Глазова, А. Д. Лузгина, А. Пугачевский [и др.] // Российская школа связей с общественностью. – 2024. – № 33. – С. 48–65.
2. Алексеева Л. Г. Язык промптов, или особенности формулирования запросов к генеративным нейросетям для создания изображений / Л. Г. Алексеева, П. С. Алексеев // VERBA. Северо-Западный лингвистический журнал. – 2024. – № 3 (13). – С. 50–61. – DOI: 10.34680/VERBA-2024-3(13)-50-61.
3. Руденко Е. С. Искусственный интеллект против естественного: кейс-стади перевода шуток, основанных на игре слов / Е. С. Руденко, М. Ю. Семенова // Научный результат. Вопросы теоретической и прикладной лингвистики. – 2024. – Т. 10, № 4. – С. 53–93. – URL: https://rrlinguistics.ru/journal/annotation/3675/ (дата обращения: 20.11.2025).
4. Wei J. Chain-of-thought prompting elicits reasoning in large language models / J. Wei, X. Wang, D. Schuurmans [et al.] // Advances in Neural Information Processing Systems. – 2022. – Vol. 35. – P. 24824–24837. – DOI: 10.48550/arXiv.2201.11903.
5. Bsharat S. M. Principled Instructions Are All You Need for Questioning LLaMA-1/2, GPT-3.5/4 / S. M. Bsharat // arXiv. – 2024. – URL: https://arxiv.org/abs/2312.16171 (дата обращения: 20.11.2025).

Список источников
6. Мультитран [Электронный ресурс]. – URL: https://www.multitran.com (дата обращения: 20.11.2025).
7. Perplexity [Электронный ресурс]. – URL: https://www.perplexity.ai/search/rol-eres-un-traductor-experto-IKxFk5y9RNi3P0KAOB3Kgg#0 (дата обращения: 20.11.2025).