Translated lancerer Lara 3, og gør sagen for specialiseret oversættelses‑AI

En oversættelse kan læse smukt og stadig gøre arbejdet forkert. Et produktbegreb ændrer sig midt i en manual, en supportmeddelelse mister sin kontekst, eller en kampagne ankommer på et andet sprog uden sin oprindelige stemme. Det er de problemer, Translated sigter på at løse med den generelle udgivelse af Lara 3, dens specialiserede AI‑oversættelsesmodel.

Udgivet den 7. oktober gør lanceringen Lara 3 tilgængelig for virksomheder, professionelle oversættere og individuelle brugere via Lara API, TranslationOS og Lara Translate. Den følger en introduktion til udvalgte partnere i juli og placerer et fokuseret oversættelsessystem på et marked, der i stigende grad er overfyldt med generelle AI‑modeller.

Den overordnede påstand er betydelig: i Translateds blinde evalueringer vurderede professionelle oversættere 82 % af Lara 3’s oversættelser som perfekte, uden behov for redigering. Virksomheden rapporterer lavere scorer for den generelle AI og de dedikerede oversættelsesværktøjer, den testede. Det mere interessante spørgsmål er, hvad specialisering bidrager med, når oversættelse bliver en del af en reel produktions‑workflow.

Hvad benchmarken måler

Ifølge pressemeddelelsen omfattede evalueringen 16.800 oversættelser fra engelsk til 21 virksomhedslokaliseringssprog. Den kombinerede WMT25‑materiale, der spænder over bøger, nyheder og bruger‑samtaler, med proprietært virksomhedsindhold inden for rejse, teknologi og finans.

Gennemsnitligt over de 21 sprogpar rapporterer Translated følgende andele af oversættelser, der blev vurderet som perfekte:

• Lara 3: 82%
• GPT-5.6 Sol: 69%
• Claude Fable 5: 67%
• DeepL: 57%
• Google Translate: 53%

Pressemeddelelsen siger, at Lara sluttede som første i 20 af de 21 sprogpar. Lara’s offentlig benchmark‑metodologinote beskriver en flertalsbedømmelse fra mindst to af tre professionelle oversættere. Dette er virksomhedens rapporterede resultater på et defineret test‑sæt, snarere end en universel nøjagtighedsvurdering på tværs af alle sprog, domæner eller dokumenter.

Den sondring er vigtig. Engelsk‑til‑mål‑sprogs præstation fastlægger ikke den samme rangering for hver oversættelsesretning, og en stærk samlet score kan skjule forskelle mellem sprog eller indholdstyper. For et lokaliseringsteam forbliver den relevante test dets egen terminologi, materiale og gennemgangsstandarder.

En model, der øver sig før implementering

Translated’s teknisk introduktion til Lara 3 beskriver en træningsmetode, den kalder “learning by doing”. Imitation forbliver grundlaget, men modellen øver derefter på at generere alternative oversættelser. En automatisk dommer, formet af professionelle reviewer‑ekspertise, vurderer disse forsøg, og modellen forstærker succesfulde valg, mens den korrigerer svagere.

Virksomheden siger, at denne cyklus kører millioner af gange under træning. Den resulterende adfærd er indbygget i den implementerede model; det betyder ikke, at hver kundes forespørgsel udløser en ny træningsproces.

Tilgangen tackler en velkendt udfordring i oversættelse: flere versioner af en sætning kan være gyldige, mens kun nogle passer til det omgivende materiale. At lære at evaluere disse alternativer giver et andet mål end blot at gengive ét reference‑svar.

I pressemeddelelsen argumenterer medstifter og administrerende direktør Marco Trombetti for, at oversættelses‑kvalitet afhænger af en dyb forståelse af problemet. Flydende sprog alene er utilstrækkeligt, når en tvetydig sætning, en forkert teknisk betegnelse eller en manglende kulturel reference ændrer, hvad læseren forstår.

Kontekst er en del af workflowet

Træning er kun ét lag. Lara’s udviklerdokumentation forklarer, hvordan systemet bruger relevant dokumentkontekst ved oversættelse af enkelte sætninger. For længere input kan den oversætte sætninger parallelt, mens den leverer omgivende tekst som ekstra modelinput.

Udviklere kan også levere ekstern kontekst, som bør informere en oversættelse uden selv at blive oversat. En blog‑titel kan for eksempel ledsages af artiklens brødtekst, eller en ny chat‑besked af den foregående samtale. Dette er især nyttigt, når professionelle oversættelsesværktøjer allerede har opdelt et dokument i separate segmenter.

For virksomhedsanvendere har denne funktion et praktisk formål: at holde små indholds‑stykker forbundet med den information, der giver dem mening. Ordlister og godkendte oversættelses‑hukommelser tilføjer et ekstra lag af konsistens, især når det samme produkt‑vokabular fremkommer på tværs af en hjemmeside, dokumentation og kundesupport.

Fra kvalitetsscorer til produktionsøkonomi

Pressemeddelelsen rapporterer også separate hastigheds‑ og omkostnings‑benchmarking. I en enkelt‑trådet test siger Translated, at Lara 3 leverede 23 gange så høj gennemløb som Claude Fable 5 og oversatte 3,75 gange så mange tegn for samme budget. Disse sammenligninger er adskilt fra kvalitetsevalueringen og bør forstås inden for deres test‑opsætning.

Laras API-platform strækker sig ud over ren tekst til HTML- og XLIFF‑lokaliseringsindhold, dokumenter, billeder og lyd. Produktsiden beskriver understøttelse af mere end 70 dokumentformater med layout‑bevarelse samt integration af ordliste og oversættelses‑hukommelse. Dækningen varierer efter inputtype, så understøttelse af tekst‑sprog bør ikke antages at gælde identisk for lyd eller billeder.

Translated blev grundlagt i 1999 af lingvisten Isabelle Andrieu og datalog Marco Trombetti. I lanceringen står der, at virksomheden betjener mere end 300.000 kunder på 200 sprog og i over 40 fagområder. Denne historie hjælper med at forklare Laras fokus på de mindre glamourøse krav i lokalisering: konsistent terminologi, kontekstuel nøjagtighed og output, der passer til den tilsigtede brug.

Lara 3’s generelle tilgængelighed gør specialiseringsargumentet til en produktbeslutning. Den rapporterede benchmark‑fordel er en grund til at undersøge den; den stærkere test er, om den reducerer redigerings‑ og integrationsarbejde på rigtigt indhold. For teams, der oversætter i stor skala, er pålidelig bevaring af betydning det, der gør en model nyttig længe efter den første imponerende sætning.