Translated führt Lara 3 ein und macht das Argument für spezialisierte Übersetzungs‑KI deutlich

Eine Übersetzung kann schön klingen und dennoch die Aufgabe verfehlen. Ein Produktbegriff ändert sich mitten in einer Anleitung, eine Support‑Nachricht verliert ihren Kontext, oder eine Kampagne erscheint in einer anderen Sprache ohne ihre ursprüngliche Stimme. Das sind die Probleme, die Translated mit der allgemeinen Veröffentlichung von Lara 3, seinem spezialisierten KI‑Übersetzungsmodell, angehen will.

Am 7. Oktober angekündigt, macht die Einführung Lara 3 für Unternehmen, professionelle Übersetzer und einzelne Nutzer über die Lara‑API, TranslationOS und Lara Translate verfügbar. Sie folgt einer Einführung ausgewählter Partner im Juli und bringt ein fokussiertes Übersetzungssystem auf einen Markt, der zunehmend von generischen KI‑Modellen überflutet wird.

Die Schlagzeilenbehauptung ist beachtlich: In den blinden Tests von Translated bewerteten professionelle Übersetzer 82 % der Übersetzungen von Lara 3 als perfekt, also ohne Nachbearbeitung. Das Unternehmen meldet niedrigere Werte für die getesteten allgemeinen KI‑ und dedizierten Übersetzungswerkzeuge. Die interessantere Frage ist, welchen Beitrag die Spezialisierung leistet, wenn Übersetzung Teil eines echten Produktions‑Workflows wird.

Was der Benchmark misst

Laut der Ankündigung umfasste die Bewertung 16.800 Übersetzungen vom Englischen in 21 Unternehmens‑Lokalisierungssprachen. Sie kombinierte WMT25‑Material, das Bücher, Nachrichten und Nutzer‑Unterhaltungen umfasst, mit proprietärem Unternehmensinhalt aus den Bereichen Reisen, Technologie und Finanzen.

Durchschnittlich über die 21 Sprachpaare berichtet Translated über die folgenden Anteile an als perfekt bewerteten Übersetzungen:

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

Die Ankündigung besagt, dass Lara in 20 von 21 Sprachpaaren den ersten Platz belegt hat. Laras öffentliche Benchmark-Methodik-Notiz beschreibt ein Mehrheitsurteil von mindestens zwei von drei professionellen Übersetzern. Dies sind vom Unternehmen gemeldete Ergebnisse auf einem definierten Testset und keine universelle Genauigkeitsbewertung für jede Sprache, jedes Fachgebiet oder Dokument.

Diese Unterscheidung ist wichtig. Die Leistung von Englisch in die Zielsprache legt nicht dieselbe Rangfolge für jede Übersetzungsrichtung fest, und ein starkes Gesamtergebnis kann Unterschiede zwischen Sprachen oder Inhaltstypen verbergen. Für ein Lokalisierungsteam bleibt der relevante Test seine eigene Terminologie, sein Material und seine Prüfungsstandards.

Ein Modell, das vor der Bereitstellung übt

Die technische Einführung zu Lara 3 von Translated beschreibt einen Trainingsansatz, den es „Lernen durch Tun“ nennt. Imitation bleibt die Grundlage, doch das Modell übt anschließend das Erzeugen alternativer Übersetzungen. Ein automatischer Richter, geformt durch die Expertise professioneller Prüfer, bewertet diese Versuche, und das Modell verstärkt erfolgreiche Entscheidungen, während es schwächere korrigiert.

Das Unternehmen sagt, dieser Zyklus läuft während des Trainings Millionen‑fach. Das daraus resultierende Verhalten ist im bereitgestellten Modell verankert; das bedeutet nicht, dass jede Kundenanfrage einen neuen Trainingsprozess auslöst.

Der Ansatz greift ein bekanntes Problem der Übersetzung auf: Mehrere Versionen eines Satzes können gültig sein, während nur einige zum umgebenden Material passen. Das Erlernen der Bewertung dieser Alternativen bietet ein anderes Ziel, als lediglich eine Referenzantwort zu reproduzieren.

In der Ankündigung argumentiert Mitgründer und CEO Marco Trombetti, dass die Übersetzungsqualität von einem tiefen Verständnis des Problems abhängt. Flüssigkeit allein reicht nicht aus, wenn ein mehrdeutiger Ausdruck, ein falscher Fachbegriff oder ein übersehener kultureller Hinweis das Verständnis des Lesers verändert.

Kontext ist Teil des Workflows

Training ist nur eine Ebene. Laras Entwicklerdokumentation erklärt, wie das System beim Übersetzen einzelner Sätze relevanten Dokumentkontext nutzt. Bei längeren Eingaben kann es Sätze parallel übersetzen und dabei den umgebenden Text als zusätzliche Modaleingabe bereitstellen.

Entwickler können außerdem externen Kontext bereitstellen, der eine Übersetzung informieren soll, ohne selbst übersetzt zu werden. Ein Blog‑Titel kann beispielsweise vom Artikeltext begleitet werden, oder eine neue Chat‑Nachricht von der vorherigen Unterhaltung. Das ist besonders nützlich, wenn professionelle Übersetzungswerkzeuge ein Dokument bereits in separate Segmente aufgeteilt haben.

Für Unternehmensnutzer hat diese Fähigkeit einen praktischen Zweck: kleine Inhaltsfragmente mit den Informationen zu verknüpfen, die ihnen Bedeutung verleihen. Glossare und freigegebene Übersetzungsspeicher fügen eine weitere Ebene der Konsistenz hinzu, insbesondere wenn derselbe Produktvokabular über eine Website, Dokumentation und den Kundensupport hinweg erscheint.

Von Qualitätswerten zu Produktionsökonomie

Die Ankündigung berichtet zudem über separate Geschwindigkeits‑ und Kosten‑Benchmarks. In einem Single‑Thread‑Test sagt Translated, dass Lara 3 das 23‑fache des Durchsatzes von Claude Fable 5 erreichte und für das gleiche Budget 3,75‑mal so viele Zeichen übersetzte. Diese Vergleiche unterscheiden sich von der Qualitätsbewertung und sollten im Kontext des jeweiligen Testaufbaus verstanden werden.

Lara’s API-Plattform erstreckt sich über reinen Text hinaus auf HTML- und XLIFF‑Lokalisierungsinhalte, Dokumente, Bilder und Audio. Die Produktseite beschreibt die Unterstützung von mehr als 70 Dokumentformaten mit Layout‑Erhaltung sowie Glossar‑ und Translation‑Memory‑Integration. Die Abdeckung variiert je nach Eingabetyp, sodass die Text‑Sprachunterstützung nicht automatisch identisch für Audio oder Bilder gelten sollte.

Translated wurde 1999 von der Linguistin Isabelle Andrieu und dem Informatiker Marco Trombetti gegründet. Die Startmitteilung gibt an, dass das Unternehmen mehr als 300 000 Kunden in über 200 Sprachen und in mehr als 40 Fachgebieten bedient. Diese Geschichte erklärt Laras Schwerpunkt auf die weniger glamourösen Anforderungen der Lokalisierung: konsistente Terminologie, kontextuelle Genauigkeit und Ausgaben, die dem beabsichtigten Verwendungszweck entsprechen.

Lara 3 ist nun allgemein verfügbar und wandelt das Argument der Spezialisierung in eine Produktentscheidung um. Der gemeldete Benchmark‑Vorsprung ist ein Grund zur Untersuchung; der entscheidendere Test ist, ob er die Bearbeitungs‑ und Integrationsarbeit an realen Inhalten reduziert. Für Teams, die in großem Umfang übersetzen, ist die zuverlässige Bedeutungsbewahrung das, was ein Modell lange nach dem ersten beeindruckenden Satz nützlich macht.