Translated lanza Lara 3, defendiendo la IA de traducción especializada

Una traducción puede leerse hermosamente y aun así equivocarse. Un término de producto cambia a mitad de un manual, un mensaje de soporte pierde su contexto, o una campaña llega a otro idioma sin su voz original. Esos son los problemas que Translated está abordando con el lanzamiento general de Lara 3, su modelo de IA de traducción especializado.

Anunciado el 7 de octubre, el lanzamiento pone a disposición de empresas, traductores profesionales y usuarios individuales Lara 3 a través de la API de Lara, TranslationOS y Lara Translate. Sigue a una presentación a socios seleccionados en julio y coloca un sistema de traducción enfocado en un mercado cada vez más saturado de modelos de IA de propósito general.

La afirmación principal es sustancial: en las evaluaciones ciegas de Translated, traductores profesionales calificaron el 82 % de las traducciones de Lara 3 como perfectas, sin requerir ediciones. La empresa informa puntuaciones más bajas para la IA general y las herramientas de traducción dedicadas que probó. La cuestión más interesante es qué aporta la especialización cuando la traducción pasa a formar parte de un flujo de trabajo de producción real.

Qué mide la prueba de referencia

Según el comunicado de lanzamiento, la evaluación abarcó 16 800 traducciones del inglés a 21 idiomas de localización empresarial. Combinó material de WMT25 que incluye libros, noticias y conversaciones de usuarios con contenido empresarial propietario en los sectores de viajes, tecnología y finanzas.

Promediando los 21 pares de idiomas, Translated informa las siguientes proporciones de traducciones calificadas como perfectas:

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

El comunicado dice que Lara terminó primera en 20 de los 21 pares de idiomas. La nota de metodología de referencia pública de Lara describe un juicio mayoritario por al menos dos de tres traductores profesionales. Estos son resultados reportados por la empresa en un conjunto de pruebas definido, en lugar de una valoración de precisión universal para todos los idiomas, dominios o documentos.

Esa distinción importa. El rendimiento de inglés a idioma de destino no establece la misma clasificación para cada dirección de traducción, y una puntuación agregada alta puede ocultar diferencias entre idiomas o tipos de contenido. Para un equipo de localización, la prueba relevante sigue siendo su propia terminología, material y estándares de revisión.

Un modelo que practica antes del despliegue

La introducción técnica a Lara 3 de Translated describe un enfoque de entrenamiento que denomina “aprender haciendo”. La imitación sigue siendo la base, pero el modelo luego practica la generación de traducciones alternativas. Un evaluador automático, moldeado por la experiencia de revisores profesionales, evalúa esos intentos, y el modelo refuerza las opciones exitosas mientras corrige las más débiles.

La empresa afirma que este ciclo se ejecuta millones de veces durante el entrenamiento. El comportamiento resultante se incorpora al modelo desplegado; no significa que cada solicitud del cliente active un nuevo proceso de entrenamiento.

El enfoque aborda una dificultad conocida en la traducción: varias versiones de una frase pueden ser válidas, aunque solo algunas se ajusten al material circundante. Aprender a evaluar esas alternativas ofrece un objetivo distinto a simplemente reproducir una respuesta de referencia.

En el comunicado, el cofundador y CEO Marco Trombetti sostiene que la calidad de la traducción depende de comprender el problema en profundidad. La fluidez por sí sola es insuficiente cuando una frase ambigua, un término técnico incorrecto o una pista cultural omitida cambian lo que el lector entiende.

El contexto es parte del flujo de trabajo

El entrenamiento es solo una capa. La documentación para desarrolladores de Lara explica cómo el sistema utiliza el contexto documental relevante al traducir oraciones individuales. Para entradas más largas, puede traducir oraciones en paralelo mientras suministra el texto circundante como entrada adicional del modelo.

Los desarrolladores también pueden proporcionar contexto externo que debe informar una traducción sin ser traducido. Por ejemplo, un título de blog puede ir acompañado del cuerpo del artículo, o un nuevo mensaje de chat por la conversación precedente. Esto es particularmente útil cuando las herramientas de traducción profesional ya han dividido un documento en segmentos separados.

Para los usuarios empresariales, esa capacidad tiene un propósito práctico: mantener pequeñas piezas de contenido vinculadas a la información que les otorga sentido. Glosarios y memorias de traducción aprobadas añaden otra capa de consistencia, especialmente cuando el mismo vocabulario de producto aparece en un sitio web, documentación y soporte al cliente.

De las puntuaciones de calidad a la economía de producción

El comunicado también informa métricas separadas de velocidad y coste. En una prueba de un solo hilo, Translated afirma que Lara 3 ofreció 23 veces mayor rendimiento que Claude Fable 5 y tradujo 3,75 veces más caracteres con el mismo presupuesto. Estas comparaciones son distintas de la evaluación de calidad y deben entenderse dentro del entorno de prueba utilizado.

La plataforma API de Lara se extiende más allá del texto plano a contenido de localización en HTML y XLIFF, documentos, imágenes y audio. La página del producto describe soporte para más de 70 formatos de documento con preservación del diseño, además de integración de glosario y memoria de traducción. La cobertura varía según el tipo de entrada, por lo que no debe asumirse que el soporte de texto e idioma se aplique de forma idéntica al audio o a las imágenes.

Translated se fundó en 1999 por la lingüista Isabelle Andrieu y el científico informático Marco Trombetti. Su comunicado de lanzamiento indica que la empresa atiende a más de 300 000 clientes en 200 idiomas y en más de 40 áreas temáticas. Esa historia ayuda a explicar el énfasis de Lara en los requisitos menos glamorosos de la localización: terminología coherente, precisión contextual y resultados que se ajusten al uso previsto.

La disponibilidad general de Lara 3 convierte el argumento de especialización en una decisión de producto. Su ventaja de referencia reportada es una razón para investigarla; la prueba más contundente es si reduce el trabajo de edición e integración en contenido real. Para los equipos que traducen a gran escala, preservar el significado de forma fiable es lo que hace que un modelo sea útil mucho después de la primera frase impresionante.