Translated lance Lara 3, démontrant l’intérêt de l’IA de traduction spécialisée

Une traduction peut être très fluide et pourtant se tromper. Un terme de produit change en cours de manuel, un message d’assistance perd son contexte, ou une campagne arrive dans une autre langue sans conserver sa voix originale. Ce sont les problèmes que Translated vise à résoudre avec le lancement général de Lara 3, son modèle de traduction IA spécialisé.

Annoncé le 7 octobre, le lancement rend Lara 3 disponible aux entreprises, aux traducteurs professionnels et aux utilisateurs individuels via l’API Lara, TranslationOS et Lara Translate. Il fait suite à une présentation aux partenaires sélectionnés en juillet et introduit un système de traduction ciblé sur un marché de plus en plus saturé de modèles d’IA à usage général.

L’affirmation principale est importante : dans les évaluations à l’aveugle de Translated, des traducteurs professionnels ont jugé 82 % des traductions de Lara 3 comme parfaites, ne nécessitant aucune modification. L’entreprise indique des scores plus faibles pour l’IA générale et les outils de traduction dédiés qu’elle a testés. La question la plus intéressante est de savoir ce que la spécialisation apporte lorsque la traduction devient partie intégrante d’un flux de production réel.

Ce que mesure le benchmark

Selon le communiqué de lancement, l’évaluation a couvert 16 800 traductions de l’anglais vers 21 langues de localisation d’entreprise. Elle a combiné du matériel WMT25 couvrant des livres, des actualités et des conversations d’utilisateurs avec du contenu d’entreprise propriétaire dans les secteurs du voyage, de la technologie et de la finance.

En moyenne sur les 21 paires de langues, Translated rapporte les parts suivantes de traductions jugées parfaites :

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

Le communiqué indique que Lara a terminé première dans 20 des 21 paires de langues. La note de méthodologie de benchmark public de Lara décrit un jugement majoritaire par au moins deux des trois traducteurs professionnels. Il s’agit de résultats communiqués par l’entreprise sur un jeu de test défini, et non d’une évaluation d’exactitude universelle pour toutes les langues, domaines ou documents.

Cette distinction est importante. La performance de l’anglais vers la langue cible n’établit pas le même classement pour chaque direction de traduction, et un score agrégé élevé peut masquer des différences entre langues ou types de contenu. Pour une équipe de localisation, le test pertinent reste celui de sa propre terminologie, de ses matériaux et de ses normes de révision.

Un modèle qui s’exerce avant le déploiement

La introduction technique à Lara 3 de Translated décrit une approche d’entraînement qu’elle appelle « learning by doing ». L’imitation reste la base, mais le modèle s’exerce ensuite à générer des traductions alternatives. Un juge automatique, façonné par l’expertise de réviseurs professionnels, évalue ces tentatives, et le modèle renforce les choix réussis tout en corrigeant les plus faibles.

L’entreprise affirme que ce cycle s’exécute des millions de fois pendant l’entraînement. Le comportement résultant est intégré au modèle déployé ; cela ne signifie pas que chaque demande client déclenche un nouveau processus d’entraînement.

L’approche répond à une difficulté familière en traduction : plusieurs versions d’une phrase peuvent être valides, mais seules certaines s’intègrent au contexte environnant. Apprendre à évaluer ces alternatives offre un objectif différent de la simple reproduction d’une réponse de référence.

Dans le communiqué, le cofondateur et PDG Marco Trombetti soutient que la qualité de la traduction dépend d’une compréhension approfondie du problème. La fluidité seule est insuffisante lorsqu’une phrase ambiguë, un terme technique incorrect ou un indice culturel manqué modifient la compréhension du lecteur.

Le contexte fait partie du flux de travail

La documentation développeur de Lara explique comment le système utilise le contexte documentaire pertinent lors de la traduction de phrases individuelles. Pour des entrées plus longues, il peut traduire les phrases en parallèle tout en fournissant le texte environnant comme entrée supplémentaire du modèle.

Les développeurs peuvent également fournir un contexte externe qui doit éclairer la traduction sans être lui-même traduit. Un titre de blog peut, par exemple, être accompagné du corps de l’article, ou un nouveau message de chat par la conversation précédente. Cela est particulièrement utile lorsque les outils de traduction professionnelle ont déjà découpé un document en segments distincts.

Pour les utilisateurs d’entreprise, cette capacité a un objectif pratique : garder de petits fragments de contenu liés à l’information qui leur donne du sens. Les glossaires et les mémoires de traduction approuvées ajoutent une couche supplémentaire de cohérence, surtout lorsque le même vocabulaire produit apparaît sur un site web, dans la documentation et le support client.

Des scores de qualité à l’économie de production

Le communiqué rapporte également des benchmarks séparés de vitesse et de coût. Dans un test monothread, Translated indique que Lara 3 a fourni un débit 23 fois supérieur à celui de Claude Fable 5 et a traduit 3,75 fois plus de caractères pour le même budget. Ces comparaisons sont distinctes de l’évaluation de qualité et doivent être comprises dans le cadre de leur configuration de test.

La plateforme API de Lara s’étend au-delà du texte brut pour inclure le contenu de localisation HTML et XLIFF, les documents, les images et l’audio. La page produit décrit la prise en charge de plus de 70 formats de documents avec préservation de la mise en page, ainsi que l’intégration de glossaire et de mémoire de traduction. La couverture varie selon le type d’entrée, de sorte que le support texte‑langue ne doit pas être supposé s’appliquer de la même façon à l’audio ou aux images.

Translated a été fondée en 1999 par la linguiste Isabelle Andrieu et l’informaticien Marco Trombetti. Son communiqué de lancement indique que l’entreprise dessert plus de 300 000 clients dans plus de 200 langues et plus de 40 domaines d’expertise. Cette histoire aide à expliquer l’accent mis par Lara sur les exigences moins glamour de la localisation : une terminologie cohérente, une précision contextuelle et une sortie adaptée à l’usage prévu.

La disponibilité générale de Lara 3 transforme l’argument de spécialisation en une décision produit. Son avantage de référence déclaré constitue une raison d’enquêter ; le test le plus exigeant est de savoir si cela réduit le travail de révision et d’intégration sur du contenu réel. Pour les équipes qui traduisent à grande échelle, la capacité à préserver le sens de façon fiable est ce qui rend un modèle utile bien après la première phrase impressionnante.