Translated ने Lara 3 लॉन्च किया, विशेषीकृत अनुवाद AI के पक्ष में तर्क प्रस्तुत किया

एक अनुवाद सुंदर पढ़ा जा सकता है और फिर भी काम गलत कर सकता है। एक उत्पाद शब्द मैनुअल के बीच में बदल जाता है, एक समर्थन संदेश अपना संदर्भ खो देता है, या कोई अभियान दूसरी भाषा में बिना अपनी मूल आवाज़ के आता है। यही वे समस्याएँ हैं जिन्हें Translated अपने Lara 3 के सामान्य रिलीज़ के साथ लक्षित कर रहा है, जो इसका विशेषीकृत AI अनुवाद मॉडल है।

7 अक्टूबर को घोषित किया गया, यह लॉन्च Lara 3 को उद्यमों, पेशेवर अनुवादकों और व्यक्तिगत उपयोगकर्ताओं के लिए Lara API, TranslationOS और Lara Translate के माध्यम से उपलब्ध कराता है। यह जुलाई में चयनित भागीदारों के परिचय के बाद आया है और एक केंद्रित अनुवाद प्रणाली को एक ऐसे बाजार में पेश करता है जो सामान्य‑उद्देश्य AI मॉडलों से लगातार भीड़भाड़ हो रहा है।

मुख्य दावा उल्लेखनीय है: Translated की अंध मूल्यांकनों में, पेशेवर अनुवादकों ने Lara 3 के 82% अनुवादों को परिपूर्ण माना, जिनमें कोई संपादन आवश्यक नहीं था। कंपनी ने सामान्य AI और परीक्षण किए गए समर्पित अनुवाद उपकरणों के लिए कम स्कोर रिपोर्ट किए। अधिक रोचक प्रश्न यह है कि जब अनुवाद वास्तविक उत्पादन कार्यप्रवाह का हिस्सा बन जाता है, तो विशेषीकरण क्या योगदान देता है।

बेंचमार्क क्या मापता है

लॉन्च रिलीज़ के अनुसार, मूल्यांकन में अंग्रेज़ी से 21 एंटरप्राइज़ स्थानीयकरण भाषाओं में 16,800 अनुवाद शामिल थे। इसमें पुस्तकों, समाचार और उपयोगकर्ता वार्तालापों को कवर करने वाले WMT25 सामग्री को यात्रा, प्रौद्योगिकी और वित्त में स्वामित्व वाले एंटरप्राइज़ सामग्री के साथ जोड़ा गया।

21 भाषा जोड़ों में औसत लेकर, Translated ने परिपूर्ण माने गए अनुवादों के निम्नलिखित प्रतिशत रिपोर्ट किए हैं:

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

रिलीज़ के अनुसार Lara ने 21 भाषा जोड़ों में से 20 में पहला स्थान हासिल किया। Lara की सार्वजनिक बेंचमार्क कार्यप्रणाली नोट कम से कम तीन पेशेवर अनुवादकों में से दो द्वारा बहुमत निर्णय का वर्णन करती है। ये कंपनी द्वारा रिपोर्ट किए गए परिणाम हैं जो एक परिभाषित परीक्षण सेट पर आधारित हैं, न कि हर भाषा, डोमेन या दस्तावेज़ के लिए एक सार्वभौमिक सटीकता रेटिंग।

यह अंतर महत्वपूर्ण है। अंग्रेज़ी‑से‑लक्षित‑भाषा प्रदर्शन प्रत्येक अनुवाद दिशा के लिए समान रैंकिंग स्थापित नहीं करता, और एक मजबूत समग्र स्कोर भाषाओं या सामग्री प्रकारों के बीच के अंतर को छिपा सकता है। एक स्थानीयकरण टीम के लिए, प्रासंगिक परीक्षण अभी भी उसकी अपनी शब्दावली, सामग्री और समीक्षा मानकों पर निर्भर करता है।

एक मॉडल जो तैनाती से पहले अभ्यास करता है

Translated की Lara 3 के तकनीकी परिचय एक प्रशिक्षण दृष्टिकोण का वर्णन करती है जिसे वह “करते‑करते सीखना” कहता है। अनुकरण अभी भी आधार है, लेकिन मॉडल फिर वैकल्पिक अनुवाद उत्पन्न करने का अभ्यास करता है। एक स्वचालित जज, जो पेशेवर समीक्षकों की विशेषज्ञता से आकार लेता है, उन प्रयासों का मूल्यांकन करता है, और मॉडल सफल विकल्पों को सुदृढ़ करता है जबकि कमजोर विकल्पों को सुधारता है।

कंपनी कहती है कि यह चक्र प्रशिक्षण के दौरान लाखों बार चलता है। परिणामी व्यवहार तैनात मॉडल में अंतर्निहित होता है; इसका अर्थ यह नहीं है कि हर ग्राहक अनुरोध एक नई प्रशिक्षण प्रक्रिया को ट्रिगर करता है।

यह दृष्टिकोण अनुवाद में एक परिचित कठिनाई को संबोधित करता है: एक वाक्य के कई संस्करण मान्य हो सकते हैं, जबकि केवल कुछ ही आसपास की सामग्री में फिट होते हैं। उन विकल्पों का मूल्यांकन करना सीखना केवल एक संदर्भ उत्तर को दोहराने से अलग लक्ष्य प्रदान करता है।

रिलीज़ में, सह-संस्थापक और सीईओ Marco Trombetti तर्क देते हैं कि अनुवाद की गुणवत्ता समस्या को गहराई से समझने पर निर्भर करती है। केवल प्रवाह पर्याप्त नहीं है जब एक अस्पष्ट वाक्यांश, गलत तकनीकी शब्द या छूटा हुआ सांस्कृतिक संकेत पाठक की समझ को बदल देता है।

संदर्भ कार्यप्रवाह का हिस्सा है

प्रशिक्षण केवल एक परत है। Lara की डेवलपर दस्तावेज़ीकरण बताता है कि सिस्टम व्यक्तिगत वाक्यों का अनुवाद करते समय प्रासंगिक दस्तावेज़ संदर्भ का उपयोग कैसे करता है। लंबी इनपुट के लिए, यह वाक्यों को समानांतर में अनुवाद कर सकता है जबकि आसपास के पाठ को अतिरिक्त मॉडल इनपुट के रूप में प्रदान करता है।

डेवलपर्स बाहरी संदर्भ भी प्रदान कर सकते हैं जो अनुवाद को सूचित करना चाहिए बिना स्वयं अनूदित हुए। उदाहरण के लिए, एक ब्लॉग शीर्षक को लेख के मुख्य भाग के साथ जोड़ा जा सकता है, या एक नया चैट संदेश पूर्ववर्ती वार्तालाप के साथ। यह विशेष रूप से उपयोगी है जब पेशेवर अनुवाद उपकरण पहले ही दस्तावेज़ को अलग-अलग खंडों में विभाजित कर चुके हों।

एंटरप्राइज़ उपयोगकर्ताओं के लिए, यह क्षमता एक व्यावहारिक उद्देश्य रखती है: छोटे सामग्री टुकड़ों को उस जानकारी से जोड़ना जो उन्हें अर्थ देती है। शब्दकोश और स्वीकृत अनुवाद मेमोरीज़ अतिरिक्त स्थिरता की परत जोड़ते हैं, विशेष रूप से जब समान उत्पाद शब्दावली वेबसाइट, दस्तावेज़ीकरण और ग्राहक समर्थन में दिखाई देती है।

गुणवत्ता स्कोर से उत्पादन अर्थशास्त्र तक

रिलीज़ अलग-अलग गति और लागत बेंचमार्क भी रिपोर्ट करती है। एक सिंगल‑थ्रेड परीक्षण में, Translated कहता है कि Lara 3 ने Claude Fable 5 की थ्रूपुट से 23 गुना अधिक प्रदान किया और समान बजट में 3.75 गुना अधिक अक्षर अनूदित किए। ये तुलना गुणवत्ता मूल्यांकन से अलग हैं और इन्हें उनके परीक्षण सेटअप के भीतर समझा जाना चाहिए।

Lara का API प्लेटफ़ॉर्म साधारण पाठ से आगे बढ़कर HTML और XLIFF स्थानीयकरण सामग्री, दस्तावेज़, छवियों और ऑडियो को भी कवर करता है। उत्पाद पृष्ठ बताता है कि 70 से अधिक दस्तावेज़ फ़ॉर्मेट का लेआउट संरक्षित रखते हुए समर्थन किया जाता है, साथ ही शब्दकोश और अनुवाद‑स्मृति एकीकरण भी उपलब्ध है। कवरेज इनपुट प्रकार के अनुसार बदलता है, इसलिए यह मान लेना कि पाठ‑भाषा समर्थन ऑडियो या छवियों पर समान रूप से लागू होगा, सही नहीं है।

Translated की स्थापना 1999 में भाषाविद Isabelle Andrieu और कंप्यूटर वैज्ञानिक Marco Trombetti ने की थी। इसके लॉन्च रिलीज़ में कहा गया है कि कंपनी 200 भाषाओं और 40 से अधिक विषय क्षेत्रों में 300,000 से अधिक ग्राहकों की सेवा करती है। यह इतिहास यह समझाने में मदद करता है कि Lara स्थानीयकरण की कम आकर्षक आवश्यकताओं पर क्यों ज़ोर देती है: सुसंगत शब्दावली, संदर्भीय शुद्धता और ऐसा आउटपुट जो इच्छित उपयोग के अनुरूप हो।

Lara 3 की सामान्य उपलब्धता विशेषीकरण तर्क को एक उत्पाद निर्णय में बदल देती है। इसकी रिपोर्टेड बेंचमार्क अग्रता जांच का कारण है; अधिक महत्वपूर्ण परीक्षण यह है कि क्या यह वास्तविक सामग्री पर संपादन और एकीकरण कार्य को कम करता है। बड़े पैमाने पर अनुवाद करने वाली टीमों के लिए, अर्थ को विश्वसनीय रूप से संरक्षित रखना ही वह गुण है जो मॉडल को पहली प्रभावशाली वाक्य के बाद भी उपयोगी बनाता है।