Translated Meluncurkan Lara 3, Menunjukkan Pentingnya AI Terjemahan Khusus

Sebuah terjemahan dapat terbaca indah namun tetap salah. Istilah produk berubah di tengah manual, pesan dukungan kehilangan konteksnya, atau sebuah kampanye muncul dalam bahasa lain tanpa suara aslinya. Itulah masalah yang ditargetkan Translated dengan rilis umum Lara 3, model AI terjemahan khususnya.

Diumumkan pada 7 Oktober, peluncuran ini membuat Lara 3 tersedia bagi perusahaan, penerjemah profesional, dan pengguna individu melalui Lara API, TranslationOS, dan Lara Translate. Ini mengikuti pengenalan kepada mitra terpilih pada bulan Juli dan menempatkan sistem terjemahan terfokus ke pasar yang semakin dipenuhi model AI tujuan umum.

Klaim utama cukup signifikan: dalam evaluasi buta Translated, penerjemah profesional menilai 82% terjemahan Lara 3 sebagai sempurna, tidak memerlukan penyuntingan. Perusahaan melaporkan skor lebih rendah untuk AI umum dan alat terjemahan khusus yang diuji. Pertanyaan yang lebih menarik adalah kontribusi spesialisasi ketika terjemahan menjadi bagian dari alur kerja produksi yang sesungguhnya.

Apa yang diukur oleh benchmark

Menurut siaran rilis, evaluasi mencakup 16.800 terjemahan dari bahasa Inggris ke 21 bahasa lokalisasi perusahaan. Evaluasi menggabungkan materi WMT25 yang meliputi buku, berita, dan percakapan pengguna dengan konten perusahaan proprietari di bidang perjalanan, teknologi, dan keuangan.

Rata‑rata di seluruh 21 pasangan bahasa, Translated melaporkan proporsi terjemahan yang dinilai sempurna sebagai berikut:

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

Rilis menyatakan Lara finis pertama di 20 dari 21 pasangan bahasa. catatan metodologi benchmark publik Lara menjelaskan penilaian mayoritas oleh setidaknya dua dari tiga penerjemah profesional. Ini adalah hasil yang dilaporkan perusahaan pada set tes yang ditentukan, bukan penilaian akurasi universal untuk setiap bahasa, domain, atau dokumen.

Perbedaan itu penting. Kinerja bahasa Inggris‑ke‑bahasa target tidak menetapkan peringkat yang sama untuk setiap arah terjemahan, dan skor agregat yang tinggi dapat menyembunyikan perbedaan antar bahasa atau tipe konten. Bagi tim lokalisasi, pengujian yang relevan tetap pada terminologi, materi, dan standar tinjauan mereka sendiri.

Model yang berlatih sebelum diterapkan

Translated’s pendahuluan teknis tentang Lara 3 menjelaskan pendekatan pelatihan yang disebutnya “learning by doing.” Imitasi tetap menjadi dasar, tetapi model kemudian berlatih menghasilkan terjemahan alternatif. Sebuah penilai otomatis, yang dibentuk oleh keahlian reviewer profesional, mengevaluasi upaya tersebut, dan model memperkuat pilihan yang berhasil sambil memperbaiki yang lebih lemah.

Perusahaan mengatakan siklus ini dijalankan jutaan kali selama pelatihan. Perilaku yang dihasilkan tertanam dalam model yang diterapkan; ini tidak berarti setiap permintaan pelanggan memicu proses pelatihan baru.

Pendekatan ini mengatasi kesulitan umum dalam terjemahan: beberapa versi kalimat dapat sah, namun hanya sebagian yang cocok dengan materi sekitarnya. Belajar mengevaluasi alternatif tersebut menawarkan tujuan yang berbeda dibandingkan sekadar menghasilkan satu jawaban referensi.

Dalam rilis tersebut, co‑founder dan CEO Marco Trombetti berargumen bahwa kualitas terjemahan bergantung pada pemahaman masalah secara mendalam. Kefasihan saja tidak cukup ketika frasa ambigu, istilah teknis yang salah, atau petunjuk budaya yang terlewat mengubah apa yang dipahami pembaca.

Konteks adalah bagian dari alur kerja

Pelatihan hanyalah satu lapisan. Lara’s dokumentasi pengembang menjelaskan bagaimana sistem menggunakan konteks dokumen yang relevan saat menerjemahkan kalimat individual. Untuk masukan yang lebih panjang, sistem dapat menerjemahkan kalimat secara paralel sambil menyediakan teks di sekitarnya sebagai masukan model tambahan.

Pengembang juga dapat menyediakan konteks eksternal yang harus memberi informasi pada terjemahan tanpa diterjemahkan sendiri. Misalnya, judul blog dapat disertai dengan isi artikel, atau pesan obrolan baru dapat disertai percakapan sebelumnya. Ini sangat berguna ketika alat terjemahan profesional telah membagi dokumen menjadi segmen terpisah.

Bagi pengguna perusahaan, kemampuan ini memiliki tujuan praktis: menjaga potongan konten kecil tetap terhubung dengan informasi yang memberi makna. Glosarium dan memori terjemahan yang disetujui menambah lapisan konsistensi lain, terutama ketika kosakata produk yang sama muncul di situs web, dokumentasi, dan dukungan pelanggan.

Dari skor kualitas ke ekonomi produksi

Rilis tersebut juga melaporkan benchmark kecepatan dan biaya terpisah. Dalam pengujian satu‑thread, Translated mengatakan Lara 3 menghasilkan throughput 23 kali lipat dibandingkan Claude Fable 5 dan menerjemahkan 3,75 kali lebih banyak karakter dengan anggaran yang sama. Perbandingan ini berbeda dari evaluasi kualitas dan harus dipahami dalam konteks pengaturan pengujian mereka.

Lara platform API melampaui teks biasa ke konten lokalisasi HTML dan XLIFF, dokumen, gambar, dan audio. Halaman produk menjelaskan dukungan untuk lebih dari 70 format dokumen dengan pelestarian tata letak, serta integrasi glosarium dan memori terjemahan. Cakupan bervariasi tergantung jenis input, sehingga dukungan bahasa‑teks tidak boleh diasumsikan berlaku identik untuk audio atau gambar.

Translated didirikan pada tahun 1999 oleh ahli bahasa Isabelle Andrieu dan ilmuwan komputer Marco Trombetti. Rilis peluncurannya menyatakan bahwa perusahaan melayani lebih dari 300.000 pelanggan di 200 bahasa dan lebih dari 40 bidang subjek. Sejarah tersebut membantu menjelaskan penekanan Lara pada persyaratan lokalisasi yang kurang glamor: terminologi yang konsisten, akurasi kontekstual, dan output yang sesuai dengan penggunaan yang dimaksud.

Ketersediaan umum Lara 3 mengubah argumen spesialisasi menjadi keputusan produk. Keunggulan benchmark yang dilaporkan menjadi alasan untuk diselidiki; uji yang lebih kuat adalah apakah hal itu mengurangi pekerjaan penyuntingan dan integrasi pada konten nyata. Bagi tim yang menerjemahkan dalam skala besar, menjaga makna dengan andallah yang membuat sebuah model berguna lama setelah kalimat impresif pertama.