Translated lancia Lara 3, dimostrando il valore dell’IA di traduzione specializzata

Una traduzione può apparire splendida e comunque sbagliare il compito. Un termine di prodotto cambia a metà di un manuale, un messaggio di supporto perde il contesto, o una campagna arriva in un’altra lingua senza mantenere la voce originale. Questi sono i problemi che Translated sta affrontando con il rilascio generale di Lara 3, il suo modello di IA di traduzione specializzata.

Annunciato il 7 ottobre, il lancio rende Lara 3 disponibile per imprese, traduttori professionisti e utenti individuali tramite l’API Lara, TranslationOS e Lara Translate. Segue un’introduzione a partner selezionati a luglio e introduce un sistema di traduzione focalizzato in un mercato sempre più affollato da modelli di IA a scopo generale.

La dichiarazione principale è notevole: nelle valutazioni cieche di Translated, i traduttori professionisti hanno valutato l’82% delle traduzioni di Lara 3 come perfette, senza necessità di modifiche. L’azienda riporta punteggi più bassi per l’IA generale e per gli strumenti di traduzione dedicati testati. La questione più interessante è capire quale contributo apporta la specializzazione quando la traduzione diventa parte di un flusso di lavoro di produzione reale.

Cosa misura il benchmark

Secondo il comunicato di lancio, la valutazione ha coperto 16.800 traduzioni dall’inglese a 21 lingue di localizzazione aziendale. Ha combinato materiale WMT25 che spazia da libri, notizie e conversazioni degli utenti con contenuti aziendali proprietari nei settori viaggi, tecnologia e finanza.

In media, su 21 coppie linguistiche, Translated riporta le seguenti percentuali di traduzioni valutate perfette:

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

Il comunicato afferma che Lara ha chiuso al primo posto in 20 delle 21 coppie linguistiche. La nota metodologica pubblica del benchmark di Lara descrive una valutazione di maggioranza da parte di almeno due su tre traduttori professionisti. Si tratta di risultati riportati dall’azienda su un set di test definito, piuttosto che di una valutazione universale di accuratezza su tutte le lingue, i domini o i documenti.

Questa distinzione è importante. Le prestazioni dall’inglese alla lingua di destinazione non stabiliscono la stessa classifica per ogni direzione di traduzione, e un punteggio aggregato elevato può nascondere differenze tra lingue o tipologie di contenuto. Per un team di localizzazione, il test rilevante rimane la propria terminologia, i propri materiali e gli standard di revisione.

Un modello che si allena prima del rilascio

Il introduzione tecnica a Lara 3 di Translated descrive un approccio di addestramento che chiama “learning by doing”. L’imitazione rimane la base, ma il modello poi pratica la generazione di traduzioni alternative. Un giudice automatico, modellato sull’esperienza dei revisori professionisti, valuta questi tentativi, e il modello rafforza le scelte vincenti correggendo quelle più deboli.

L’azienda afferma che questo ciclo viene eseguito milioni di volte durante l’addestramento. Il comportamento risultante è integrato nel modello distribuito; ciò non significa che ogni richiesta del cliente avvii un nuovo processo di addestramento.

L’approccio affronta una difficoltà nota nella traduzione: diverse versioni di una frase possono essere valide, ma solo alcune si adattano al contesto circostante. Imparare a valutare quelle alternative offre un obiettivo diverso dal semplice riprodurre una risposta di riferimento.

Nella comunicazione, il cofondatore e CEO Marco Trombetti sostiene che la qualità della traduzione dipende dalla comprensione approfondita del problema. La sola fluidità non è sufficiente quando una frase ambigua, un termine tecnico errato o un indizio culturale mancante alterano la comprensione del lettore.

Il contesto è parte del flusso di lavoro

L’addestramento è solo un livello. La documentazione per sviluppatori di Lara spiega come il sistema utilizzi il contesto documentale rilevante durante la traduzione di singole frasi. Per input più lunghi, può tradurre le frasi in parallelo fornendo il testo circostante come input aggiuntivo per il modello.

Gli sviluppatori possono anche fornire contesto esterno che dovrebbe informare una traduzione senza essere tradotto. Un titolo di blog può essere accompagnato dal corpo dell’articolo, ad esempio, o un nuovo messaggio di chat dalla conversazione precedente. Questo è particolarmente utile quando gli strumenti di traduzione professionali hanno già suddiviso un documento in segmenti separati.

Per gli utenti aziendali, questa capacità ha uno scopo pratico: mantenere piccoli frammenti di contenuto collegati alle informazioni che ne conferiscono significato. Glossari e memorie di traduzione approvate aggiungono un ulteriore livello di coerenza, soprattutto quando lo stesso vocabolario di prodotto compare su un sito web, nella documentazione e nel supporto clienti.

Da punteggi di qualità a economia della produzione

Il comunicato riporta anche benchmark separati di velocità e costo. In un test a singolo thread, Translated afferma che Lara 3 ha fornito una velocità 23 volte superiore a Claude Fable 5 e ha tradotto 3,75 volte più caratteri con lo stesso budget. tali confronti sono distinti dalla valutazione di qualità e devono essere compresi nel contesto del loro setup di test.

La piattaforma API di Lara si estende oltre il semplice testo a contenuti di localizzazione HTML e XLIFF, documenti, immagini e audio. La pagina del prodotto descrive il supporto per più di 70 formati di documento con conservazione del layout, oltre all’integrazione di glossario e memoria di traduzione. La copertura varia in base al tipo di input, quindi non si dovrebbe presumere che il supporto linguistico per il testo si applichi identicamente ad audio o immagini.

Translated è stata fondata nel 1999 dalla linguista Isabelle Andrieu e dal computer scientist Marco Trombetti. Il comunicato di lancio afferma che l’azienda serve più di 300.000 clienti in oltre 200 lingue e in più di 40 ambiti tematici. Questa storia aiuta a spiegare l’enfasi di Lara sui requisiti meno appariscenti della localizzazione: terminologia coerente, accuratezza contestuale e output che si adatta all’uso previsto.

La disponibilità generale di Lara 3 trasforma l’argomento della specializzazione in una decisione di prodotto. Il vantaggio di benchmark segnalato è un motivo per approfondire; il test più incisivo è se riduce il lavoro di editing e integrazione sui contenuti reali. Per i team che traducono su larga scala, preservare il significato in modo affidabile è ciò che rende un modello utile molto tempo dopo la prima frase impressionante.