Translated lanceert Lara 3, maakt een pleidooi voor gespecialiseerde vertaal‑AI

Een vertaling kan prachtig lezen, maar toch het werk verkeerd doen. Een productterm verandert halverwege een handleiding, een ondersteuningsbericht verliest zijn context, of een campagne verschijnt in een andere taal zonder de oorspronkelijke toon. Dat zijn de problemen waar Translated zich op richt met de algemene release van Lara 3, zijn gespecialiseerde AI‑vertalingsmodel.

Aangekondigd op 7 oktober, maakt de lancering Lara 3 beschikbaar voor bedrijven, professionele vertalers en individuele gebruikers via de Lara‑API, TranslationOS en Lara Translate. Het volgt een introductie aan geselecteerde partners in juli en brengt een gerichte vertaalsysteem op een markt die steeds voller raakt van algemene AI‑modellen.

De kopclaim is aanzienlijk: in de blinde evaluaties van Translated beoordeelden professionele vertalers 82 % van de vertalingen van Lara 3 als perfect, zonder correcties. Het bedrijf meldt lagere scores voor de algemene AI en de toegewijde vertaaltools die het testte. De interessantere vraag is wat specialisatie bijdraagt wanneer vertalen onderdeel wordt van een daadwerkelijke productie‑workflow.

Wat de benchmark meet

Volgens de persrelease besloeg de evaluatie 16.800 vertalingen van het Engels naar 21 enterprise‑lokalisatietalen. Het combineerde WMT25‑materiaal, variërend van boeken, nieuws en gebruikersgesprekken, met eigen enterprise‑content op het gebied van reizen, technologie en financiën.

Gemiddeld over de 21 taalkoppels rapporteert Translated de volgende percentages van vertalingen die als perfect werden beoordeeld:

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

De release stelt dat Lara in 20 van de 21 taalkoppels als eerste eindigde. Lara’s openbare benchmarkmethodologie‑nota beschrijft een meerderheidsbeoordeling door ten minste twee van de drie professionele vertalers. Dit zijn door het bedrijf gerapporteerde resultaten op een gedefinieerde testset, in plaats van een universele nauwkeurigheidsbeoordeling over elke taal, domein of document.

Die onderscheiding is belangrijk. Prestaties van Engels naar doeltaal bepalen niet dezelfde rangschikking voor elke vertaalrichting, en een sterke samengestelde score kan verschillen tussen talen of contenttypen verbergen. Voor een lokalisatieteam blijft de relevante test de eigen terminologie, materialen en beoordelingsnormen.

Een model dat oefent vóór inzet

Translated’s technische introductie tot Lara 3 beschrijft een trainingsaanpak die het “leren door te doen” noemt. Imitatie blijft de basis, maar het model oefent vervolgens met het genereren van alternatieve vertalingen. Een automatische beoordelaar, gevormd door de expertise van professionele reviewers, evalueert die pogingen, en het model versterkt succesvolle keuzes terwijl het zwakkere corrigeert.

Het bedrijf zegt dat deze cyclus miljoenen keren draait tijdens de training. Het resulterende gedrag is ingebouwd in het uitgerolde model; het betekent niet dat elke klantvraag een nieuw trainingsproces start.

De aanpak pakt een bekend probleem in vertalen aan: verschillende versies van een zin kunnen geldig zijn, terwijl slechts enkele passen bij de omringende tekst. Het leren evalueren van die alternatieven biedt een ander doel dan simpelweg één referentie‑antwoord reproduceren.

In de release betoogt mede‑oprichter en CEO Marco Trombetti dat de kwaliteit van vertalingen afhangt van een grondig begrip van het probleem. Vloeiendheid alleen is onvoldoende wanneer een dubbelzinnige uitdrukking, een onjuiste technische term of een gemiste culturele aanwijzing verandert wat een lezer begrijpt.

Context maakt deel uit van de workflow

Training is slechts één laag. Lara’s ontwikkelaarsdocumentatie legt uit hoe het systeem relevante documentcontext gebruikt bij het vertalen van individuele zinnen. Voor langere invoer kan het zinnen parallel vertalen terwijl het omringende tekst als extra modelinvoer levert.

Ontwikkelaars kunnen ook externe context leveren die een vertaling moet informeren zonder zelf vertaald te worden. Een blogtitel kan bijvoorbeeld vergezeld gaan van de body van het artikel, of een nieuw chatbericht van het voorgaande gesprek. Dit is bijzonder nuttig wanneer professionele vertaaltools een document al in afzonderlijke segmenten hebben verdeeld.

Voor enterprise‑gebruikers heeft die mogelijkheid een praktisch doel: kleine stukjes content gekoppeld houden aan de informatie die ze betekenis geeft. Glossaria’s en goedgekeurde vertaalgeheugens voegen een extra laag consistentie toe, vooral wanneer dezelfde productterminologie voorkomt op een website, in documentatie en in klantenondersteuning.

Van kwaliteitsscores naar productie‑economie

De release meldt ook aparte snelheid‑ en kostbenchmarken. In een single‑thread test zegt Translated dat Lara 3 23 keer de doorvoer van Claude Fable 5 leverde en 3,75 keer zoveel tekens vertaalde voor hetzelfde budget. Die vergelijkingen zijn los van de kwaliteitsevaluatie en moeten worden begrepen binnen de geteste opstelling.

Lara’s API‑platform strekt zich uit voorbij platte tekst naar HTML‑ en XLIFF‑lokalisatie‑inhoud, documenten, afbeeldingen en audio. De productpagina beschrijft ondersteuning voor meer dan 70 documentformaten met behoud van lay‑out, plus integratie van glossarium en vertaalgeheugen. De dekking varieert per invoertype, dus ondersteuning voor tekst‑taal mag niet automatisch worden verondersteld voor audio of afbeeldingen.

Translated werd in 1999 opgericht door taalkundige Isabelle Andrieu en computerwetenschapper Marco Trombetti. In de lancering staat dat het bedrijf meer dan 300,000 klanten bedient in 200 talen en meer dan 40 vakgebieden. Die geschiedenis helpt de nadruk van Lara op de minder glamoureuze eisen van lokalisatie te verklaren: consistente terminologie, contextuele nauwkeurigheid en output die past bij het beoogde gebruik.

De algemene beschikbaarheid van Lara 3 maakt van het specialisatie‑argument een productbeslissing. Het gemelde benchmark‑voordeel is een reden om dit te onderzoeken; de sterkere test is of het de bewerkings‑ en integratiewerkzaamheden op echte content vermindert. Voor teams die op schaal vertalen, is het betrouwbaar behouden van betekenis wat een model nuttig maakt lang nadat de eerste indrukwekkende zin is verschenen.