Translated lanserer Lara 3, og gjør saken for spesialisert oversettelses‑AI

En oversettelse kan lese vakkert og likevel gjøre jobben feil. Et produktbegrep endres halvveis i en manual, en support‑melding mister sin kontekst, eller en kampanje kommer på et annet språk uten sin opprinnelige stemme. Det er problemene Translated retter seg mot med den generelle lanseringen av Lara 3, deres spesialiserte AI‑oversettelsesmodell.

Kunngjort 7. oktober gjør lanseringen Lara 3 tilgjengelig for bedrifter, profesjonelle oversettere og individuelle brukere via Lara‑API, TranslationOS og Lara Translate. Den følger en introduksjon til utvalgte partnere i juli og plasserer et fokusert oversettelsessystem i et marked som blir stadig mer overfylt med generelle AI‑modeller.

Hovedpåstanden er betydelig: i Translateds blinde evalueringer vurderte profesjonelle oversettere 82 % av Lara 3‑oversettelsene som perfekte, uten behov for redigering. Selskapet rapporterer lavere poeng for den generelle AI‑en og dedikerte oversettelsesverktøyene den testet. Det mer interessante spørsmålet er hva spesialisering bidrar med når oversettelse blir en del av en reell produksjonsarbeidsflyt.

Hva benchmarken måler

Ifølge lanseringsmeldingen dekket evalueringen 16 800 oversettelser fra engelsk til 21 bedriftslokaliseringsspråk. Den kombinerte WMT25‑materiale som spenner over bøker, nyheter og bruker‑samtaler med proprietært bedriftsinnhold innen reise, teknologi og finans.

Gjennomsnittlig over de 21 språkparene rapporterer Translated følgende andeler av oversettelser som ble vurdert som perfekte:

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

Meldingen sier at Lara endte på førsteplass i 20 av de 21 språkparene. Laras offentlig benchmark‑metodikknotat beskriver en majoritetsvurdering av minst to av tre profesjonelle oversettere. Dette er selskapets rapporterte resultater på et definert testsett, snarere enn en universell nøyaktighetsvurdering på tvers av alle språk, domener eller dokumenter.

Den distinksjonen er viktig. Engelsk‑til‑mål‑språk‑ytelse etablerer ikke samme rangering for hver oversettelsesretning, og en sterk samlet poengsum kan skjule forskjeller mellom språk eller innholdstyper. For et lokaliseringsteam forblir den relevante testen deres egen terminologi, materiale og gjennomgangsstandarder.

En modell som øver før utrulling

Translateds teknisk introduksjon til Lara 3 beskriver en treningsmetode de kaller «learning by doing». Imitasjon forblir grunnlaget, men modellen øver deretter på å generere alternative oversettelser. En automatisk dommer, formet av profesjonelle vurdereres ekspertise, evaluerer disse forsøkene, og modellen forsterker vellykkede valg mens den korrigerer svakere.

Selskapet sier at denne syklusen kjøres millioner av ganger under trening. Den resulterende oppførselen er bygget inn i den distribuerte modellen; det betyr ikke at hver kundes forespørsel utløser en ny treningsprosess.

Tilnærmingen tar tak i en kjent utfordring i oversettelse: flere versjoner av en setning kan være gyldige, men kun noen passer inn i det omkringliggende materialet. Å lære å evaluere disse alternativene gir et annet mål enn bare å gjenskape ett referansesvar.

I meldingen argumenterer medgründer og administrerende direktør Marco Trombetti for at oversettelseskvalitet avhenger av en dyp forståelse av problemet. Flyt alene er utilstrekkelig når en tvetydig frase, et feil teknisk begrep eller en savnet kulturell referanse endrer hva leseren forstår.

Kontekst er en del av arbeidsflyten

Trening er kun ett lag. Laras utviklerdokumentasjon forklarer hvordan systemet bruker relevant dokumentkontekst når det oversetter enkeltsetninger. For lengre innspill kan den oversette setninger parallelt samtidig som den leverer omkringliggende tekst som ekstra modellinput.

Utviklere kan også gi ekstern kontekst som bør informere en oversettelse uten å bli oversatt selv. En bloggtittel kan for eksempel ledsages av artikkelens brødtekst, eller en ny chat‑melding av den foregående samtalen. Dette er spesielt nyttig når profesjonelle oversettelsesverktøy allerede har delt et dokument inn i separate segmenter.

For bedriftsbrukere har denne funksjonen et praktisk formål: å holde små innholdsbiter knyttet til informasjonen som gir dem mening. Ordlister og godkjente oversettelsesminner legger til et ekstra lag av konsistens, spesielt når samme produktvokabular dukker opp på tvers av nettside, dokumentasjon og kundestøtte.

Fra kvalitetspoeng til produksjonsøkonomi

Meldingen rapporterer også separate hastighets‑ og kostnadsbenchmarker. I en enkelt‑tråd‑test sier Translated at Lara 3 leverte 23 ganger gjennomstrømning av Claude Fable 5 og oversatte 3,75 ganger så mange tegn for samme budsjett. Disse sammenligningene er adskilt fra kvalitetsevalueringen og bør forstås innenfor deres testoppsett.

Laras API-plattform går utover ren tekst til HTML- og XLIFF‑lokaliseringsinnhold, dokumenter, bilder og lyd. Produktsiden beskriver støtte for mer enn 70 dokumentformater med bevaring av layout, samt gloseliste‑ og oversettelsesminneintegrasjon. Dekningen varierer etter inntakstype, så støtte for tekst‑språk bør ikke antas å gjelde identisk for lyd eller bilder.

Translated ble grunnlagt i 1999 av lingvisten Isabelle Andrieu og datavitenskapsmannen Marco Trombetti. Lanseringsmeldingen sier at selskapet betjener mer enn 300 000 kunder på over 200 språk og i mer enn 40 fagområder. Denne historien bidrar til å forklare Laras vekt på de mindre glamorøse kravene til lokalisering: konsistent terminologi, kontekstuell nøyaktighet og leveranser som passer til den tiltenkte bruken.

Lara 3s generelle tilgjengelighet gjør spesialiseringsargumentet til en produktbeslutning. Den rapporterte benchmark‑fordelen er en grunn til å undersøke videre; den viktigste testen er om den reduserer redigerings‑ og integrasjonsarbeid på reelt innhold. For team som oversetter i stor skala, er pålitelig bevaring av mening det som gjør en modell nyttig lenge etter den første imponerende setningen.