Translated lança Lara 3, defendendo a IA de tradução especializada

Uma tradução pode ser linda e ainda assim errar o trabalho. Um termo de produto muda a meio de um manual, uma mensagem de suporte perde seu contexto, ou uma campanha chega em outra língua sem sua voz original. Esses são os problemas que a Translated está abordando com o lançamento geral do Lara 3, seu modelo de IA de tradução especializado.

Anunciado em 7 de outubro, o lançamento disponibiliza o Lara 3 para empresas, tradutores profissionais e usuários individuais por meio da Lara API, TranslationOS e Lara Translate. Ele segue uma introdução a parceiros selecionados em julho e coloca um sistema de tradução focado em um mercado cada vez mais saturado de modelos de IA de uso geral.

A afirmação principal é substancial: nas avaliações cegas da Translated, tradutores profissionais classificaram 82 % das traduções do Lara 3 como perfeitas, sem necessidade de edições. A empresa relata pontuações mais baixas para a IA geral e as ferramentas de tradução dedicadas que testou. A questão mais interessante é o que a especialização acrescenta quando a tradução passa a fazer parte de um fluxo de produção real.

O que o benchmark mede

De acordo com o comunicado de lançamento, a avaliação abrangeu 16,800 traduções do inglês para 21 idiomas de localização corporativa. Ela combinou material do WMT25, que inclui livros, notícias e conversas de usuários, com conteúdo empresarial proprietário nos setores de viagens, tecnologia e finanças.

Em média, nas 21 combinações de idiomas, a Translated relata as seguintes proporções de traduções classificadas como perfeitas:

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

O comunicado afirma que o Lara ficou em primeiro lugar em 20 das 21 combinações de idiomas. A nota de metodologia de benchmark público do Lara descreve um julgamento majoritário por pelo menos dois de três tradutores profissionais. Estes são resultados reportados pela empresa em um conjunto de teste definido, e não uma avaliação de precisão universal para todas as línguas, domínios ou documentos.

Essa distinção é importante. O desempenho do inglês para o idioma-alvo não estabelece a mesma classificação para todas as direções de tradução, e uma pontuação agregada alta pode ocultar diferenças entre línguas ou tipos de conteúdo. Para uma equipe de localização, o teste relevante continua sendo sua própria terminologia, material e padrões de revisão.

Um modelo que pratica antes da implantação

A introdução técnica ao Lara 3 da Translated descreve uma abordagem de treinamento que chama de “aprendendo fazendo”. A imitação continua sendo a base, mas o modelo então pratica gerar traduções alternativas. Um juiz automático, moldado pela expertise de revisores profissionais, avalia essas tentativas, e o modelo reforça as escolhas bem‑sucedidas enquanto corrige as mais fracas.

A empresa afirma que esse ciclo é executado milhões de vezes durante o treinamento. O comportamento resultante é incorporado ao modelo implantado; isso não significa que cada solicitação do cliente acione um novo processo de treinamento.

A abordagem resolve uma dificuldade familiar na tradução: várias versões de uma frase podem ser válidas, mas apenas algumas se encaixam no material circundante. Aprender a avaliar essas alternativas oferece um objetivo diferente de simplesmente reproduzir uma única resposta de referência.

No comunicado, o cofundador e CEO Marco Trombetti argumenta que a qualidade da tradução depende de compreender o problema em profundidade. Fluência por si só é insuficiente quando uma frase ambígua, um termo técnico incorreto ou um indício cultural perdido altera o que o leitor entende.

O contexto faz parte do fluxo de trabalho

Treinamento é apenas uma camada. A documentação para desenvolvedores do Lara explica como o sistema usa o contexto documental relevante ao traduzir frases individuais. Para entradas mais longas, ele pode traduzir frases em paralelo enquanto fornece o texto circundante como entrada adicional ao modelo.

Desenvolvedores também podem fornecer contexto externo que deve informar a tradução sem ser traduzido. Um título de blog pode ser acompanhado pelo corpo do artigo, por exemplo, ou uma nova mensagem de chat pela conversa anterior. Isso é particularmente útil quando ferramentas de tradução profissional já dividiram um documento em segmentos separados.

Para usuários corporativos, essa capacidade tem um propósito prático: manter pequenos trechos de conteúdo conectados à informação que lhes dá sentido. Glossários e memórias de tradução aprovadas adicionam outra camada de consistência, especialmente quando o mesmo vocabulário de produto aparece em um site, documentação e suporte ao cliente.

De pontuações de qualidade à economia de produção

O comunicado também relata benchmarks separados de velocidade e custo. Em um teste de thread única, a Translated afirma que o Lara 3 entregou 23 vezes mais throughput que o Claude Fable 5 e traduziu 3,75 vezes mais caracteres pelo mesmo orçamento. Essas comparações são distintas da avaliação de qualidade e devem ser compreendidas dentro do cenário testado.

A plataforma API da Lara vai além do texto simples, abrangendo conteúdo de localização em HTML e XLIFF, documentos, imagens e áudio. A página do produto descreve suporte a mais de 70 formatos de documento com preservação de layout, além de integração de glossário e memória de tradução. A cobertura varia conforme o tipo de entrada, portanto o suporte a texto e idioma não deve ser presumido como idêntico para áudio ou imagens.

A Translated foi fundada em 1999 pela linguista Isabelle Andrieu e pelo cientista da computação Marco Trombetti. Seu comunicado de lançamento afirma que a empresa atende a mais de 300 000 clientes em 200 idiomas e em mais de 40 áreas de assunto. Essa história ajuda a explicar a ênfase da Lara nos requisitos menos glamorosos da localização: terminologia consistente, precisão contextual e saída que se adapta ao uso pretendido.

A disponibilidade geral da Lara 3 transforma o argumento da especialização em uma decisão de produto. Sua liderança relatada em benchmarks é um motivo para investigação; o teste mais rigoroso é se ela reduz o trabalho de edição e integração em conteúdo real. Para equipes que traduzem em escala, preservar o significado de forma confiável é o que torna um modelo útil muito tempo depois da primeira frase impressionante.