Translated lanserar Lara 3 och visar på behovet av specialiserad översättnings‑AI

En översättning kan låta vackert men ändå göra ett fel. En produktterm kan ändras mitt i en manual, ett supportmeddelande förlorar sin kontext, eller en kampanj anländer på ett annat språk utan sin ursprungliga ton. Det är de problem som Translated riktar in sig på med den generella lanseringen av Lara 3, dess specialiserade AI‑översättningsmodell.

Den 7 oktober tillkännagavs lanseringen, som gör Lara 3 tillgänglig för företag, professionella översättare och enskilda användare via Lara API, TranslationOS och Lara Translate. Den följer en introduktion för utvalda partners i juli och placerar ett fokuserat översättningssystem på en marknad som blir alltmer trång med generella AI‑modeller.

Det huvudsakliga påståendet är betydande: i Translateds blinda utvärderingar bedömde professionella översättare 82 % av Lara 3:s översättningar som perfekta, utan behov av redigering. Företaget rapporterar lägre poäng för den allmänna AI:n och de dedikerade översättningsverktyg som testades. Den mer intressanta frågan är vad specialisering bidrar med när översättning blir en del av ett faktiskt produktionsflöde.

Vad benchmarken mäter

Enligt lanseringsmeddelandet omfattade utvärderingen 16 800 översättningar från engelska till 21 företagsspecifika lokalanpassningsspråk. Den kombinerade WMT25‑material som sträckte sig över böcker, nyheter och användarsamtal med proprietärt företagsinnehåll inom resor, teknik och finans.

Genomsnittligt över de 21 språkparen rapporterar Translated följande andelar av översättningar som bedömts som perfekta:

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

Meddelandet säger att Lara slutade först i 20 av de 21 språkparen. Lara’s offentlig anteckning om benchmarkmetodik beskriver en majoritetsbedömning av minst två av tre professionella översättare. Detta är företagets rapporterade resultat på en definierad testuppsättning, snarare än en universell noggrannhetsbedömning över alla språk, domäner eller dokument.

Den distinktionen är viktig. Prestanda från engelska till målspråk etablerar inte samma rangordning för varje översättningsriktning, och ett starkt samlat resultat kan dölja skillnader mellan språk eller innehållstyper. För ett lokaliseringsteam förblir det relevanta testet dess egen terminologi, material och granskningsstandarder.

En modell som tränas innan utrullning

Translateds teknisk introduktion till Lara 3 beskriver ett träningsförfarande som de kallar ”learning by doing”. Imitation förblir grunden, men modellen tränar sedan på att generera alternativa översättningar. En automatisk domare, formad av professionella granskares expertis, utvärderar dessa försök, och modellen förstärker framgångsrika val samtidigt som den korrigerar svagare.

Företaget säger att denna cykel körs miljontals gånger under träningen. Det resulterande beteendet byggs in i den distribuerade modellen; det betyder inte att varje kundförfrågan utlöser en ny träningsprocess.

Metoden tar itu med en välkänd svårighet i översättning: flera versioner av en mening kan vara giltiga, men bara vissa passar det omgivande materialet. Att lära sig att utvärdera dessa alternativ ger ett annat mål än att bara reproducera ett referenssvar.

I meddelandet argumenterar medgrundare och VD Marco Trombetti för att översättningskvalitet beror på en djup förståelse av problemet. Enbart flyt är otillräckligt när en tvetydig fras, en felaktig teknisk term eller en missad kulturell ledtråd förändrar vad läsaren uppfattar.

Kontext är en del av arbetsflödet

Träning är bara ett lager. Lara’s utvecklardokumentation förklarar hur systemet använder relevant dokumentkontext vid översättning av enskilda meningar. För längre indata kan den översätta meningar parallellt samtidigt som den tillhandahåller omgivande text som ytterligare modellinput.

Utvecklare kan också tillhandahålla extern kontext som bör informera en översättning utan att själv översättas. En bloggtitel kan till exempel åtföljas av artikelns brödtext, eller ett nytt chattmeddelande av den föregående konversationen. Detta är särskilt användbart när professionella översättningsverktyg redan har delat ett dokument i separata segment.

För företagsanvändare har den funktionen ett praktiskt syfte: att hålla små innehållsbitar kopplade till den information som ger dem mening. Glossar och godkända översättningsminnen tillför ett ytterligare lager av konsekvens, särskilt när samma produktvokabulär återkommer på en webbplats, i dokumentation och i kundsupport.

Från kvalitetspoäng till produktions‑ekonomi

Meddelandet rapporterar också separata hastighets‑ och kostnadsbenchmarkar. I ett enkeltrådat test säger Translated att Lara 3 levererade 23 gånger högre genomströmning än Claude Fable 5 och översatte 3,75 gånger så många tecken för samma budget. Dessa jämförelser är skilda från kvalitetsutvärderingen och bör förstås inom den testade konfigurationen.

Laras API-plattform sträcker sig bortom vanlig text till HTML- och XLIFF-lokaliseringsinnehåll, dokument, bilder och ljud. Produktsidan beskriver stöd för mer än 70 dokumentformat med bevarande av layout, samt glos- och översättningsminnesintegration. Täckningen varierar beroende på inmatningstyp, så språkstöd för text bör inte antas gälla på samma sätt för ljud eller bilder.

Translated grundades 1999 av lingvisten Isabelle Andrieu och datavetaren Marco Trombetti. Lanseringsmeddelandet säger att företaget betjänar mer än 300 000 kunder på över 200 språk och i mer än 40 ämnesområden. Den historien förklarar Laras betoning på de mindre glamorösa kraven för lokalisering: konsekvent terminologi, kontextuell noggrannhet och leverans som passar det avsedda användningsområdet.

Lara 3:s allmänna tillgänglighet förvandlar specialiseringsargumentet till ett produktbeslut. Dess rapporterade benchmark-försprång är en anledning att undersöka; det starkare testet är om den minskar redigerings- och integrationsarbete på verkligt innehåll. För team som översätter i stor skala är pålitlig bevarande av betydelse det som gör en modell användbar långt efter den första imponerande meningen.