Translated запускає Lara 3, доводячи необхідність спеціалізованого ШІ перекладу

Переклад може виглядати чудово, але все одно бути неправильним. Термін продукту змінюється посеред інструкції, повідомлення підтримки втрачає контекст, або кампанія надходить іншою мовою без свого оригінального голосу. Це ті проблеми, які Translated вирішує у загальному випуску Lara 3, її спеціалізованої моделі ШІ перекладу.

Оголошений 7 жовтня, запуск робить Lara 3 доступною для підприємств, професійних перекладачів та окремих користувачів через Lara API, TranslationOS та Lara Translate. Це продовження представлення обраним партнерам у липні та впроваджує сфокусовану систему перекладу на ринок, який все більше заповнюється універсальними моделями ШІ.

Заголовна заява є значною: у сліпих оцінках Translated професійні перекладачі оцінили 82 % перекладів Lara 3 як досконалі, без потреби у виправленнях. Компанія повідомляє нижчі показники для загального ШІ та спеціалізованих інструментів перекладу, які вона тестувала. Більш цікаве питання — який внесок робить спеціалізація, коли переклад стає частиною реального виробничого процесу.

Що вимірює бенчмарк

За даними прес‑релізу, оцінка охопила 16 800 перекладів з англійської на 21 мову корпоративної локалізації. Вона поєднала матеріали WMT25, що включають книги, новини та розмови користувачів, з власним корпоративним контентом у сферах подорожей, технологій та фінансів.

У середньому по 21 парі мов Translated повідомляє наступні частки перекладів, оцінених як досконалі:

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

У релізі зазначається, що Lara зайняла перше місце у 20 з 21 пари мов. Lara’s примітка про методологію публічного бенчмарку описує рішення більшості, коли принаймні два з трьох професійних перекладачів погоджуються. Це результати, повідомлені компанією, на визначеному тестовому наборі, а не універсальна оцінка точності для всіх мов, доменів чи документів.

Це розрізнення має значення. Переклад з англійської на цільову мову не встановлює однакового рейтингу для кожного напрямку перекладу, і високий сукупний бал може приховувати відмінності між мовами чи типами контенту. Для команди локалізації важливим залишається тестування власної термінології, матеріалів та стандартів перевірки.

Модель, що практикує перед впровадженням

Translated’s технічне введення до Lara 3 описує підхід до навчання, який називається «навчання через практику». Імітація залишається основою, але модель потім практикує генерування альтернативних перекладів. Автоматичний суддя, сформований завдяки експертизі професійних рецензентів, оцінює ці спроби, і модель підкріплює успішні вибори, виправляючи менш вдалі.

Компанія стверджує, що цей цикл виконується мільйони разів під час навчання. Отримана поведінка вбудована у розгорнуту модель; це не означає, що кожен запит клієнта запускає новий процес навчання.

Підхід вирішує знайому складність у перекладі: кілька варіантів речення можуть бути правильними, проте лише деякі підходять до навколишнього матеріалу. Навчання оцінювати ці альтернативи ставить іншу мету, ніж просте відтворення однієї референтної відповіді.

У релізі співзасновник і CEO Марко Тромбетті стверджує, що якість перекладу залежить від глибокого розуміння проблеми. Одна лише плавність недостатня, коли неоднозначна фраза, неправильний технічний термін або пропущений культурний сигнал змінює сприйняття читача.

Контекст — частина робочого процесу

Навчання — лише один рівень. Lara’s документація для розробників пояснює, як система використовує відповідний контекст документа під час перекладу окремих речень. Для довших вхідних даних вона може перекладати речення паралельно, подаючи навколишній текст як додатковий вхід для моделі.

Розробники також можуть надати зовнішній контекст, який має впливати на переклад, не будучи перекладеним самостійно. Наприклад, заголовок блогу може супроводжуватися текстом статті, або нове повідомлення в чаті — попередньою розмовою. Це особливо корисно, коли професійні інструменти перекладу вже розділили документ на окремі сегменти.

Для корпоративних користувачів ця можливість має практичне призначення: зберігати дрібні фрагменти контенту пов’язаними з інформацією, що надає їм сенс. Глосарії та схвалені пам’яті перекладів додають ще один рівень узгодженості, особливо коли однакова термінологія продукту використовується на веб‑сайті, у документації та в службі підтримки клієнтів.

Від оцінок якості до економіки виробництва

У релізі також повідомляються окремі бенчмарки швидкості та вартості. У тесті з одним потоком Translated стверджує, що Lara 3 забезпечила в 23 рази вищу пропускну здатність порівняно з Claude Fable 5 та переклала в 3,75 рази більше символів за той самий бюджет. Ці порівняння відрізняються від оцінки якості і мають розглядатися у межах їхнього тестового налаштування.

Lara’s API платформа розширюється за межі простого тексту, охоплюючи вміст локалізації у форматах HTML і XLIFF, документи, зображення та аудіо. На сторінці продукту зазначено підтримку понад 70 форматів документів із збереженням розмітки, а також інтеграцію глосарію та пам’яті перекладів. Охоплення варіюється залежно від типу вхідних даних, тому не слід вважати, що підтримка текстових мов однаково застосовується до аудіо чи зображень.

Translated була заснована у 1999 році лінгвісткою Ізабеллою Андріє та комп’ютерним вченим Марко Тромбетті. У випусковому повідомленні зазначено, що компанія обслуговує понад 300 000 клієнтів у 200 мовах і більш ніж 40 галузях. Ця історія допомагає пояснити акцент Lara на менш привабливих вимогах локалізації: послідовна термінологія, контекстуальна точність і результат, що відповідає запланованому використанню.

Загальна доступність Lara 3 перетворює аргумент про спеціалізацію на продуктове рішення. Повідомлений лід у бенчмарках є підставою для дослідження; більш суворий тест — чи зменшує він редагування та інтеграційну роботу над реальним контентом. Для команд, що перекладають у великому масштабі, надійне збереження значення — це те, що робить модель корисною задовго після першого вражаючого речення.