Průvodce MTPE 2026: Pracovní postupy s LLM zaměřené na člověka, které šetří čas
Jak provádět lehký i úplný post-editing strojového překladu tak, aby se lidský úsudek zapojil už před generováním a v jeho průběhu, nikoli až po dokončení konceptu.
Na této stránce
Tradiční post-editing funguje tak, že stroj přeloží celý text a výsledek pak přebírá člověk, aby v něm opravil chyby, sjednotil terminologii a doladil tón i formátování. Lehký MTPE cílí na použitelný překlad, zatímco úplný MTPE usiluje o kvalitu vhodnou k publikaci.
Tento postup dával smysl v době, kdy byl strojový výstup ještě očividně syrový. LLM však změnily charakter chyb. Jejich překlady mohou znít uhlazeně, i když maskují vynechaná místa, významové posuny či nevhodné kontextuální volby, a hotový koncept pak může překladatele až příliš ukotvit v jazykovém vyjádření modelu.
V moderním MTPE by se měl lidský úsudek zapojit už před generováním a během něj, nikoli až po dokončení konceptu. Překladatelé by měli LLM vést pomocí komentářů, kontextu, překladové paměti, glosářů a stylistických pokynů a svůj čas pak věnovat kreativním, kulturním a kontextovým rozhodnutím, která skutečně vyžadují člověka.
V tomto průvodci vysvětlím, jak provádět lehký i úplný MTPE tak, abyste maximalizovali přínos člověka a omezili plýtvání časem. Ukážu to v Transeptu, protože je to pro mě nejpohodlnější nástroj, ale stejný postup můžete uplatnit v jakémkoli nástroji podle svého výběru.
Lehký vs. úplný MTPE
Při MTPE musíte zajistit, aby byl váš čas využit optimálně k dosažení co nejlepší kvality. Je důležité odolat pokušení udělat všechno správně; vaším úkolem je udělat to, co stačí.
Jak jsem vysvětlil ve své výzkumné eseji o MTPE, věřím, že nechat projet celý text strojem a pak jen korigovat ten AI balast je špatný přístup. S LLM to jde dělat rychleji a zábavněji.
Moje strategie v Transeptu je v závislosti na textu následující:
- Dejte stroji předem vědět, co od něj chcete.
- Nechte stroj odvést maximum a svou pozornost pak zaměřte na slabá místa.
- Proveďte závěrečné doladění na základě automaticky detekovaných problémů.
U komerčního obsahu, ať už produktového nebo marketingového, věnuji zhruba 80 % času na lehký MTPE krokům 1 a 2 a pouze 20 % závěrečnému doladění. Tím, že AI vedu před generováním i během něj, minimalizuji manuální post-editing a stejné počáteční úsilí proměňuji v mnohem větší objem překladů v přijatelné kvalitě.
Úplný MTPE probíhá podle stejného postupu, ale více času věnujete kroku 3: hledání slabin v dokumentu, pilování stylu a dodávání lidského tvůrčího vkladu, který je pro výstupy v publikační kvalitě nezbytný.
Lehký MTPE s důrazem na člověka
Tento pracovní postup se soustředí na to, aby se většina práce odvedla ještě předtím, než se stroj vůbec pustí do díla, takže výsledek je pak tak dobrý, jak jen může být.
1) Nastavte si stylistické příručky a glosáře
Styleguidy a glosáře jsou v podstatě rozšířené prompty: dávají LLM jasná pravidla pro tón, terminologii a způsob vyjadřování.
Hodně jsme zapracovali na tom, aby se jimi Transept řídil, takže by překladatelé měli obojí ladit tak dlouho, dokud nebudou přesně odrážet jejich představu o tom, jak má text znít.
Přesně takhle šetřím čas u lehkého MTPE, například u článků pro centrum nápovědy Transeptu.
Většinou používám některý ze svých stávajících styleguidů a glosářů. Pokud je ale žánr textu nový nebo se chci vyhnout úpravám na poslední chvíli, vygeneruji si nový styleguide a glosář přímo z originálního textu.
Málokdy se s vizí AI v tomto ohledu ztotožním, obzvlášť u beletrie, a tak glosář i styleguide upravuji. Považuji za velmi přínosné přidávat poznámky a pravidla „co dělat a co nedělat“ i ve chvíli, kdy ještě nemám vyhraněný názor, ale jen určitý instinkt nebo pocit. Když se potřebuji ujistit, proberu to s Literess, protože ta umí nahlédnout do slovníků a dohledat si má dřívější rozhodnutí i diskuse.
2) Přeložte výchozí stránku, vložte komentáře a nastavte kontext
Poté vygeneruji jen jednu stránku strojového překladu. Používám pracovní postup „Translate + Proofread“, protože nejdříve vytvoří koncept a následně se ho snaží vypilovat, čímž realisticky ukazuje to nejlepší, co LLM s mými vstupy momentálně dokážou.
Poté vložím komentáře k následujícímu:
- Co se mi na aktuálním překladu líbí.
- Co v něm chybí a co se mi prostě nelíbí.
- Jakým směrem se má překlad ubírat.
U jednoduchých textů to k vnesení onoho „božského“ lidského prvku stačí. U těch náročnějších pak rád požádám agentku Literess, aby vložila komentáře, které napodobují mou logiku.
To, zda vše funguje podle vašich představ, si ověříte dalším spuštěním akce „Proofread“ na dané stránce. Ta zohlední vaše komentáře a vygeneruje novou, vylepšenou verzi stránky.
Většinou takto získám výsledek v kvalitě, kterou očekávám. U překladu beletrie však občas musím přidat další komentář nebo upravit to, co styleguide nepodchytil správně.
3) Zapněte překladovou paměť
Nyní chceme zajistit, aby vaše komentáře a logika ze strany 1 fungovaly i na straně 100. V Transeptu k tomu slouží překladová paměť, která uchovává nejen dřívější překlady, ale i související komentáře a stav každého překladu před úpravou a po ní.
Kombinuje shodu klíčových slov se sémantickým vyhledáváním, aby vyhledala dřívější překlady, které využívají stejnou terminologii nebo řeší podobný kontextuální problém. Věnovali jsme tomu velké úsilí a více se dozvíte v našem výzkumu o nejmodernějších technologiích v oblasti překladových pamětí.
V Transeptu má fungování překladové paměti dvě důležité nuance.
- Zaprvé se využívá i v rámci jednoho dokumentu, takže se relevantní komentáře z jiných částí při překladu znovu vynoří.
- Zadruhé, u vylepšovacích akcí, jako je proofreading, paměť automaticky odfiltrovává neupravené řádky surového strojového překladu.
U lehké MTPE stojí za to se ujistit, že váš aktuální dokument není vyloučen z vyhledávání v překladové paměti a že máte zapnutý AI reranking, který pomůže podchytit i jemné nuance.
4) Spusťte pracovní postup „přeložit a doladit“
Teď už jste udělali vše pro to, abyste LLM seznámili se svými očekáváními. Zbývá už jen spustit samotný strojový překlad, který zohlední vaše komentáře i předchozí iterace.
Nejlépe to uděláte pomocí pracovního postupu, tedy sady akcí. Pracovní postup může řetězit překlad, proofreading a cílené kontroly, nebo vyžadovat lidskou revizi například u dialogů postav či právně závazných ustanovení. V Transeptu si můžete vytvořit vlastní, podobně jako v nástrojích Zapier nebo n8n, použít šablonu, nebo o vytvoření postupu na míru požádat Literess.
U lehké formy MTPE nejlépe funguje standardní pracovní postup Přeložit + Doladit, protože:
- Spustí překlad, který automaticky čerpá z překladové paměti, komentářů, styleguidů a glosářů.
- Následně spustí agenta pro proofreading, který k rozhodování využívá silný model a k provádění oprav model standardní. I ten pracuje s překladovou pamětí.
U rozsáhlého textu, jako je román nebo white paper, používám režim paralelních agentů. Několik AI tak pracuje synchronizovaně na různých částech dokumentu, takže je práce hotová rychleji.
Počítejte také s tím, že si vytvoří dočasné glosáře a styleguidy, které doplní ty vaše, aby i ty nejmenší detaily zůstaly synchronizované. Později je můžete sloučit se svými hlavními glosáři a styleguidy, nebo je podle uvážení zahodit.
5) Proveďte závěrečnou řízenou revizi
A teď přichází moje nejoblíbenější část: LLM, které díky své mimořádné pozornosti a rychlosti lidem pomáhají, místo aby se je snažily nahradit.
Jakmile je strojový překlad hotový, prvním instinktem bývá projít si celý návrh ručně. I když je ale výsledek díky styleguidům, komentářům a proofreadingu mnohem kvalitnější než u běžného překladu z LLM, kdybyste všechno procházeli slovo od slova, připravili byste se o získanou časovou úsporu.
Alternativou je požádat LLM agenta, aby koncept zkontroloval a našel konkrétní slabá místa nebo pasáže vyžadující pozornost. U obchodních podmínek to mohou být právně závazná ustanovení a přesná terminologie. Můžete ho také nechat vyhledat místa, kde se překlad odchyluje od originálu nebo kde kolísá styl. Pokud má agent přístup k překladové paměti, styleguidům a glosářům, dokáže zázraky.
V Transeptu existují tři způsoby, jak tuto revizi spustit.
- V panelu Revize můžete určit, co přesně chcete vyhledat, a zvolit si režim revize: soustředěný režim „snímek po snímku“, kontrolu celého dokumentu nebo komentáře od Literess. Úpravy tak můžete provádět s naprostou přesností.
- V Pracovních postupech si tento krok revize můžete naplánovat a nastavit rovnou. Tato technika běží nenápadně na pozadí akce Proofread a funguje jako filtr. Můžete tak například vyhledat veškeré stylové odchylky, nechat je pomocí AI opravit a teprve poté se do revize textu pustit sami.
- O pomoc můžete požádat i Literess! Vyniká především v cílených úpravách přímo na stránce, právě tam, kde se rodí kreativní rozhodnutí. Dokáže pro vás také nastavit pracovní postup nebo revizi, takže můžete přeskočit nastavování v uživatelském rozhraní.
Pracovní postup pro úplnou posteditaci: vylepšování výchozí úrovně
Úplná posteditace vychází ze stejných základů s důrazem na člověka, ale výsledek lehké posteditace vnímá jen jako výchozí bod. Práce se pak přesouvá k hlubšímu testování, kreativnímu ladění a kontrole kvality na publikační úrovni.
I tak je ale možné nastavit chytřejší pracovní postup úplné posteditace, místo abyste veškerý čas věnovali čtení textu stránku po stránce.
1) Vytvořte si sadu řízených revizí
S tím, jak jsem postupoval v překladu svého románu, se můj pracovní postup revize s podporou AI proměnil v sérii rituálů, které mi pomáhaly udržet nastavenou laťku kvality.
- Nechal jsem AI vyhledat všechny introspekce postav, abych se ujistil, že jejich záměry byly správně interpretovány – myšlenky skryté za jejich promluvami totiž byly důležitým dějovým prvkem.
- Také jsem ji nechal vyhledat všechny původní slovní hříčky a neologismy, které nebyly v glosáři ani ve styleguidu, abych mohl sám rozhodnout, zda mají být zachovány.
- Nakonec agenti pátrali po odchylkách v charakteristickém způsobu mluvy postav. To byl docela oříšek, protože porovnávali výsledky z překladové paměti a museli označit případy, kdy se zdálo, že postava mluví jinak. Většinou tyto posuny odrážely přirozené emoce, ale občas byla změna registru patrná jen pro mě jako pro člověka.
V Transeptu jsem nakonec dospěl k pracovnímu postupu, kdy všechny tyto analýzy běžely jedna po druhé, zatímco jsem se věnoval své běžné práci. Procházel jsem si je na mobilu a získal tak verzi s kompletními poznámkami, ke kterým jsem se mohl později vrátit a zapracovat je.
2) Najděte nejlepší nastavení překladové paměti
Díky sémantickému vyhledávání vám pokročilé nástroje TM umožňují najít segmenty s konceptuálními shodami, které jsou pro přímé využití člověkem příliš slabé. Pro LLM však mohou stále sloužit jako vodítko a ukázat jim, co přesně od nich očekáváte.
Díky rozšířenému kontextu paměti, který nabízí například Transept, si můžete MTPE usnadnit následujícími způsoby.
1. Zahrňte do výsledků z TM i alternativy, tedy zamítnuté strojové nebo lidské návrhy. To se mi osvědčilo zejména při vylepšování ukrajinských verzí článků v centru nápovědy. Většina lidské redakční práce spočívala v odstraňování rusismů a v obnovování přirozeného spádu textu. Díky příkladům „před a po“ se LLM naučily, jaký standard se v tomto kontextu pro ukrajinštinu očekává.
2. Najděte svůj „magický dokument“ a začněte ho používat. Pokud překládáte opakující se obsah, jako jsou protokoly změn, můžete místo celé databáze zkombinovat glosář s výběrem těch nejlepších překladů z TM. Díky sémantickým shodám toto nastavení definuje očekávání pro LLM a znovu tak vytváří ten nejlepší návrh.
3. Při ruční revizi využívejte přerovnávání pomocí AI (reranking). AI reranking prochází výsledky z paměti a ty nejrelevantnější posouvá nahoru, i když je algoritmická shoda slabá. Obvykle reviduji s otevřeným postranním panelem TM a díky rerankingu mám na očích jen ty příklady, které jsou pro člověka nejrelevantnější. Šetří to čas strávený procházením výsledků a zjišťováním, co přesně potřebuji.
3) Budujte paměť svého agenta o svých osobních preferencích
Síla přizpůsobení vašemu osobnímu vkusu a preferencím – nad rámec agenturních standardů a pokynů pro značku – je hluboce podceňována. Je výmluvné, že lidé, kteří zažili „AI psychózu“, měli paměť ChatGPT často zcela zaplněnou. Tato personalizace dala i staršímu modelu GPT-4o nad uživateli obrovskou moc, až se nakonec bouřili, aby zabránili jeho vypnutí.
Při překládání máte nespočet osobních zvláštností: svůj způsob práce i vlastní žebříček priorit. Jde o víc než jen o kroky v pracovním postupu. Některé jsou tak jemné, že si je možná ani sami všechny neuvědomujete.
I když na skutečně dobrém paměťovém modelu pro AI agenty stále pracujeme, často si najdu čas, abych s Literess probral práci, kterou jsme na dokumentu odvedli. Chci po ní, aby analyzovala vzorce, přu se s ní o jednotlivých rozhodnutích a pak ji nechám, aby si zapamatovala, co jsme se dozvěděli.
Jakkoli je tato technika jednoduchá, pomohla mi v tom, že při každém kole korektur, vylepšování i diskusí o překladu fantasy jmen nezačínám od nuly, ale vycházím ze společného základu.
Takovou jsem si Literess představoval: jako kolegyni a přítelkyni, jako svěřenkyni, a ne jako hrozící náhradu, která jen slepě plní pokyny.
Často kladené dotazy
Co je to post-editing strojového překladu (MTPE)?
Post-editing strojového překladu je proces revize a vylepšování strojově generovaného překladu, dokud text nedosáhne stanovené úrovně kvality. Tradičně stroj nejprve vytvoří kompletní pracovní verzi a člověk ji následně opraví. V pracovním postupu MTPE, který staví člověka na první místo, překladatel navíc generování textu předem usměrňuje pomocí kontextu, komentářů, glosářů, styleguidů a překladové paměti.
Jaký je rozdíl mezi lehkým a úplným post-editingem?
Cílem lehkého post-editingu je vytvořit přesný, srozumitelný a použitelný překlad. Zaměřuje se především na věcnou správnost, chybějící části a klíčovou terminologii, aniž by se ladil každý stylistický detail. Úplný post-editing pak text pozvedá na publikační úroveň, což zahrnuje přirozený spád, jednotný styl, kulturní nuance a přísnější závěrečnou kontrolu kvality. Samotný pracovní postup se měnit nemusí – co se mění, je nastavená laťka kvality a hloubka lidské revize.
Potřebuje překlad pomocí LLM stále lidský post-editing?
Ano. Plynulost textu ještě neznamená jeho správnost. LLM dokáže psát přirozeně znějící věty, ale přitom může vynechat důležitý význam, nepochopit kontext, odchýlit se od požadované terminologie nebo potlačit osobitý styl. Lidský úsudek je stále nezbytný k definování toho, co je kvalitní výsledek, k rozhodování v nejednoznačných situacích a k prověřování pasáží, u nichž by chyby měly reálné následky.
Kdy se MTPE vyplatí a kdy je lepší překládat od nuly?
MTPE se vyplatí tehdy, když stroj vytvoří užitečný základ a post-editor dosáhne cílové kvality rychleji, než kdyby začínal znovu. Žádné seriózní a univerzálně platné procento úspor neexistuje. Otestujte si postup na reprezentativním obsahu a sledujte skutečný čas strávený úpravami. Pokud přepisujete většinu vět, opakovaně opravujete stejné chyby nebo bojujete se strukturou pracovní verze, vylepšete kontext pro model nebo daný obsah přeložte od nuly.
Jak by se měla měřit kvalita MTPE?
Kvalitu měřte podle zamýšleného účelu textu, nikoliv jen podle jediného automatizovaného skóre. Sledujte věrnost originálu, vynechaná místa, kritické chyby, terminologii, jednotnost stylu, čas strávený úpravami a počet nedostatků nalezených při kontrole kvality. Automatizované metriky a revize pomocí AI sice pomáhají odhalit rizika, ale kreativní, kulturní, právní nebo na značku citlivá rozhodnutí stále vyžadují kvalifikovaného člověka. V Transeptu mohou řízené revize, kontroly zohledňující glosář i styleguide a odkazy na překladovou paměť zaměřit pozornost při kontrole na konkrétní typy chyb.
Jak u velkého množství malých dokumentů škálovat MTPE, který staví člověka na první místo?
Zachyťte lidský úsudek jednou a pak jej využívejte opakovaně. Vytvořte sdílený glosář a styleguide, schvalte vzorový překlad a nechte tato rozhodnutí propsat do překladové paměti. V Transeptu dokáže paměť vyhledávat v rámci projektu či týmu a může zahrnovat i dřívější diskuse, alternativy a širší kontext. Kroky pro překlad, korekturu a řízenou revizi uložte jako opakovaně použitelný týmový pracovní postup a stejné nastavení pak aplikujte na celou frontu dokumentů. Lidé se pak věnují jen výjimkám a rizikovým pasážím, místo aby u každého souboru museli znovu vysvětlovat zadání.
Autor
Spoluzakladatel Transeptu, píšící pod pseudonymem „Mevkh“. Titul z jazyka a literatury, poté obrat k softwaru: seniorní AI inženýr dodávající produkční LLM funkce pro 50 000+ uživatelů – RAG, agentní nástroje, evaluace LLM-as-judge. Romanopisec na pomalé cestě, se 120 000 slovy satirické romantické fantasy v šuplíku. Tření mezi AI překladem a jeho vlastní prózou je to, co dalo celou tuto věc do pohybu.