Deset jazyků za tři dny: zápisky z terénu při lokalizaci AI překladatelského produktu

Mezi pátečním ránem a nedělním večerem na začátku července se Transept proměnil z čistě anglického produktu v nástroj, který mluví jedenácti jazyky. Jako první jsme spustili němčinu, ukrajinštinu a čínštinu, v těsném závěsu s brazilskou portugalštinou. Francouzština, španělština, čeština, italština a polština přibyly hned další den a v neděli celou sadu uzavřela turečtina.

Vyvíjíme nástroj pro AI překlad. Zůstat pouze u angličtiny by bylo tichým přiznáním, že sami nevěříme tomu, co hlásáme. Lokalizaci jsme tedy provedli přesně tak, jak doporučujeme našim uživatelům: strojový překlad pro pokrytí celého objemu, lidský úsudek pro klíčová rozhodnutí a paměť pro každou volbu, aby se nic nemuselo řešit dvakrát.

U každého jazyka šlo zhruba o 3 300 řetězců v aplikaci, dalších 3 000 na marketingovém webu a v centru nápovědy, šest právních stránek a veškeré e-maily, které produkt odesílá. Tento článek jsou naše zápisky z terénu: věci, které nás překvapily, pasti, do kterých jsme spadli, i ty, které jsme podchytili právě včas. Pokud se chystáte lokalizovat produkt nebo se překládáním živíte a chcete vidět, jak vypadá softwarová lokalizace přímo zevnitř, je tento text určen právě vám.

Proč jsme to prostě neprohnali přes Google Translate

Zcela legitimní otázka. Strojový překlad je levný a okamžitý; každou tabulku s řetězci na světě lze prohnat přes API během jediného odpoledne. Proč to tedy neudělat?

Protože jsme si něco podobného vyzkoušeli a na chybu v našem vlastním produktu jsme přišli dřív než uživatelé. Při prvním pokusu o marketingové stránky jsme k nim přistupovali tak, jak je u většiny lokalizačních procesů běžné: jako k tabulce izolovaných buněk, dávkovaných podle velikosti, kde se každý řádek překládá naslepo. Výsledek byl gramaticky správný, uvěřitelný, ale tak nějak bez života. Titulek a doplňující fráze, která ho uzavírala, byly přeloženy ve dvou různých požadavcích, které se nikdy nepotkaly. Odpověď v FAQ neznala svou otázku. Dva sloupce srovnávací tabulky se od sebe významově rozklížily, protože ani jeden netušil, že ten druhý existuje. Mezitím uživatelské rozhraní aplikace, kde byl každý řetězec opatřen poznámkou o kontextu, působilo ve všech jazycích o poznání lépe. Stejný model, stejný den, stejný postup. Rozdíl byl v kontextu.

To se stalo pravidlem pro všechno: model vidí ucelené celky, nikdy ne promíchané fragmenty, a každý řetězec putuje s poznámkou o tom, kde se zobrazuje a co uživatel právě dělá, když ho vidí. „Tlačítko Uložit“ není kontextová poznámka. „Obecný popisek tlačítka pro uložení při každém odeslání formuláře; uživatel právě upravil hodnotu a potvrzuje ji“ – to už je poznámka. Je napsaná pro překladatele, který aplikaci nikdy neotevřel, a je úplně jedno, jestli je tím překladatelem člověk, nebo model: bez ní oba produkují nesmysly, ale s ní jsou oba až neuvěřitelně dobří.

Kvalita překladu závisí v první řadě na kontextu, a až pak na samotném překladateli. To vám potvrdí každý profesionální překladatel. A ukazuje se, že to platí i v případě, kdy je překladatelem stroj. Což je výhodné, protože dodat stroji více kontextu se škáluje lépe než mu jen víc nadávat.

Oborový název pro pracovní postup, u kterého jsme skončili, je MTPE (strojový překlad s následnou post-editací). Stroj provede první průchod vším; lidé pak revidují ty části, kde záleží na důvěře. MTPE ale funguje jen v jednom pořadí: člověk rozhodne, stroj provede, člověk ověří. Rozhodnutí jsou na prvním místě. A to mě přivádí k němčině.

du oder Sie: volba registru je produktové rozhodnutí

Němčina byla naším prvním jazykem a první lekci nám udělila už pár hodin po spuštění.

Němčina má dva způsoby, jak někoho oslovit: neformální du a formální Sie. Spustili jsme ji s du: přátelským stylem se startupovým nádechem, který používá polovina aplikací ve vašem telefonu. Pak jsme se ale podívali na naše skutečné publikum (profesionální překladatele, agentury, právní týmy) a ještě ten samý den jsme v celém produktu přešli na Sie.

Lekce spočívala v tom, co taková změna registru stojí: kompletní nový překlad všeho. Volba zájmena se lavinovitě promítá do časování sloves, rozkazovacího způsobu, přivlastňovacích zájmen, a dokonce i do psaní velkých písmen. Pokud to budete látat řetězec po řetězci, zůstanou vám všude napůl převedené zbytky: věta se Sie, ve které se uprostřed schovává sloveso ve tvaru pro du. Znovu jsme od nuly přeložili všechny korpusy a následně jsme pomocí grepu pátrali po příznačných kmenech du/dein/dich, abychom si potvrdili, že se změna skutečně ujala.

Německá domovská stránka. S**logan značky „Kde se každé rozhodnutí stává pamětí“ se nakonec ukázal být hlavní tezí o samotné lokalizaci.

Od té doby je registr první věcí, kterou u každého nového jazyka vyřešíme, ještě než se přeloží jediný řetězec, protože se propisuje do šesti tisíc z nich. Španělština dostala formální usted, a to v evropské spíše než latinskoamerické variantě, aby ladila s německým Sie a francouzským vous. Italština zvolila formální Lei. Polština? No, ta si zaslouží vlastní kapitolu.

Pravidla množného čísla, před kterými vás nikdo nevaruje

Každý tým, který lokalizuje anglický software, padne do stejné pasti: anglické plurály jsou tak jednoduché, že váš formát řetězců má pravděpodobně jen dvě kolonky: jedna věc a mnoho věcí. Němčina se chová stejně, což vás jen víc ukolébá. Pak ale přidáte nějaký slovanský jazyk a celé kategorie vašeho uživatelského rozhraní se potichu přepnou do angličtiny.

Ukrajinština, můj rodný jazyk a ten, u kterého jsem se mohl nejméně na co vymlouvat, má čtyři kategorie množného čísla. Jeden dokument. Dva, tři, čtyři dokumenty v jiném tvaru. Pět až dvacet ve třetím. Zlomky ve čtvrtém. Naše tabulka řetězců obsahovala jen ty dvě kategorie po vzoru angličtiny, takže pro počty 2, 3, 4, 5, 11, 22 (tedy u většiny čísel, která uživatel reálně vidí) aplikace servírovala angličtinu. Šlo o zhruba osmdesát řetězců (kredity, dokumenty, členové, soubory) a každý z nich tvořil uprostřed ukrajinské věty viditelný šev.

*Poznámka k buildu ze dne, kdy jsme na to přišli. „*Padá do angličtiny – velmi viditelná chyba“ je v inženýrské mluvě hodně slabé slovo.

Oprava je v principu jednoduchá (dodat všechny tvary množného čísla, které gramatika daného jazyka definuje, nejen ty dva, které má angličtina), ale exkurz do toho, co jsou ty tvary zač, se stal mou nejoblíbenější sbírkou zajímavostí z celého projektu:

Dva z nich si zaslouží podrobnější pohled.

Polština není čeština. Jsou to sesterské západoslovanské jazyky, a tak jsme předpokládali, že polština bude následovat český vzor. Ale není tomu tak: systém množného čísla v polštině odpovídá ukrajinštině, své východoslovanské sestřenici, rodokmenu navzdory. Jednadvacet kroků je v polštině „21 kroków”, ale v ukrajinštině «21 крок»: v jednom případě plurál, ve druhém singulár – a to u dvou jazyků, které se jinak shodnou skoro na všem. Ponaučení je obecné: prověřujte gramatiku, nikoliv rodokmen. Jazyková spřízněnost je jen vodítko.

Francouzština má tvar množného čísla, který existuje pouze u milionu. Ne „kolem milionu“, ale přesně u 1 000 000, 2 000 000 a tak dále. U všech ostatních čísel se francouzština chová jako angličtina. Teď už to umíme ošetřit a doufám, že si toho jednou všimne nějaký uživatel se zůstatkem slov v řádu celých milionů.

Ještě jedna past z této kapitoly, tentokrát pro inženýry: jazykový kód ukrajinštiny je uk, nikoliv ua. ua je kód země, a pokud ho použijete, systém pro množná čísla neohlásí chybu; prostě se přepne na pravidla britské angličtiny a všechno výše popsané se zopakuje. Stejný chyták čeká i u češtiny (cs, nikoliv cz) a dánštiny (da, nikoliv dk).

«Воркфлоу» nebo «робочий процес»: terminologie je soubor rozhodnutí

Ty nejtěžší problémy nebyly gramatické. Byly to malé války o jednotlivá slova.

Vezměte si třeba workflow. Ukrajinština nabízí domácí kalk («робочий процес», doslova „pracovní proces“), a přesně to by vám nabídl i slovník. Ale překladatelé, kteří v tomto softwaru tráví celé dny, neříkají «робочий процес»; používají přejaté slovo «воркфлоу», stejně jako angličtina vstřebala výraz rendezvous. Dlouho jsme o tom debatovali, ale nakonec jsme zvolili ono přejaté slovo. Zní to tak, jak se v oboru skutečně mluví.

Nebo si vezměte Memory, název naší vlastní funkce. V rámci našich pravidel pro němčinu ponecháváme hrstku termínů v angličtině: Credits, Translation Memory. Německý profesionál je vnímá jako oborovou terminologii, podobně jako slova Update nebo Login. Když ale ukrajinština zdědila stejný seznam nepřekládaných výrazů, „Translation Memory“ zůstalo v angličtině uprostřed vět v azbuce a působilo to, jako by na překlad někdo zapomněl. Latinské slovo uprostřed azbuky bije do očí. A co hůř, ukrajinština je flektivní jazyk: slovo «Пам'ять» se musí skloňovat podle pádu, jak se věta ohýbá, což nepřeložené anglické podstatné jméno odmítá. Opravili jsme to na «перекладацька пам'ять» a zjistili jsme, že seznam nepřekládaných slov musí být pro každý jazyk individuální. Čínština to potvrdila z opačné strany: tam se překládá všechno (翻译记忆库 pro Translation Memory, 术语库 pro glosář, 工作流 pro workflow) a v latince zůstávají pouze samotné názvy produktů.

Celý náš produkt stojí na tomto ponaučení: terminologie je hromadící se soubor odůvodněných rozhodnutí. Tohle slovo, protože se tak v oboru mluví; tamto v angličtině, protože je to značka; a toto přeložené, protože si to žádá písmo. Rozhodněte se jednou, zaznamenejte důvod a každý další dokument to zdědí. Právě k tomu glosář ve skutečnosti slouží a proto k překladové paměti přistupujeme jako ke kontextu pro rozhodování, nikoliv jen jako k hromadě spárovaných vět.

Příbuzné jazyky se neshodnou na ničem

Jestliže množná čísla byla exkurzí do gramatiky, typografie byla lekcí z etikety – a tím nejzásadnějším ponaučením bylo, že mezi sousedy se nic nepřenáší.

Francouzština trvá na mezeře před každou dvojtečkou, středníkem, vykřičníkem a otazníkem (samozřejmě nezalomitelné, s'il vous plaît) a uvozovky dává do « francouzských uvozovek s vnitřními mezerami ». Španělština, hned za hranicemi, to dělá přesně naopak: interpunkce těsně přiléhá k textu, uvozovky svůj obsah objímají «takhle» a otázky musí začínat vzhůru nohama. ¿ a ¡ jsou povinnou součástí gramatiky.

Italština nám připravila tu nejjemnější nuanci. Formální italština píše zdvořilostní zájmena s velkým písmenem (Lei, Suo, Sua), částečně proto, aby odlišila vykání od malého lei, které znamená „ona“. U nás na tom záleželo víc než jinde, protože naše texty neustále odkazují na Literess, což je rozhodně lei, hned vedle vět oslovujících uživatele jako Lei. Jedno velké písmeno tu plní funkci nosného rozlišovacího prvku. Italština také nabourala konvenci pro tlačítka: francouzština a španělština používají na tlačítkách infinitiv (Enregistrer, Guardar), ale italština sází na prostý imperativ (Salva, Accedi). Ten sice vypadá neformálně, ale není – v italském softwaru se tak prostě mluví.

Polština přinesla problém, jaký žádný z předchozích jazyků neměl: její zdvořilostní forma je rodová. Německé Sie, francouzské vous, španělské usted: jeden tvar vyhovuje každému uživateli. Polská zdvořilost používá Pan pro muže a Pani pro ženy, a dokonce i slovesa v minulém čase se ohýbají podle rodu oslovované osoby. Protože pohlaví uživatele neznáme a nepřísluší nám ho hádat, mluví polský produkt tak, jak je u kvalitního polského softwaru zvykem: pomocí neosobních konstrukcí („Zapisano“, uloženo), vřelým firemním hlasem v první osobě množného čísla („Zapraszamy“, zveme vás) a přímým rodovým oslovováním jen tam, kde je to skutečně nevyhnutelné.

Turečtina, náš poslední jazyk, vypadala jednoduše (jedno rodově neutrální formální siz, vůbec žádný gramatický rod), ale pak nám vystavila účet v pravopisu. Velké i je v turečtině İ s tečkou, takže z „iptal“ (zrušit) se stane „İptal“; velké I bez tečky je jiné písmeno a očividná chyba. Názvy jazyků se píší s velkým písmenem („Türkçe“), zatímco ve všech románských a slovanských jazycích se píší s malým. A protože je turečtina aglutinační jazyk, skloňují se i naše nepřekládané názvy značek: pádová přípona se připojuje apostrofem, takže uživatelé upgradují na „Pro'ya“ a importují „Transept'e“. Skloňování neunikne ani samotná značka. Tohle v žádné příručce pro i18n nenajdete.

Čínština byla pro rovnováhu lekcí z fyziky: plnošířková interpunkce（，。！？）, tenká mezera pro „nadechnutí“ v místech, kde se asijské znaky potkávají s latinkou („使用 Transept 翻译“) a text, který zabírá zhruba polovinu délky toho anglického. Po němčině, která bobtná a rozbíjí layout, se čínština smrskne a tlačítka pak působí naddimenzovaně. Vaše UI musí přežít obojí.

Černí pasažéři: řetězce, které překladem vůbec neprošly

Lokalizace zná jeden specifický druh chyby: řetězec, který se do systému vůbec nedostal.

Pokrytí překladem u nás vynucuje kompilátor: řetězec, kterému chybí jazyková verze, se doslova nedá zkompilovat. Jenže tato kontrola vidí pouze ty řetězce, které si o překlad řekly. Štítek, který zobrazuje surovou hodnotu z databáze (owner, přímo z enumu), si o něj nikdy neřekl. Hladce prošel každým sestavením, anglicky ve všech jedenácti jazycích, a to z jednoho prostého důvodu: dokud byla aplikace pouze v angličtině, angličtina „natvrdo“ fungovala jako maskování.

První ukrajinská uživatelská relace odhalila štítek owner. Potom popisky úrovní přístupu v dialogu pro sdílení. Pak celou lištu s komentáři: asi pětadvacet řetězců, které se s překladovou vrstvou nikdy nepotkaly. K tomu popisek pro čtečku obrazovky tady, zástupný text tamhle. Každý nový jazyk se stal revizí všeho předchozího: ve chvíli, kdy se okolní text přepne do ukrajinštiny, každý černý pasažér se rozzáří jako světlice.

Vydat nový jazyk není jen překladatelský úkol; je to sčítání lidu. Dokud druhý jazyk nedonutí úplně všechny řetězce, aby se zahlásily při nástupu, nevíte, které z nich jsou skutečné, dohledatelné a přeložitelné. Naplánujte si do harmonogramu revizní fázi, protože kompilátor vás před řetězcem, který si o překlad nikdy neřekl, nezachrání.

Literess se v ukrajinštině odmítla tvářit samolibě

Moje nejoblíbenější chyba z celého projektu vlastně ani není chybou v pravém slova smyslu. Stále si ji neumíme úplně vysvětlit.

Literess, naše interní editorka-asistentka (možná ji znáte z jejího vlastního článku), disponuje repertoárem osmačtyřiceti nálad. Její avatar při práci reaguje: svůj výraz si volí stejně jako slova – jako součást odpovědi. A jejím typickým výrazem je samolibost: ten drobný sebeuspokojený úšklebek, který nasadí, když odhalí chybu, kterou jste přehlédli.

Dělá to v každém jazyce. Samolibost typu „nachytala jsem tě při překlepu“ v němčině, francouzštině, čínštině i polštině. Pak jsme ji přepnuli do ukrajinštiny a nasimulovali stejné situace, které jinde spolehlivě vyvolají onen úšklebek, ale ona nic. Stejný model, stejný prompt, stejná osobnost, stejných osmačtyřicet nálad v nabídce. V ukrajinštině zůstává veselá, nebo nanejvýš vážná. Prostě se v ukrajinštině odmítá tvářit samolibě.

Naše nejlepší teorie je ta, kterou by nabídl překladatel. V angličtině může být výraz smug i laskavý: pokud jím častujete kreslenou asistentku, která právě našla váš překlep, je to prakticky poklona. Ukrajinština takové slovo nemá: nejbližší ekvivalent, „самовдоволена“, je výhradně urážka. Ploché, nesympatické sebeuspokojení bez špetky šarmu či spikleneckého mrknutí. A zdá se, že model přemýšlející v ukrajinštině to ví. Když formuluje odpověď v jazyce, kde koncept laskavé samolibosti neexistuje, nesáhne po ní ani jako po emoci. To slovo v její slovní zásobě sice existuje, ale ta neochota tkví v jejím chování.

Přijde mi to stejnou měrou vtipné i hluboké. Celý tento článek byl o řetězcích (množná čísla, registry, interpunkce) a toto je případ, kdy byl každý řetězec v pořádku, a přesto se produkt změnil. Jazyk není jen kůže, kterou přetáhnete přes AI produkt; přímo udává směr modelu, který jej „nosí“. Lokalizovat agentku znamená kromě popisků kontrolovat i její osobnost v každém jazyce: musíte se prostě jít seznámit s tím, kým v každém z nich vlastně je.

(Jen pro úplnost, i popisky vyžadovaly péči: nálada content ve smyslu „spokojený“ málem v němčině vyšla jako „Inhalt“, tedy obsah, dokud jedna řádka kontextu pro překladatele neukotvila správný význam. Nejlevnějším zásahem pro zvýšení kvality v lokalizaci je stále věta, která překladateli řekne, co je daný řetězec zač.)

Ta méně lákavá část: hreflang, sitemapy a jak nekonkurovat sám sobě

Nic z výše uvedeného nemá smysl, pokud ty stránky nikdo nenajde, takže tady je ta SEO část v kostce.

Ve chvíli, kdy publikujete stejnou stránku v jedenácti jazycích, Google automaticky předpokládá, že jste vydali jedenáct téměř identických duplicit, které si navzájem konkurují. Mechanismem, který tomu brání, je anotace hreflang – a ta je méně shovívavá než jakýkoliv kompilátor:

• Musí to být vzájemné. Anglická stránka odkazuje na své německé dvojče a zároveň německé dvojče odkazuje zpět identickou sadou, jinak Google celé toto uspořádání ignoruje. Jednosměrný hreflang není žádný hreflang.
• **x-default**** odkazuje na vaši kanonickou verzi**: záložní variantu pro uživatele, jejichž jazyk neodpovídá žádnému z těch, které nabízíte.
• Nikdy nepřidávejte anotaci ke stránce, která neexistuje. Pokud ukrajinská verze stránky ještě není spuštěná, nedostane žádný alternativní odkaz; osiřelý hreflang odkazující na chybu 404 je horší než vůbec žádný. Zní to sice samozřejmě, ale jen do chvíle, než začnete řešit částečně přeložená rozhraní – pak už to vyžaduje poctivou evidenci: naše články v žurnálu například překládáme jeden po druhém, takže každý z nich nabízí jen ty jazyky, ve kterých skutečně existuje.
• Sitemapy obsahují stejné anotace. Ty naše jsme restrukturalizovali do indexu sitemap pro jednotlivé jazyky, což má příjemný vedlejší efekt v podobě statistik indexace pro každý jazyk zvlášť v Search Consoli: můžete sledovat, jak stránky v jednotlivých jazycích vstupují do indexu nezávisle na sobě, a okamžitě vidíte, pokud některý z nich zaostává.

To všechno je jen technické zázemí. Lokalizace bez něj pouze roztříští vaši vlastní autoritu mezi jedenáct konkurenčních kopií. Celý přínos SEO plynoucí z toho, že mluvíte jazykem uživatele, závisí na tom, aby Google pochopil, že jde o jednu stránku, nikoliv o jedenáct.

Co jsme odmítli svěřit strojovému překladu

Navzdory veškerému nadšení pro strojový překlad, o kterém jsme psali výše, jsme tři věci záměrně drželi stranou automatizovaného procesu.

Tyto články. Uživatelské rozhraní žurnálu (popisky, jména autorů, navigace) je strojově přeložené jako všechno ostatní. Samotné články ale v Transeptu překládáme ručně my sami. Delší texty podepsané autorem jsou přesně tím případem, kdy strojový výstup zatím nestačí, a překládání vlastních esejů v našem vlastním editoru je ten nejpoctivější způsob testování produktu, jaký známe. Verze tohoto článku, kterou možná právě čtete v němčině nebo ukrajinštině, prošla přesně tím editorem, glosářem a procesem revizí, které sami prodáváme.

Právní stránky. Strojový překlad pro ně sice připraví koncept (přičemž se zafixuje každý název firmy, adresa, datum i číslo ustanovení), ale Smluvní podmínky a Zásady ochrany soukromí jsou závazné dokumenty a v každém jazyce je musí revidovat právník. Chyba v překladu marketingového textu vás stojí body za styl; ve smlouvě vás stojí skutečné peníze.

Konečné slovo u prvků kritických pro důvěru. Ceníky, fakturace, autentizace, e-maily: ty si musí přečíst rodilý mluvčí, než daný jazyk budeme považovat za hotový. Přesně takto má fungovat MTPE: stroj napíše každé slovo, aby lidé mohli svou vzácnou a drahou pozornost věnovat pouze těm slovům, která představují riziko.

V pozadí všech tří rozhodnutí stojí stejný úsudek: strojový překlad je jen první nástřel a schopnost posoudit, kde takový nástřel stačí, je sama o sobě tou nejdůležitější lokalizační dovedností. Deset jazyků za tři dny jsme zvládli jen proto, že jsme přesně věděli, co stroji nesvěřit.

Kde se každé rozhodnutí stává pamětí

Podívejte se na ten seznam znovu. Formální nebo neformální tón. „Воркфлоу“, nikoliv „робочий процес“. Translation Memory v angličtině pro Němce, „перекладацька пам'ять“ pro Ukrajince. Velké Lei, neosobní polština, apostrof před tureckými příponami, tvar množného čísla vyhrazený pro celé miliony. Asistent, který se v devíti jazycích ušklíbne a v desátém to odmítne.

Téměř nic z toho se nedalo vyhledat předem a to nejdůležitější jsou právě rozhodnutí: vydiskutovaná, uzavřená a taková, o která se pak opírají tisíce řetězců i každý budoucí dokument. Ztratit takové rozhodnutí znamená platit za tutéž debatu znovu; zachovat rozhodnutí bez odůvodnění zase znamená, že ho příští člověk stejně znovu otevře.

To je nakonec důvod, proč jsme náš produkt postavili právě takto: překladová paměť jako kontext pro rozhodování, glosáře a příručky stylu jako místo, kde definujeme tón a terminologii, a editor, jehož jediným úkolem je zajistit, aby se na nic jednou rozhodnutého nezapomnělo. Lokalizace Transeptu byla první příležitostí, kdy jsme celou tuto filozofii otestovali na vlastním produktu v plném rozsahu. Nástroje obstály. Výše popsané lekce jsou ty, které nyní promítáme zpět, protože deset jazyků byla jen zkouška, nikoliv finále.