Překladová paměť: Co to je, jak funguje a proč na ní u AI lokalizace záleží

Pokud váš tým překládá produktový obsah, články nápovědy, dokumentaci, kampaně nebo softwarové řetězce, neustále narážíte na tentýž problém:

• stejné fráze se opakují stále dokola,
• a přesto jejich překlad, kontrola a schvalování pokaždé znovu stojí čas.

A právě to má překladová paměť řešit.

Překladová paměť neboli TM je místo, kam si váš překladový systém ukládá texty, které už váš tým schválil. Zdrojový text putuje dovnitř, výsledný překlad se k němu přiřadí, a když se příště objeví něco podobného, nezačínáte od nuly.

Starší překladatelské nástroje ji využívaly k úspoře času. U AI na ní záleží ještě víc: ukazuje modelu, jaký je váš standard a jaká rozhodnutí od něj očekáváte. Přínos je obrovský:

• rychlejší zpracování (žádné opakované překládání šablon, právních doložek nebo prvků rozhraní)
• nižší náklady, a to nejen díky možnosti znovu využít hotové řádky. Díky dostatečnému ukotvení v překladové paměti se nám v Transeptu podařilo dosáhnout toho, že se 4× levnější model vyrovnal tomu prémiovému
• jednotný styl (rozhodnutí, která jste schválili před lety, se automaticky uplatní u každé nové funkce).

Jak ale u AI překladu s překladovou pamětí pracovat?

• Počítají se mezi překladovou paměť i glosáře a styleguidy? A jak je udržovat stále aktuální?
• Jak určit, co se považuje za relevantní segment překladové paměti?
• Kolik kontextu AI vlastně potřebuje? Kdy je ho příliš málo a kdy už naopak moc?
• Jak zajistit, aby citlivé informace a data chráněná autorským právem nikdy neunikly k jiným klientům?

Přesně to jsme v Transeptu museli vyřešit. Co by měla překladová paměť znamenat v době, kdy už překladatelem není jen člověk? A jak zajistit, aby práce člověka s touto pamětí byla smysluplná a nebyla jen úmorným přebíráním balastu?

Právě tato otázka nás přiměla jít skutečně do hloubky.

Co je překladová paměť v AI překladu?

Tradičně je překladová paměť strukturovanou databází překladových párů. Každý pár obvykle obsahuje:

• Zdrojový segment (původní text).
• Cílový segment (překlad).
• Metadata – kdo text přeložil, kdy byl schválen a okolní kontext.

Když překladatel otevře nový dokument, software pro překladovou paměť text analyzuje, porovná ho s databází a při nalezení shody navrhne předchozí překlad.

To je klasická definice CAT nástrojů. Jakmile ale začnete pracovat s LLM a agentními překladovými systémy, vstupuje do hry několik dalších prvků:

• Glosáře generované v průběhu překladu pro ustálení terminologie, kterou AI používá.
• Předávací poznámky a shrnutí vytvářená při předávání práce mezi jednotlivými AI agenty.
• Myšlenkové stopy agentů vytvořené během překladu, editace a korektury – tedy zdůvodnění každého rozhodnutí.
• Kontext diskuse mezi agenty a lidmi: chaty, vlákna s odpověďmi, historie vyhledávání či kontext ze Slacku nebo Teams.

Figure 2 · Anatomy of a TM record

What a translation memory stores now

Traditional CATAI-era (agentic)

just the pair

SourcePure steel rejects lacquers and paints

Target«Чиста сталь відкидає лаки та фарби»

Metadataapproved by · date · file & context

…and what the agents also kept

Thinking trace

weighing  "rejects lacquers and paints"
  ├ literal    «відкидає лаки та фарби»   keeps the metaphor ✓
  ├ smoother   «не приймає покриття»      clearer, but flattens it
  └ decision   go literal, the bluntness is the point

Glossary

steel → сталь🔒paints → фарби

Handoff note

translator → editor

“Kept the steel metaphor literal. Check it reads naturally in UK.”

Discussion

Maria is «відкидає» too harsh for a product line?

Literess It mirrors the source’s bluntness. I’d keep it.

Switch to AI-era to see what an agentic pipeline adds →

Pro lidi je to sice stále užitečné, ale pro AI naprosto zásadní. Umožňuje totiž modelu rekonstruovat kontext, který si lidští překladatelé běžně uchovávají v dokumentech, v hlavě a v rámci diskusí. Paradoxně tak překlad využívající LLM potřebuje nástroje TM a CAT více než lidé – člověk totiž dokáže bez problému překládat i jen s tužkou, papírem a slovníkem.

Jak fungují shody v překladové paměti

Software pro překladovou paměť (TM) rozděluje obsah na menší části zvané segmenty – obvykle jde o věty, nadpisy nebo popisky tlačítek. Poté vyhledává shody. Způsob, jakým TM vyhledává shody, je tou nejdůležitější disciplínou v celém oboru.

• Přesné shody: nový segment je stoprocentně identický s některým v databázi. Software může překlad doplnit automaticky.
• Částečné shody (fuzzy matches): podobné, ale ne identické. Jsou označeny ke kontrole, úpravě nebo k inspiraci pro překladatele. Většinou fungují na principu tzv. řídkého vyhledávání (sparse search) – vyhledává se každé slovo nebo lexém ve větě a segmenty v databázi se pak hodnotí podle toho, kolik jich mají společných.
• Sémantické shody: segment v databázi má podobný význam, i když se v něm žádná slova nepřekrývají. K tomu se využívá tzv. husté vyhledávání (dense search) – vektorové embeddingy a vyhledávání informací (retrieval). Jde o klasický princip RAG.

Tradiční překladové paměti spoléhaly na přesné a částečné shody. LLM přinesly sémantickou vrstvu. Samotné sémantické vyhledávání však pro kvalitní výsledky stále nestačí.

V literárním překladu jsou částečné shody termínů klíčové pro zachování konzistence vlastních jmen a reálií. V medicíně lze stejnou věc vyjádřit mnoha způsoby, takže by sémantické vyhledávání mělo pomáhat – jenže výsledek je přesně opačný. Pro embedder zaměřený na obecnou doménu je vzdálenost mezi slovy ileum a ilium stejně malá jako mezi karmínovou a šarlatovou.

(Ileum je konečná část tenkého střeva, zatímco ilium je horní část kosti kyčelní. Jde o naprosto nesouvisející pojmy, které se v sémantickém prostoru obecné domény slijí do kategorie „zdravotnictví".)

Potřebujete tedy určité mantinely. Standardní očekávání od překladové paměti v roce 2026 je proto následující:

• Hybridní vyhledávání, které kombinuje přesné, fuzzy a sémantické shody pro získání nejrelevantnějších výsledků z historie překladů.
• Reranking, při němž se u kandidátů znovu přehodnocuje skóre relevance vzhledem ke skutečnému kontextu.
• Procházení stromem, které člověku nebo agentovi umožňuje přecházet od jedné shody k jejím nejbližším sousedům a prozkoumávat tak databázi.

Jak k překladové paměti přistupuje zbytek trhu

Každý seriózní lokalizační nástroj dokáže ukládat dřívější překlady a znovu je nabízet. Zásadní otázky jsou: co si systém pamatuje, kdy této paměti důvěřuje a kde ji následně využije?

Z tohoto pohledu lze trh rozdělit do tří úrovní – paměť pro opakované využití, paměť pro řízení a paměť jako palivo pro AI. Transept sází na čtvrtou: paměť jako kontext pro rozhodování.

Úroveň 1: paměť pro opakované využití

Klasické CAT nástroje odpovídají na tu nejstarší otázku týkající se překladových pamětí: „Už jsme tohle někdy překládali?"

Nejsou to žádné primitivní nástroje – mnohé z nich podporují kontextové shody, vyhledávání fragmentů, pluginy pro strojový překlad, týmové servery a propracované pracovní postupy. Paměť však v editoru slouží převážně jen jako zdroj návrhů. Pomáhá překladateli znovu využít dřívější práci, ale zpravidla už neuchovává informaci o tom, proč byla jedna verze upřednostněna před jinou.

• Trados / RWS představuje klasický standard – vyniká v přesných i neúplných shodách, konkordanci a kontextových přesných shodách, přičemž širší ekosystém Tradosu dnes integruje i AI a pracovní postupy Language Weaver. Na úrovni samotné TM je však základním principem stále jen recyklace segmentů v prostředí CAT nástroje.
• memoQ posouvá možnosti klasických TM v oblasti kontextu ještě dál. Jeho shody typu 101 % a 102 % se snaží vyhodnotit, zda se stejný segment objevuje na stejném místě, což je klíčové pro softwarové řetězce, opakující se popisky nebo strukturované soubory. Je to sice chytrý způsob vyhledávání, ale paměť stále pracuje jen se segmentem v kontextu.
• Wordfast sází na přenositelnost a praktičnost překladových pamětí. Wordfast Anywhere nabízí překladatelům v prohlížeči sdílené TM, glosáře, kontrolu kvality i strojový překlad. Hlavní přínos spočívá v dostupnosti a opakovaném využití, nikoli v hlubší paměti na učiněná rozhodnutí.
• OmegaT a CafeTran ukazují, že pokročilé opakované využití není jen výsadou korporátních řešení – nabízejí bezplatné open-source vyhledávání neúplných shod, šíření shod, podporu více pamětí i glosářů a pro náročné uživatele také týmové TM servery.

Laťka je tedy vysoko. I nízkonákladové a nezávislé nástroje si překlady pamatují a znovu je využívají velmi dobře. Skutečný komerční souboj tak začíná až u toho, co následuje po samotném opakovaném využití.

Úroveň 2: paměť jako nástroj řízení

Další skupina si klade jinou otázku: „Které paměti lze v rámci daného klienta, týmu, projektu nebo pracovního postupu důvěřovat?"

• Phrase TMS vnímá paměť jako jeden ze spravovaných zdrojů v rámci širší platformy – vedle TM jsou to terminologické databáze, profily MT enginů, Phrase Language AI, hodnocení kvality či QA. Záběr je široký, ale samotná TM stále slouží hlavně k ukládání recyklovatelných segmentů.
• Crowdin zefektivňuje využití paměti na úrovni projektů: nabízí automaticky generované projektové TM, možnost ukládat výhradně schválené překlady a rozlišuje mezi běžnými 100% shodami a shodami typu Perfect (shoda textu i kontextu). Nástroj sice řetězce předvyplňuje, ale pamatuje si jen výsledný text, nikoli důvody jeho výběru.
• Smartcat organizuje paměť podle vztahů – podle klientů, oddělení, pracovních prostorů či profilů pro AI překlad. Automaticky připojuje relevantní paměti a glosáře, přičemž jedna TM je určena pro zápis a ostatní pouze pro čtení. Hlavní předností je zde směrování a jasně definované vlastnictví.
• XTM Cloud přistupuje k paměti jako k něčemu, co vyžaduje status a ochranu: záznamy mohou být schválené i neschválené, surový strojový překlad se neukládá automaticky, segmenty se sledovanými změnami čekají na přijetí či zamítnutí a nastavení určují, zda se mají nabízet i neschválené záznamy. Smyslem je kontrola důvěryhodnosti.
• Wordbee odděluje trvalé překladové paměti od dočasných projektových pamětí. Projektová paměť zachycuje práci v reálném čase a dokáže nabízet segmenty přímo během procesu; užitečné části se následně konsolidují do hlavní TM. Má to sice blízko k živému kontextu dokumentu, ale stále se jedná o pouhé úložiště segmentů.
• Bureau Works sází na kontrolu – paměti jsou provázané s odděleními a mají striktní oprávnění (řadoví překladatelé z nich mohou čerpat, ale doplňovat je smí jen vedoucí lokalizace). Systém navíc nabízí jednotný proud doporučení, v němž se mísí TM, LLM, klasický strojový překlad a glosáře. Je to robustní, občas až zahlcující řešení, kde finální slovo má stále člověk, který návrhy vyhodnocuje.
• MateCat je webový CAT editor napojený na MyMemory (pro TM) a ModernMT (pro strojový překlad). Veřejné i soukromé paměti slouží jako podklad pro návrhy strojového překladu a opravy prováděné za pochodu vylepšují výstup přímo pod rukama překladatele. Tento přístup má blíže k „TM napájející adaptivní MT" než k běžnému modelu, kdy TM a MT fungují vedle sebe. Přesto i zde paměť představuje hlavně segmenty, shody a opravy.

Úroveň 3: paměť jako palivo pro AI

Nejnovější skupina se ptá, co se děje, když AI překlad vytváří, upravuje nebo se z něj učí. Může se strojový výstup stát součástí paměti? Vyžaduje nejprve revizi? Může hodnocení kvality nahradit lidské schválení? Dokáže TM řídit samotný engine?

• Lilt vnímá TM jako palivo pro adaptivní strojový překlad – potvrzené překladové jednotky a data z terminologických databází postupem času vylepšují prediktivní návrhy. Sází na adaptivní predikci uvnitř enginu, nikoli na širší paměť zahrnující komentáře, zamítnuté alternativy a logiku revizí.
• Smartling jasně rozlišuje původ: výstupy z AI mohou směřovat do samostatné strojově vytvořené překladové paměti, zatímco lidská nebo lidmi ověřená práce zůstává v běžné TM. Je to robustní model důvěry – výstupy z AI lze znovu využít, ale nikdy se v tichosti nevydávají za schválené člověkem.
• Lokalise využívá revizi jako kontrolní mechanismus: překlady z AI nebo MT se do TM dostanou, až když je revizor schválí v rámci revizního úkolu, a to i bez úprav textu. Výstupy z AI si tak mohou vysloužit místo v trvalé paměti, ale pouze skrze lidský krok – což vnáší do procesu určité tření a není to ideální pro malé týmy, kde se rozhoduje za pochodu a informace by se měly zaznamenávat okamžitě.
• Transifex využívá TQI jako automatizační bránu. Běžně generované překlady se bez revize do TM nedostanou, ale Transifex AI dokáže překlad ohodnotit pomocí svého indexu kvality (Translation Quality Index) a při překročení nastaveného prahu jej přidat automaticky. Má to však háček: musíte důvěřovat jejich proprietárnímu indexu.
• Phrase Language AI představuje orchestrační vrstvu – směruje práci mezi enginy a agentní workflow, využívá odhad kvality, aplikuje glosáře, spravuje profily MT a podporuje i vlastní enginy. Systém má robustní architekturu, ale TM v něm zůstává jen jedním ze vstupů vedle MT, glosáře, QA a směrování.

Díra na trhu, kterou jsme objevili

U všech těchto řešení už trh docela dobře zvládá ukládání výsledného překladu, oddělování lidských a strojových výstupů, směrování do správné paměti i rozhodování o tom, kdy je výstup z AI znovu použitelný. My jsme to všechno brali jako naprostý základ.

Stále však chybí paměť samotného procesu, který k překladu vede. Jen málokterý nástroj uchovává zamítnuté alternativy, komentáře, historii revizí, kontext vyhledávání, logiku schvalování nebo rozhodovací proces vysvětlující, proč zvítězila právě daná verze. Překlad toto „inženýrské zlato" produkuje zcela přirozeně – málokdo se ho ale obtěžuje vytěžit.

Ještě vzácnější je pak zpětné předávání této historie schopnému LLM, aby příští překlad mohl těžit ze samotné logiky rozhodování, nikoliv jen z výsledného textu.

Na to jsme v Transeptu vsadili. Překladová paměť by neměla uchovávat jen samotné věty, jakkoli jsou důležité. Měla by si pamatovat i práci, díky které je daná věta důvěryhodná. TM se musí stát kontextem pro rozhodování – sdíleným lidmi i umělou inteligencí.

Figure 7 · Memory as decision context

Transept remembers the work behind the sentence

The approved segment · EN → FR · idiom

It costs an arm and a leg

«Ça coûte les yeux de la tête»

Everyone stores this

Context fed to the next translationkept 1 / 7

+Rejected alternativesadd

✓«Ça coûte les yeux de la tête»· the French idiom, same idea and register

✗«Ça coûte un bras et une jambe»· a literal calque, reads as a translation

✗«C’est très cher»· accurate, but flattens the colour

+Thinking traceadd

"costs an arm and a leg": an idiom, translate the meaning
  · a literal calque would read as a translation
  · plain "très cher" is accurate but loses the colour
  → use the French idiom for the same idea

+QA findingsadd

✓idiom mapped, not calqued

✓register matches source (casual)

⚠length checked, fits the button

+Version logadd

v1machine«un bras et une jambe»

v2Literess«les yeux de la tête»

v3humanapproved · current ✓

+Discussionadd

Maria Keep the body-part image, or go fully idiomatic?

Literess French has its own: «les yeux de la tête». Same register, lands natively.

+Omnichannel contextadd

🔍web: “arm and a leg french equivalent”📖dictionary: coûter les yeux de la tête💬comment: matches our playful brand voice

Reveal all layers

Right now the next translation sees only the final sentence, the same memory the market keeps. It can copy the style; it can’t replay the logic.

Jak Transept implementuje překladovou paměť

V Transeptu chceme definovat absolutní špičku v kvalitě překladů, jaké lze s modely LLM dosáhnout.

Když jsme ještě jako nezávislí autoři a překladatelé neměli žádné investory, byla pro nás umělá inteligence jediným dostupným řešením. Modely LLM ale bez lidského vkladu nedokážou plně využít svůj potenciál – a tento vklad je přitom tím nejcennějším zdrojem na světě: je to čas lidského života. Proto jsme překladovou paměť nepojali jako pasivní databázi, ale jako aktivního účastníka celého procesu. Neustále se učí a neustále vám vaše úsilí vrací.

Hybridní vyhledávání a granulární filtrování

Překladová paměť Transeptu využívá hybridní vyhledávání, které kombinuje fuzzy shodu a vektorové vyhledávání – je rychlé a přesné. Samotné vyhledávání je ale jen polovina úspěchu; tou druhou je kontrola nad tím, co se z paměti načítá.

Můžete přesně vyfiltrovat, co do paměti vstoupí: čerpat z celé knihovny organizace, zúžit výběr na portfolio jednoho týmu, nebo se omezit na jediný projekt. Systém ve výchozím nastavení zahrnuje pouze ručně schválené dokumenty na základě stavů v TMS, ale toto nastavení můžete na úrovni týmu, dokumentu i projektu změnit.

Lidé i AI agenti vidí ty nejrelevantnější předchozí překlady – včetně zamítnutých alternativ a diskuze, která stála za výsledným rozhodnutím. Nevidíte jen to, co bylo vybráno, ale i proč.

Gradientní ukotvení překladové paměti

Pro automatizované AI procesy jsme vyvinuli takzvané „gradientní ukotvení překladové paměti" (Gradient Translation Memory Grounding), které pomáhá modelům LLM dosahovat lepších výsledků:

• Synchronizace dokumentů v reálném čase: AI při překladu čte nejen schválené zdroje z paměti, ale i předchozí segmenty v rámci téhož dokumentu. Tím udržuje jednotnou terminologii, styl a zvolené obraty, a to i bez striktního glosáře nebo stylistické příručky.
• Bezpečné korektury: Když AI provádí korektury nebo vylepšuje text, segmenty ze stejného dokumentu se jako kontext použijí až poté, co je AI Editor označí za schválené. To brání modelu v halucinacích nebo v opakování dřívějších chyb.
• Synchronizace paralelních agentů: Když na velmi rozsáhlých dokumentech pracuje více agentů současně, jejich paměti se neustále synchronizují, aby se zvolená řešení promítala do celého textu. Byla to sice obrovská technická výzva, ale díky této funkci se čas překladu dokumentu o 40 000 slovech zkrátil z 8 hodin na 50 minut.

Rozšířený kontext a řízení pracovních postupů

Jakmile jsme našli způsob, jak podchytit správná rozhodnutí a lidský talent, zaměřili jsme se na hlubší kontext a usnadnění práce:

• Omnikanálový kontext: chaty, komentáře a vyhledávání v dokumentech pomáhají lidem i AI najít širší souvislosti překladu – ať už jde o výsledky z webu, slovníková hesla, komentáře editorů nebo diskuse s kolegy a Literess.
• Nastavitelné pracovní postupy: Automatizované procesy v Transeptu dokážou vylepšovat dokumenty i s využitím TM. Místo nuceného výchozího nastavení umožňujeme týmům vyladit chování paměti v každém kroku.
• Alternativní verze: Historie verzí překladu pomáhá týmům dohledat, který z mnoha návrhů od AI či člověka byl vybrán – paměť tak dokáže napodobit logiku překladu, nikoli jen jeho styl.
• Literess v revizní vrstvě: Literess vnáší paměť přímo do procesu revize. Využívá glosář, stylistickou příručku, kontext dokumentu, předchozí segmenty, výsledky QA a historii překladu, aby mohla dokument komentovat, vysvětlovat problémy, navrhovat opravy a pomáhat korektorovi s konečným rozhodnutím.

Parita funkcí mezi člověkem a AI

Klíčovou součástí filozofie platformy Transept je parita funkcí. Protože se pracovní postupy překladatelů zásadně liší, dbáme na to, aby každý nástroj, paměťová vrstva i kontextové okno byly ve stejné míře dostupné lidským expertům i AI agentům.

Výsledkem je paměťová vrstva, která se aktivně podílí na práci. Místo aby člověk ručně procházel staré soubory a zjišťoval, jak se které slovo přeložilo, systém předává tento kontext umělé inteligenci už při vytváření návrhu, využívá ho k označení chyb během kontroly kvality a předkládá jej lidskému korektorovi.

Tým se už nemusí zabývat rutinním hlídáním konzistence a může se vrátit k rozhodování o tom, co zní přirozeně. AI dohlíží na to, aby se na nic nezapomnělo, a Transept v průběhu práce zaznamenává každé kreativní či právní rozhodnutí.