Post-editing strojového překladu (MTPE): Co to je, jak funguje a jak ho dělat lépe

K profesi inženýra AI mě částečně přivedla snaha přeložit vlastní román. Právě tehdy jsem narazil na věc, kterou všichni v oboru lokalizace už znají pod jiným názvem: necháte text projet strojem a člověk ho pak opraví. Formálně se tomu říká post-editing strojového překladu neboli MTPE a v roce 2026 je to převládající způsob, jakým profesionální překlady vznikají.

Teoreticky to zní rozumně. V éře pokročilých LLM je však způsob, jakým se to běžně dělá, už poněkud přežitý. Model, kdy nejprve proběhne kompletní strojový překlad a člověk pak celý výsledek pracně začišťuje, využívá lidský čas i výpočetní výkon v nevhodném pořadí.

Pod tím vším se přitom skrývá levnější a lepší workflow.

Tento průvodce se věnuje obojímu. Nejdříve si bez příkras vysvětlíme, co je MTPE a jak funguje – tradiční postupy podle norem ISO totiž musíte znát, ať už se chcete nechat najmout, nebo prodat svůj B2B SaaS. Poté vysvětlím, v čem standardní dávkový model pokulhává a jak ho vylepšit tím, že člověka do procesu zapojíte dříve.

Co je post-editing strojového překladu (MTPE)?

MTPE, označovaný také jako PEMT (post-edited machine translation), je třífázový proces:

1. Strojový překlad (MT). Nástroj pro strojový překlad nebo velký jazykový model vygeneruje první návrh překladu zdrojového textu. Tomuto návrhu se říká surový strojový překlad (raw MT).
2. Post-editing (PE). Překladatel porovnává surový strojový překlad se zdrojem a reviduje jej: opravuje chyby, sjednocuje terminologii a upravuje tón textu tak, aby výsledek odpovídal požadované úrovni kvality.
3. Kontrola kvality (QA). Závěrečná kontrola konzistence, formátování a chyb, které lze při prvním čtení snadno přehlédnout.

V běžné praxi to funguje jako dávkové předání: stroj přeloží celý dokument a člověk jej pak celý zreviduje. Tento model si zapamatujte – právě s ním budu později polemizovat.

MTPE existuje proto, že u většiny obsahu jsou oba extrémy – tedy „prostě to nechat přeložit člověkem“ nebo „prostě použít stroj“ – špatnou volbou.

Překlad „od nuly“ je při větších objemech pomalý a drahý. Surový strojový překlad je sice rychlý a levný, ale zatímco nějaké formy strojového překladu existují už desítky let, skutečně použitelný MT je tu s námi necelé desetiletí. Navíc i u těch nejlepších LLM a workflow je riziko slepého přebírání výsledků příliš vysoké – a schopnost člověka překládat opravdu poutavě je stále o několik úrovní výše.

MTPE proto představuje pragmatickou střední cestu: nechte stroj odvést těch 70 % mechanické práce a lidskou pozornost zaměřte na zbývajících 30 %, která rozhodují o tom, zda bude výsledek působit důvěryhodně.

(Taková je alespoň představa agentur a korporací. V praxi to ale dopadá tak, že se překladatelé buď snaží víc, aby odvedli kvalitní práci (za kterou ale nedostanou zaplaceno navíc), nebo se naopak nesnaží vůbec, což vede k podprůměrným výsledkům.)

Bez ohledu na to je v překladatelském odvětví 20. let 21. století nějaká forma MTPE standardem.

Lehký vs. úplný post-editing: dvě úrovně

TL;DR: v praxi nic takového vlastně neexistuje, ale obor vyžaduje, abyste o této dichotomii věděli.

„Post-editing“ není jen jeden. Tím nejdůležitějším rozhodnutím v projektu MTPE je to, na jakou úroveň text upravujete – od toho se totiž odvíjí, kolik času nad každým segmentem strávíte a co všechno můžete nechat beze změny.

Týmy často dělají tu chybu, že ze zvyku vše upravují na maximální kvalitu (včetně méně viditelného obsahu, kde by stačil lehký post-editing), čímž se připravují o časovou úsporu, kterou měl MTPE přinést. Většinou to není jen vina překladatelů, ale i editorů a manažerů, kteří u lehkého post-editingu nastavují příliš vysoká očekávání.

Opačná chyba je ovšem ještě horší: odbýt landing page lehkým post-editingem a vypustit do světa text, který zní skoro správně, ale ve výsledku podkopává důvěru. Přesně tak dopadá většina překladů přes Claude Code – lidé uvádějí, že po nasazení lokalizací založených na čistém strojovém překladu nebo jen lehkém MTPE zaznamenali u svých aplikací pokles konverzního poměru.

V praxi je tato hranice nejasná a skutečný MTPE se pohybuje někde uprostřed. Míra úsilí se pak liší podle platformy či agentury – někdy se určuje libovolně, jindy podle konkrétního projektu. K tomu se přidává celá řada interních postupů a rituálů, od reportů z kontroly kvality až po schvalovací procesy.

Právě tato nejasná definice je důvodem, proč mnoho překladatelů nemá MTPE v lásce. Nepřináší jim totiž uspokojení z dobře odvedené práce, a přitom za kvalitní výsledek nejsou nijak finančně odměňováni.

Proč se surový strojový překlad stále neobejde bez člověka

Zřejmá námitka v roce 2026: moderní LLM už píší plynule. Copak surový strojový překlad dnes nestačí?

Právě plynulost je tou pastí. Starší strojový překlad produkoval výstupy, které byly na první pohled rozbité, takže jim bez úprav nikdo nevěřil. Moderní modely produkují výstupy, které se čtou krásně, což ve čtenářích i revizorech vyvolává falešný pocit důvěry.

A co hůř, může vyprodukovat výstup, který sice zachovává význam, ale jeho styl umělou inteligencí na hony páchne. Celá značka pak působí lacině, a přestože je tento konkrétní problém snadno řešitelný, mnozí padají přesně do této pasti.

Claude trval na tom, abych sem zahrnul i tohle:

• Poškození pověsti. Stroje nemají lingvistický cit pro kulturní nuance ani pro to, co je na daném trhu vhodné či netaktní. Formulace, která je v originále neutrální, může v cílovém jazyce působit neohrabaně, domýšlivě, urážlivě nebo prostě jen divně; to jsou ty „stopy AI“, které lidi odrazují.
• Dezinformovaní zákazníci. I ten nejlépe vytrénovaný model může v tichosti vynechat větu nebo přidat slovo, které v originále nebylo. V plynulém, sebejistě znějícím odstavci je náhodné opomenutí nebo faktický posun velmi těžké odhalit, přičemž v právních, lékařských nebo finančních textech to může mít vážné následky. Opět platí, že technicky je to řešitelné (funkce Smart Proofread existuje právě pro zachycení těchto opomenutí), ale přesto k tomu neustále dochází.
• Rozmělněná značka. Surový výstup z LLM málokdy vystihne specifický styl a terminologii značky. Když se název produktu nebo charakteristická fráze na celém webu přeloží na tucet mírně odlišných způsobů, přestávají být rozpoznatelné a veřejný obraz značky se s každým dalším výskytem víc a víc rozostřuje. Vyřešit se to dá pomocí styleguidů a glosářů, ale starší procesy strojového překladu s nimi neumí tak efektivně pracovat.

Člověk je tedy nepostradatelný – alespoň v případech, kdy má text plnit svůj účel: získávat zákazníky nebo mít právní váhu. Skutečnou otázkou, na kterou standardní pracovní postupy nedávají dobrou odpověď, je, kdy má člověk do procesu vlastně vstoupit.

Co dělá MTPE skutečně náročným: čtyři hlavní úskalí

V praxi post-editory netrápí ani tak uvozovky nebo formáty data. To jsou jen pravidla kontroly kvality. Nejtěžší je posoudit zrádně plynulý výstup, rozhodnout, jakou míru zásahu daný segment vyžaduje, a to vše dělat v rámci obchodního modelu, který předpokládá, že každý strojový návrh ušetří stejné množství času.

Výzkum náročnosti post-editingu rozděluje tuto práci na kognitivní, technickou a časovou náročnost. Tyto dimenze se ne vždy pohybují v souladu: jedna věta může vyžadovat jen dva údery do klávesnice, ale několik minut ověřování, zatímco jiná může vyžadovat kompletní přepsání, u kterého je ale řešení okamžitě jasné.

Tady jsou ona opakující se úskalí.

1. Odhalování chyb, které znějí správně, ale k jejichž opravě je potřeba kontext. Moderní strojový překlad dokáže vytvořit vybroušený cílový text, přičemž ale může vynechat větu, posunout význam nebo zvolit sice věrohodný, ale nesprávný termín. Plynulost textu pak maskuje varovné signály, takže editor musí neustále kontrolovat zdroj, kontext dokumentu i faktickou správnost. To vše vyžaduje čas a úsilí. Výzkumy opakovaně potvrzují, že chybný překlad, problémy s koherencí a strukturální chyby patří k hlavním faktorům zvyšujícím náročnost post-editingu.
2. Rozhodování, zda překlad přijmout, opravit nebo přeložit znovu. Každý segment vyžaduje rychlé posouzení: ponechat jej, provést minimální korekci, přepsat jej nebo strojovou verzi zahodit a přeložit vše od nuly. Vágní instrukce ohledně „lehkého“ versus „úplného“ post-editingu toto rozhodování jen ztěžují. Editoři pak buď provádějí nedostatečné úpravy, aby vyhověli požadavku „měnit co nejméně“, nebo překlad upravují až příliš, protože jejich profesní nároky na kvalitu jsou vyšší než samotné zadání.
3. Jak se vymanit z vlivu strojového rámce. Post-editoři nezačínají na prázdné stránce. Nejdříve si přečtou navržený výsledek, který pak ukotví jejich volbu slov, syntaxi i celkovou interpretaci. Studie profesionálních pracovních postupů odhalily efekt primingu: chyby a neobratné formulace ze strojového překladu mohou v textu zůstat i po úpravách, případně ovlivnit podobu samotné opravy. Čím lépe věta zní, tím těžší může být si všimnout, že je v jádru špatně uchopená. To se stává obzvláště často v případech, kdy strojový překlad zajišťují velké jazykové modely (LLM).
4. Práce založená na falešných předpokladech o produktivitě. Cena za MTPE se často stanovuje tak, jako by strojový výstup přinášel předvídatelnou úsporu lidského úsilí. Tak to ale není. Náročnost se mění segment od segmentu, podle jazykového páru, oboru i typu chyby, zatímco oceňování zaměřené na rychlost může odrazovat od dohledávání terminologie, i když klienti stále očekávají dokonalost. Překladatel pak tyto rozdíly vyrovnává: snadné segmenty sice ospravedlní nižší sazbu, ale ty těžké veškeré úspory potichu vymažou.

Formáty, terminologická omezení, uzamčené segmenty a regionální pravidla jsou stále důležité, ale jde o kontrolní mechanismy, které by měl pracovní postup vynucovat už v dřívějších fázích – například prostřednictvím glosářů, styleguidů nebo překladové paměti.

Skutečný problém MTPE spočívá v tom, na co se vynakládá lidský úsudek: na odhalování plynule znějících chyb, volbu správné míry zásahu, odolávání vlivu stroje a zvládnutí všech těchto tří úkolů, aniž by o kvalitě rozhodoval cenový model.

Právě proto jsem brzy dospěl k závěru, že interaktivní pracovní postup se zapojením člověka hned na začátku je mnohem přínosnější než rozhraní pro hromadné opravy hotového textu. Ale nedospělo k tomu už naše odvětví?

Jak měřit kvalitu MTPE: BLEU a další metriky

MTPE má problém s měřením: kvalita je totiž částečně subjektivní. Nejznámější automatickou metrikou v oboru je BLEU (Bilingual Evaluation Understudy), která porovnává strojový překlad s jedním nebo více kvalitními lidskými referenčními překlady.

Funguje tak, že strojový výstup rozloží na krátké slovní sekvence, obvykle o délce jednoho až čtyř slov, a měří, kolik z nich se objevuje i v referenčních textech. Počet shod je zastropován, aby si systém nemohl uměle zvyšovat skóre opakováním správného slova, a pokud je překlad podezřele krátký, výsledek snižuje penalizace za stručnost.

BLEU kombinuje tato měření překryvu do výsledného skóre mezi 0 a 1, které se běžně uvádí na škále 0–100. Vyšší hodnota značí slovní shodu s referencemi, nikoliv nezbytně věrnější zachování významu.

Dle mého názoru už v roce 2026 nejde o příliš užitečnou metriku, a hned vysvětlím proč:

Skóre BLEU lze smysluplně porovnávat pouze tehdy, jsou-li systémy testovány na stejném souboru dat a se stejným nastavením výpočtu. Neexistuje tedy žádná univerzální hranice, podle které by „50 bylo dobré a 10 špatné“. Jejich praktický význam spočívá v kontrolovaném porovnávání stavu „před“ a „po“.

V jedné případové studii TAUS přineslo trénování na 172 980 francouzsko-německých segmentech z úzce vymezené právní oblasti zvýšení o 7,23 bodu BLEU, což představuje relativní zlepšení o 19 %. V jiném rusko-anglickém případu z oblasti letectví zvýšila vyčištěná překladová paměť s milionem segmentů skóre systému Globalese z 23,6 na téměř 51 bodů BLEU, tedy o 115,5 %. Míra zlepšení se výrazně liší podle oboru, jazykového páru, výchozího systému i kvality dat, ale oba případy ukazují, proč relevantní a pečlivě vyčištěné překladové paměti mohou překonat obecná tréninková data.

BLEU je však skóre podobnosti, nikoliv správnosti. Plynulý, sebevědomě působící chybný překlad může získat vysoké hodnocení, zatímco zcela vyhovující alternativní formulace, která se náhodou neshoduje s referencí, může dopadnout špatně. BLEU tedy určuje minimum (říká vám, že surový strojový překlad je v ucházejícím stavu), zatímco lidská kontrola stále rozhoduje o tom, zda je překlad správný, odpovídá identitě značky a je bezpečné jej publikovat.

Týmy tyto postupy stále častěji doplňují o odhad kvality pomocí LLM v roli hodnotitele, ale to samo o sobě příliš nedává smysl.

Problém s MTPE v jeho běžné podobě

Tady končím s popisem a začínám s argumentací. Moje teze zní:

Rozhodnutí, které učiníte na straně 2 – tato postava si bude vykat, tuhle slovní hříčku přepracujte s odkazem na místního politika, tenhle zeměpisný název nelatinizujte – můžete vložit zpět do systému a nechat podle něj přegenerovat zbytek dokumentu.

Ukázky a multi-shot prompting dělají s LLM divy i bez pokročilého kontextového inženýrství, a to i tehdy, když se kontext stoprocentně neshoduje. Zařazení relevantních žánrových ukázek, dokonce i v *jiném *jazyce, vedlo v interních benchmarcích Transeptu k výraznému zlepšení.

Když nejdříve spustíte kompletní strojový překlad, vyplýtváte výpočetní kredity na generování stránek, které člověk stejně zčásti zahodí, a pak budete ztrácet čas pracným ohýbáním strohého výstupu do použitelné podoby.

Model je navíc mnohem rychlejší než člověk. Není nutné mít hotový hrubý překlad všech 10 000 slov, než se do práce pustí překladatel.

Lepší pracovní postup MTPE spočívá v tom, že necháte vygenerovat prvních pár tisíc slov, překladatel provede klíčová rozhodnutí a pak v generování pokračujete se zohledněním těchto rozhodnutí i překladové paměti v kontextu, zatímco člověk je teprve na páté straně. Testy společnosti Transept ukázaly, že i stručné *komentáře *k nepřeloženému zdrojovému textu, které vystihovaly celkový záměr překladatele, měřitelně zlepšily kvalitu následného výstupu.

Další stránky už přicházejí zformované vašimi dřívějšími rozhodnutími, místo aby dorazily jako jednolitá masa braku, kterou musí někdo dodatečně opravovat.

Nic z toho neznamená, že je MTPE špatný přístup. U velkých objemů méně viditelných textů je kompletní strojový průchod následovaný lehkou korekturou efektivní volbou, byť to není zrovna nejpříjemnější práce.

Pokud ale na obsahu záleží, s dávkovým modelem zbytečně přicházíte o kvalitu i o peníze. Děje se tak proto, že iterativní postup se v krátkodobém horizontu zdá být dražší.

Většinou tomu tak ale není.

Lepší způsob: zapojte člověka hned na začátku

Vše výše zmíněné směřuje k témuž. Dostaňte lidský úsudek do systému dříve, než stroj vytvoří kompletní hrubý překlad, a nechte překladovou paměť, aby tato rozhodnutí přenesla dál. Hlavní část práce odvedou tyto čtyři postupy.

Buďte nejdříve editorem, až pak překladatelem. Než začnete cokoliv generovat, přečtěte si zdrojový text a k důležitým pasážím si poznamenejte jasné instrukce: tento vtip musí zůstat zachován; tento termín je klíčový; tady se můžeme odchýlit od originálu, abychom zachovali smysl. Poté nechte vygenerovat verzi, která bude vycházet z těchto poznámek a vaší překladové paměti.

Post-editing verze, která už zná váš záměr, je mnohem méně úmorný než ladění strohého výstupu bez kontextu. Říkám to jako někdo, kdo si obojí u své vlastní knihy vyzkoušel mnohokrát.

Zásobujte paměť svou nejlepší prací (pokud ji váš strojový překlad umí využít). Překladová paměť je u AI podceňovaná. U náročných pasáží nebo problematických jazykových párů přeložte několik úryvků kompletně ručně a vložte je do systému; model z konkrétních příkladů odkouká tón a rejstřík lépe než z jakéhokoliv množství instrukcí.

Samotná překladová paměť dokáže udržet styl dlouhého textu jednotný. Najít tu správnou ukázku z minulosti (pomocí sémantického a fuzzy vyhledávání) je umění samo o sobě, ale vytvořit kvalitní vzor je ještě těžší. Neobejde se to bez lidského vedení, protože existuje příliš mnoho statisticky správných způsobů, jak větu přeložit, a jen vy víte, který z nich je ten váš.

Ne všechny nástroje však dokážou využít překladovou paměť k vytvoření kvalitního textu. V Transeptu jsme provedli rozsáhlý výzkum (popsaný v naší eseji o překladové paměti pro lokalizaci pomocí AI), abychom zajistili, že člověkem schválené segmenty a kontext i historie úprav, které za nimi stojí, skutečně zlepšují překlad pomocí LLM.

Používejte několik modelů za sebou, ne jeden velký. Jeden výsledek se potvrdil jak v akademickém, tak v našem interním výzkumu: kaskáda rolí AI překonává jeden průchod silným modelem, a to v kvalitě i ceně zároveň.

Hrubý návrh nechte vypracovat levným a rychlým modelem. Silný model jej pak projde a navrhne vylepšení. Ta nakonec do textu zapracuje opět rychlý model.

Vychází to levněji než nechat všechno na jednom silném modelu. Navíc je to obvykle lepší. To pro mě bylo velké překvapení, protože jsem nevěřil, že kombinace silných a slabých modelů dokáže vyprodukovat lepší výsledek než velký silný model sám o sobě.

Ale funguje to. Moje hypotéza je, že kritika a generování jsou odlišné úkoly s jinými aktivačními vzorci. Jejich oddělení dává vyniknout silným stránkám každého modelu, snižuje „kognitivní zátěž“ a pomáhá lépe zacílit úsilí.

V podstatě je to páteř celého multiagentního paradigmatu, v němž model dokáže opravit své vlastní chyby, pokud je spuštěn s odlišným nastavením a úkoly.

Vylaďte si infrastrukturu. Skutečného výkonu dosáhnete přes API, nikoli přes chatovací aplikace, kde dlouhé systémové prompty a produktová nadstavba jen překážejí.

Překladatelé výstupy z LLM často nedoceňují, protože jsou zkrátka špatně připravené. Je to jako s tuňákem: steak s tmavou sójovou omáčkou a sezamem nemá nic společného s tou mdlou rybou bez chuti z konzervy, kterou pod jménem tuňák znáte.

Spravujte vstup tak, aby byl čistý a optimalizovaný pro mezipaměť – náklady i latence pak klesnou. Vyzkoušejte, kolik dodatečného kontextu (TM, rozhodnutí, stylistické příručky) model zvládne, a pak jej nasyťte až na hranici, kdy začnou klesat výsledky benchmarků. Abyste skutečně viděli, zda s LLM pracujete správně, neobejdete se bez kvalitních benchmarků ve více jazycích.

V Transeptu jsme strávili tři roky výzkumem a experimentováním na vlastních textech, abychom na to přišli.

Nástroj, který mi při překládání románu chyběl: odpověď Transeptu na MTPE

Disciplinovaný překladatel s technickým zázemím si může takový pracovní postup sestavit sám pomocí API modelů, překladové paměti a trpělivosti. Vyžaduje to však poměrně hodně výzkumu, aby MTPE se zapojením člověka fungovalo *skvěle, *a přinášelo radost i kvalitní výsledky.

Transept jsme vytvořili proto, že ruční skládání těchto dílků dohromady bylo přesně to, co nám při překládání vlastních rozsáhlých děl nejvíc vadilo.

Výše popsanou vizi jsme přetavili do jednoho pracovního prostředí: instruujte model hned na začátku, uchovávejte svá rozhodnutí, spouštějte specializované průchody a provádějte revize lokálně.

Instruujte model ještě před generováním. Editor dokumentů udržuje zdroj, překlad i okolní kontext pohromadě. Překladatel může vkládat komentáře k blokům, přegenerovat jednu větu podle pokynu, porovnávat alternativy nebo provádět ruční úpravy, aniž by tím narušil zbytek textu. Komentáře a revizní vlákna zůstávají spojené s textem, takže poznámka „zachovat metaforu“ zůstává jako rozhodnutí, místo aby se ztratila v historii chatu.

Uchovávají se dokonce i alternativy, které zamítnete: zavržené formulace i poznámky o tom, proč jste je nevybrali, se stávají součástí podkladů, které může další průchod využít. Podívejte se na varianty překladu a na to, jak překladová paměť nakládá s předchozími rozhodnutími jako s kontextem.

Proměňte rozhodnutí v paměť. Překladová paměť Transeptu vrací schválené překlady i kontext souvisejících rozhodnutí do vaší další práce. Glosáře ukotvují jména, produktové termíny a ustálené obraty; stylistické příručky zase hlídají tón, rejstřík, rytmus a konvence. Obojí lze automaticky vygenerovat z vaší dřívější prověřené práce nebo z klientských brandových materiálů a následně zkontrolovat předtím, než je začne využívat AI.

Oddělte jednotlivé průchody. Místo abyste po jednom modelu chtěli překlad, posouzení i vybroušení textu najednou, Transept dokáže tyto úkoly seřadit za sebe. Smart Proofread znovu přečte překlad a porovná ho se zdrojem, glosářem i stylistickou příručkou. Následně upozorní na vynechaná místa, terminologickou nekonzistenci či odchylky v rejstříku formou návrhů k revizi.

Nabízíme také pracovní postupy jako Přeložit, zkorigovat a vybrousit, které spojují překlad, korekturu, stylistické úpravy a QA pro případy, kdy je koordinace důležitější než ruční kontrola. Funguje to navíc i pro několik jazykových verzí téhož dokumentu!

Pro rozsáhlé dokumenty jsme také vyvinuli způsob, jak může na stejném dokumentu spolupracovat více agentů. Ti mezi sebou sdílejí a aktualizují stylistické příručky i glosáře a k synchronizaci svých rozhodnutí využívají speciální gradientní paměť.

Provádějte revize lokálně, škálujte globálně. Post-editace probíhá na úrovni bloků nebo vět: porovnávejte varianty, přegenerujte řádek, přijměte navrženou opravu nebo text sami přepište. Literess vám pomůže s řízením pracovního postupu a upozorní na odchylky, zatímco hromadný překlad aplikuje sdílený kontext, glosáře, stylistické příručky a QA napříč mnoha soubory, aniž by se z projektu stala jedna velká tabulka.

A pokud vám sekvence vestavěných průchodů nevyhovuje, můžete si sestavit vlastní pracovní postup krok za krokem: zvolte si kroky, u libovolného z nich nastavte kontrolní bod pro revizi a spusťte jej s předem zobrazenou cenou.

Jsem upřímně hrdý na práci, kterou jsme v Transeptu odvedli. Tyto funkce pomáhají maximalizovat vliv drahocenného lidského času a talentu na to, jak LLM pracují.

Stále mě překvapuje, že jen málokterý profesionální překladatel věřil, že je něčeho takového možné dosáhnout. Technicky vzato bylo vytvoření interaktivního workflow pro MTPE proveditelné už v roce 2023 – a to jsme stále teprve na začátku.

Osvědčené postupy pro MTPE: kontrolní seznam

I kdyby vás Transept neoslovil (byť neprávem), zde je seznam všeho, co se o MTPE potřebujete naučit a jak zařídit, aby tato práce nebyla tak ubíjející.

• Zapojte člověka hned na začátku. Zadejte pokyny k důležitým pasážím ještě před generováním, ne až po něm.
• Naplňte paměť skutečnými příklady. Přeložte ručně několik nejobtížnějších úryvků a nechte model, aby se z nich naučil váš styl.
• Využívejte kaskádu modelů. Levný návrh, silná kritika, rychlé zapracování. Překonává to jeden velký model v kvalitě i ceně.
• Rozdělte si obsah do úrovní. Na méně viditelný, objemný obsah využijte hromadné MTPE; tam, kde jde o image značky, pracujte v iteracích.
• Vynuťte dodržování terminologie hned na vstupu. Pravidla pro nepřekládané výrazy a zakázané překlady zastaví nejběžnější a nejškodlivější chyby hned v zárodku.
• Hlídejte si posuny v lokalizaci a rejstříku. Právě regionální varianty, míra formálnosti a konzistence zájmen odlišují přirozeně působící překlad od textu, který vypadá, jako by ho „splácala komise“.
• U plynulého textu provádějte QA přísněji, nikoli benevolentněji. Čím lépe se surový strojový překlad čte, tím snáze v něm přehlédnete vynechaná místa.

---

MTPE jen tak nezmizí a pro obrovské množství obsahu je to ten správný nástroj. Ale postup typu „nejdřív hromadně přeložit, pak opravovat“ je v historii překladatelských technologií slepou uličkou.

Náprava je v principu jednoduchá. Zapojte člověka hned na začátku, nasyťte kontext skutečnými příklady a pamětí, nechte levné modely tvořit návrhy a ty silné je kritizovat – získáte tak lepší překlad za méně peněz. Přesně to je výsledek, který by prospěl agenturám i překladatelům.

Pokud si chcete postup se zapojením člověka hned na začátku vyzkoušet sami, začněte dokumentem; bezplatný tarif pokrývá první překlad i bez platební karty.

Pokud se chcete nejdříve na něco zeptat, zeptejte se Literess nebo mě kontaktujte tam, kde vás tento průvodce zastihl.