Machine Translation Post-Editing (MTPE): Was es ist, wie es funktioniert und wie man es besser macht

Ich wurde unter anderem deshalb KI-Ingenieur, weil ich versuchte, meinen eigenen Roman zu übersetzen. Dabei stieß ich auf das, was in der Lokalisierungsbranche jeder unter einem anderen Namen kennt: Man lässt den Text durch eine Maschine laufen und ein Mensch korrigiert ihn anschließend. Fachsprachlich nennt man das Machine Translation Post-Editing oder MTPE – im Jahr 2026 die vorherrschende Methode für professionelle Übersetzungen.

Vom Konzept her klingt das einleuchtend. Im Zeitalter leistungsfähiger LLMs ist die Art und Weise, wie es üblicherweise praktiziert wird, jedoch veraltet. Erst einen kompletten Maschinendurchlauf zu machen und dann einen Menschen alles nachbearbeiten zu lassen, setzt menschliche Arbeitszeit und Rechenleistung in der falschen Reihenfolge ein.

Dahinter verbirgt sich ein kostengünstigerer und besserer Workflow.

Dieser Leitfaden behandelt beides. Zuerst die ehrliche Version dessen, was MTPE ist und wie es funktioniert – schließlich muss man das traditionelle ISO-Verfahren verstehen, um im B2B-SaaS-Bereich Aufträge zu gewinnen oder seine Lösung zu verkaufen. Danach erkläre ich, woran das gängige Batch-Modell scheitert und wie man es besser macht, indem man den Menschen früher in den Prozess einbindet.

Was ist Machine Translation Post-Editing (MTPE)?

MTPE, auch als PEMT (Post-Edited Machine Translation) bezeichnet, ist eine dreistufige Pipeline:

1. Maschinelle Übersetzung (MÜ). Eine Machine-Translation-Engine oder ein Large Language Model erstellt eine Rohübersetzung des Quelltextes. Dieser Entwurf wird als rohe MÜ bezeichnet.
2. Post-Editing (PE). Ein menschlicher Linguist gleicht die rohe MÜ mit dem Quelltext ab und überarbeitet sie. Er korrigiert Fehler, stellt die Einhaltung der Terminologie sicher und passt den Tonfall an, bis das angestrebte Qualitätsniveau erreicht ist.
3. Qualitätssicherung. Eine abschließende Prüfung auf Konsistenz, Formatierung und Fehler, die im ersten Durchgang leicht übersehen werden.

In der üblichen Praxis läuft das als Batch-Übergabe ab: Die Maschine übersetzt das gesamte Dokument, und danach überarbeitet ein Mensch das Ganze. Merken Sie sich diesen Ablauf gut – das ist der Punkt, den ich später noch infrage stellen werde.

MTPE gibt es deshalb – und nicht nur „einfach übersetzen“ oder „einfach die Maschine nutzen“ –, weil beide Extreme für die meisten Inhalte ungeeignet sind.

Manuelle Übersetzungen von Grund auf sind in großem Umfang langsam und teuer. Rohe MÜ ist zwar schnell und günstig, aber brauchbare MÜ gibt es erst seit weniger als zehn Jahren – auch wenn es manche MÜ schon seit Jahrzehnten gibt. Und selbst mit den besten LLMs und Workflows ist das Risiko einer blinden Übernahme der Ergebnisse zu hoch, während die menschliche Fähigkeit, brillant zu übersetzen, weitaus größer ist.

MTPE ist daher der pragmatische Mittelweg: Man lässt die Maschine die mechanischen 70 % erledigen und konzentriert die menschliche Aufmerksamkeit auf die 30 %, die darüber entscheiden, ob die Übersetzung vertrauenswürdig ist.

(So hätten es Agenturen und Unternehmen zumindest gerne. In der Realität sieht es meist so aus: Entweder hängen sich die Menschen mehr rein, um bessere Ergebnisse zu erzielen – ohne dafür besser bezahlt zu werden – oder sie lassen es ganz bleiben, was zu suboptimalen Resultaten führt.)

Unabhängig davon ist MTPE in der einen oder anderen Form seit den 2020er Jahren der Standard in der Übersetzungsbranche.

Light- vs. Full-Post-Editing: Die zwei Stufen

TL;DR: In der Realität existiert das so nicht wirklich, aber die Branche verlangt, dass man diese Zweiteilung kennt.

„Post-Editing“ ist nicht gleich Post-Editing. Die wichtigste Entscheidung bei einem MTPE-Projekt ist, auf welchem Level man editiert, denn davon hängt ab, wie viel Zeit jedes Segment kostet und was man einfach stehen lassen darf.

Teams machen oft den Fehler, aus Gewohnheit alles auf Höchstqualität zu trimmen (einschließlich weniger sichtbarer Inhalte, bei denen ein Light-Post-Editing gereicht hätte) und so die Zeitersparnis zu verspielen, die MTPE eigentlich bringen sollte. Dieser Fehler liegt meist nicht allein bei den Übersetzern, sondern auch bei den Editoren und Managern, die die Erwartungen an ein Light-Post-Editing zu hoch ansetzen.

Der umgekehrte Fehler ist noch schlimmer: Eine Landingpage nur einem Light-Post-Editing zu unterziehen und etwas zu veröffentlichen, das zwar fast richtig klingt, aber das Vertrauen untergräbt. Genau das sind die meisten Übersetzungen mit Claude Code: Nutzer berichten, dass die Conversion-Rates ihrer Apps sinken, nachdem Lokalisierungen auf Basis von reiner MÜ oder Light-MTPE eingeführt wurden.

In der Realität verschwimmen die Grenzen, und das eigentliche MTPE liegt meist irgendwo dazwischen. Je nach Plattform oder Agentur wird der Aufwand willkürlich oder projektbezogen festgelegt. Hinzu kommen zahlreiche interne Abläufe und Rituale mit QS-Berichten und Freigabeprozessen.

Diese begriffliche Unschärfe sorgt dafür, dass viele Übersetzer nur ungern mit MTPE arbeiten. Es fehlt die Befriedigung über eine wirklich gelungene Arbeit – und doch wird Qualität finanziell nicht honoriert.

Warum rohe maschinelle Übersetzung immer noch den Menschen braucht

Der naheliegende Einwand im Jahr 2026: Moderne LLMs formulieren flüssig. Reicht rohe MÜ inzwischen nicht aus?

Die sprachliche Flüssigkeit ist genau die Falle. Frühere maschinelle Übersetzungen lieferten Ergebnisse, die offensichtlich fehlerhaft waren, sodass ihnen niemand ungeprüft vertraute. Moderne Modelle erzeugen Texte, die sich hervorragend lesen – was bei Lesern und Prüfern ein trügerisches Vertrauen weckt.

Was noch schlimmer ist: Die Ergebnisse mögen zwar den Sinn bewahren, haben aber einen Stil, der förmlich nach KI stinkt. Das lässt die gesamte Marke billig wirken. Dabei ließe sich gerade dieses Problem leicht lösen – und doch tappen viele genau in diese Falle.

Claude bestand darauf, dass ich diesen Punkt mit aufnehme:

• Imageschäden. Übersetzungssysteme haben kein linguistisches Gespür für kulturelle Nuancen oder dafür, was in einem bestimmten Markt angemessen oder taktlos ist. Eine im Original neutrale Formulierung kann in der Zielsprache ungelenk, anmaßend oder beleidigend wirken – oder einfach nur seltsam. Das sind die typischen „KI-Anzeichen“, die Nutzer abschrecken.
• Falsch informierte Kunden. Selbst das am besten trainierte Modell kann unbemerkt einen Halbsatz weglassen oder ein Wort hinzufügen, das im Original nicht vorkam. In einem flüssig und sicher klingenden Absatz ist eine versehentliche Auslassung oder eine inhaltliche Abweichung nur sehr schwer zu erkennen; in juristischen, medizinischen oder finanziellen Texten kann das gravierende Folgen haben. Auch das ist technisch lösbar (es gibt Smart Proofread, um genau solche Auslassungen abzufangen), kommt aber dennoch ständig vor.
• Markenverwässerung. Rohe LLM-Ausgaben spiegeln selten die spezifische Brand Voice und Terminologie einer Marke wider. Wenn ein Produktname oder eine charakteristische Wendung auf einer Website in einem Dutzend leicht unterschiedlichen Varianten erscheint, geht der Wiedererkennungswert verloren und das öffentliche Markenimage verliert zusehends an Kontur. Das lässt sich zwar über Styleguides und Glossare lösen, doch in älteren MÜ-Pipelines funktionieren diese oft nicht sonderlich gut.

Der Mensch ist also unverzichtbar – zumindest dann, wenn der Text seinen Zweck erfüllen soll: Kunden konvertieren oder rechtliche Bindungskraft entfalten. Die eigentliche Frage, auf die der Standard-Workflow keine gute Antwort liefert, ist, wann der Mensch ins Spiel kommen sollte.

Was MTPE wirklich schwierig macht: Vier echte Engpässe

In der Praxis scheitern Post-Editoren nicht primär an Anführungszeichen oder Datumsformaten. Das sind reine QS-Regeln. Die eigentliche Schwierigkeit liegt darin, täuschend flüssige Ergebnisse zu bewerten, zu entscheiden, wie stark man in ein Segment eingreifen muss, und das Ganze unter einem Geschäftsmodell zu tun, das pauschal davon ausgeht, dass jeder maschinelle Entwurf die gleiche Zeitersparnis bringt.

Die Forschung zum Post-Editing-Aufwand unterscheidet zwischen kognitivem, technischem und zeitlichem Aufwand. Diese Dimensionen verlaufen nicht unbedingt synchron: Ein Satz erfordert vielleicht nur zwei Tastenanschläge, aber mehrere Minuten Prüfung, während ein anderer komplett umgeschrieben werden muss, obwohl die Lösung auf der Hand liegt.

Hier sind die typischen Engpässe:

1. Fehler erkennen, die korrekt klingen, aber nur mit Kontext korrigierbar sind. Moderne MÜ kann geschliffene Zieltexte liefern, dabei aber Halbsätze auslassen, die Bedeutung verfälschen oder plausible, aber falsche Begriffe wählen. Die sprachliche Flüssigkeit kaschiert die Warnsignale, sodass der Editor ständig das Original, den Dokumentkontext und die Fakten prüfen muss. Das kostet Zeit und Kraft. Studien belegen immer wieder, dass Übersetzungsfehler, Kohärenzprobleme und Strukturfehler den Post-Editing-Aufwand am stärksten in die Höhe treiben.
2. Die Entscheidung: Übernehmen, korrigieren oder neu übersetzen. Jedes Segment erfordert eine schnelle Einstufung: Behalten, minimal korrigieren, umschreiben oder den maschinellen Entwurf verwerfen und von Grund auf neu übersetzen. Vage Vorgaben wie „Light“ versus „Full“ Post-Editing erschweren diese Entscheidung zusätzlich. Editoren bearbeiten Texte dann entweder zu wenig, um der Vorgabe „so wenig wie möglich ändern“ zu entsprechen, oder sie betreiben Over-Editing, weil ihr eigener Qualitätsanspruch höher ist als das Briefing.
3. Dem maschinellen Rahmen entkommen. Post-Editoren sitzen nicht vor einem leeren Blatt. Sie lesen zuerst einen Entwurf, der als Anker für Wortwahl, Syntax und Interpretation fungiert. Studien zu professionellen Workflows haben Priming-Effekte nachgewiesen: Fehler und ungelenke Formulierungen der MÜ können in den editierten Text einsickern oder die Korrektur selbst prägen. Je flüssiger ein Satz klingt, desto schwerer ist zu erkennen, dass der gedankliche Rahmen nicht stimmt. Das ist besonders häufig der Fall, wenn LLMs die maschinelle Übersetzung übernehmen.
4. Falsche Annahmen zur Produktivität. MTPE wird oft so bepreist, als würde der maschinelle Output den menschlichen Aufwand berechenbar verringern. Das tut er nicht. Der Schwierigkeitsgrad schwankt je nach Segment, Sprachpaar, Fachgebiet und Fehlertyp, während eine auf Schnelligkeit ausgerichtete Preisgestaltung die Terminologierecherche hemmen kann – selbst wenn Kunden weiterhin Perfektion erwarten. Die Übersetzer fangen diese Varianz auf: Einfache Segmente rechtfertigen das niedrigere Honorar, doch schwierige fressen die Ersparnis klammheimlich wieder auf.

Formate, Terminologievorgaben, gesperrte Segmente und lokale Konventionen spielen zwar weiterhin eine Rolle, aber das sind Kontrollmechanismen, die der Workflow bereits im Vorfeld erzwingen sollte – etwa durch Glossare, Styleguides oder Translation Memorys.

Das eigentliche Problem bei MTPE ist die Frage, wofür die meiste Urteilskraft aufgewendet wird: täuschend echte Fehler aufzuspüren, die angemessene Eingriffstiefe zu wählen, sich vom Anker-Effekt der Maschine zu lösen – und all das zu bewältigen, ohne dass das Preismodell die Qualität diktiert.

Deshalb kam ich schnell zu der Überzeugung, dass ein interaktiver Workflow, der den Menschen frühzeitig einbindet, wirkungsvoller ist als die nachträgliche Bereinigung ganzer Textstapel. Aber ist die Branche nicht eigentlich längst so weit?

MTPE-Qualität messen: BLEU und darüber hinaus

MTPE hat ein Messproblem: Qualität ist teils subjektiv. Die bekannteste automatische Metrik der Branche ist BLEU (Bilingual Evaluation Understudy), die eine maschinelle Übersetzung mit einer oder mehreren hochwertigen menschlichen Referenzübersetzungen vergleicht.

Dabei wird die maschinelle Ausgabe in kurze Wortfolgen zerlegt – meist ein bis vier Wörter lang –, um zu messen, wie viele davon auch in den Referenzen vorkommen. Mehrfache Treffer werden gedeckelt, damit das System seinen Score nicht durch die bloße Wiederholung eines korrekten Wortes aufblähen kann. Zudem mindert ein Abzug für Kürze (Brevity Penalty) das Ergebnis, falls die Übersetzung auffällig kurz ausfällt.

BLEU fasst diese Übereinstimmungen in einem Wert zwischen 0 und 1 zusammen, der üblicherweise auf einer Skala von 0 bis 100 dargestellt wird. Ein höherer Wert bedeutet eine größere sprachliche Nähe zu den Referenzen, aber nicht zwangsläufig eine bessere inhaltliche Wiedergabe.

Meiner persönlichen Meinung nach ist das im Jahr 2026 keine wirklich nützliche Metrik mehr, und zwar aus folgendem Grund:

BLEU-Scores sind nur dann sinnvoll vergleichbar, wenn die Engines auf demselben Datensatz mit demselben Messaufbau getestet werden. Es gibt also keinen universellen Schwellenwert wie „50 ist gut, 10 ist schlecht“. Ihr praktischer Nutzen liegt in kontrollierten Vorher-Nachher-Vergleichen.

In einer TAUS-Fallstudie führte das Training mit 172.980 französisch-deutschen Segmenten aus einem hochspezialisierten juristischen Fachbereich zu einem Zuwachs von 7,23 BLEU-Punkten – eine relative Verbesserung von 19 %. In einem separaten Fallbeispiel aus der Luftfahrt (Russisch–Englisch) steigerte ein bereinigtes Translation Memory mit einer Million Segmenten Globalese von 23,6 auf fast 51 BLEU, was einem relativen Zuwachs von 115,5 % entspricht. Das Ausmaß der Verbesserung variiert stark je nach Fachgebiet, Sprachpaar, Basis-Engine und Datenqualität, doch beide Fälle verdeutlichen, warum relevante, sorgfältig bereinigte Translation Memorys generische Trainingsdaten übertreffen können.

Doch BLEU ist ein Ähnlichkeitswert, kein Wahrheitswert. Eine flüssige, souverän formulierte Fehlübersetzung kann gut abschneiden; eine völlig korrekte alternative Formulierung, die zufällig nicht mit der Referenz übereinstimmt, kann dagegen schlecht bewertet werden. BLEU definiert also die Untergrenze (der Wert verrät, ob die rohe MT in brauchbarem Zustand ist), während die menschliche Überprüfung letztlich darüber entscheidet, ob die Übersetzung inhaltlich stimmt, markenkonform ist und bedenkenlos veröffentlicht werden kann.

Teams ergänzen dies zunehmend durch eine Qualitätsbewertung mittels LLM-as-Judge, doch das allein ergibt wenig Sinn.

Das Problem mit MTPE in der gängigen Praxis

An dieser Stelle höre ich auf zu beschreiben und fange an zu argumentieren. Die These lautet:

Eine Entscheidung, die man auf Seite 2 trifft – diese Figur bleibt förmlich, dieses Wortspiel auf einen Lokalpolitiker ummünzen, diesen Ortsnamen nicht latinisieren – kann zurückgespielt werden, um den Rest des Dokuments neu zu generieren.

Beispiele und Multi-Shot-Prompting wirken bei LLMs Wunder, selbst ohne komplexes Kontext-Engineering und auch wenn der Kontext nicht zu 100 % übereinstimmt. Das Einbeziehen relevanter Genre-Beispiele – sogar in einer *anderen *Sprache – führte in internen Transept-Benchmarks zu deutlichen Verbesserungen.

Lässt man zuerst die Maschine komplett durchlaufen, verbraucht man Rechenleistung für Seiten, die der Mensch später teilweise verwirft, und verschwendet dann menschliche Zeit damit, den starren Output mühsam in Form zu bringen.

Zudem ist das Modell weitaus schneller als der Mensch. Es müssen nicht erst 10.000 Wörter vorformuliert sein, bevor der Mensch mit der Arbeit beginnt.

Ein besserer MTPE-Workflow sieht so aus: Man generiert die ersten paar tausend Wörter, lässt den Übersetzer die entscheidenden Weichen stellen und arbeitet dann mit diesen Vorgaben und dem Translation Memory im Kontext weiter, während der Mensch noch bei Seite fünf ist. In den Tests von Transept verbesserten selbst vereinzelte *Kommentare *zum unübersetzten Quelltext, die die allgemeine Marschrichtung des Übersetzers vorgaben, das spätere Ergebnis messbar.

Die späteren Seiten treffen bereits durch die vorangegangenen Entscheidungen geprägt ein, statt als formloser Einheitsbrei, den erst noch jemand mühsam nachbessern muss.

Das alles bedeutet nicht, dass MTPE grundsätzlich falsch ist. Bei Massentexten mit geringer Reichweite ist ein kompletter Durchlauf mit anschließender leichter Korrektur die effiziente Wahl, auch wenn es nicht die angenehmste Arbeit ist.

Wenn es aber auf den Inhalt ankommt, verschenkt das Batch-Modell Qualität und Geld. Und das nur, weil sich Iteration kurzfristig teurer anfühlt.

Meistens ist sie das jedoch nicht.

Ein besserer Weg: Den Menschen frühzeitig einbinden

Alles Bisherige läuft auf dasselbe hinaus: Bringen Sie das menschliche Urteilsvermögen in das System ein, bevor die Maschine einen kompletten Entwurf erstellt, und lassen Sie das Memory diese Entscheidungen fortführen. Vier Praktiken sind hierbei entscheidend.

Erst Lektor, dann Übersetzer. Bevor Sie irgendetwas generieren, lesen Sie den Quelltext und hinterlassen Sie dezidierte Anmerkungen zu den Passagen, die ins Gewicht fallen: Dieser Witz muss erhalten bleiben; dieser Begriff ist kritisch; hier können wir vom Original abweichen, um den Sinn zu bewahren. Generieren Sie erst dann einen Entwurf, der auf diesen Anmerkungen und Ihrem Memory basiert.

Einen Entwurf nachzubearbeiten, der die eigenen Absichten bereits kennt, ist weitaus weniger mühsam, als einen starren Text mühselig in Form zu biegen. Ich sage das als jemand, der beides an seinem eigenen Buch unzählige Male durchexerziert hat.

Füttern Sie das Memory mit Ihrer besten Arbeit (sofern Ihre MÜ damit umgehen kann). Translation Memory wird im Bereich der KI oft unterschätzt. Übersetzen Sie bei schwierigen Passagen oder kniffligen Sprachenpaaren ein paar Textstellen komplett von Hand und speisen Sie diese ein; das Modell übernimmt Tonalität und Register anhand echter Beispiele besser als durch noch so viele Anweisungen.

Das TM allein kann den Stil eines langen Textes konsistent halten. Das richtige Referenzbeispiel zu finden (mittels semantischer Suche und Fuzzy-Match), ist eine Kunst für sich – ein wirklich gutes zu erstellen, ist jedoch noch schwieriger. Es braucht zudem menschliche Anleitung, denn es gibt zu viele statistisch plausible Möglichkeiten, einen Satz zu formulieren, und nur Sie wissen, welche davon wirklich zu Ihnen passt.

Allerdings ist nicht jedes Tool in der Lage, ein TM so zu nutzen, dass dabei wirklich gute Prosa entsteht. Wir bei Transept haben intensiv geforscht (nachzulesen in unserem Essay über Translation Memory für KI-Lokalisierung), um sicherzustellen, dass von Menschen freigegebene Segmente sowie der Kontext und die Arbeitshistorie dahinter die LLM-Übersetzung tatsächlich verbessern.

Nutzen Sie mehrere Modelle nacheinander statt eines einzigen großen. Eine Erkenntnis hat sich sowohl in der akademischen Forschung als auch in unseren internen Untersuchungen bestätigt: Eine Kaskade verschiedener KI-Rollen schlägt einen einzelnen starken Durchlauf – und zwar bei Qualität und Kosten gleichermaßen.

Erstellen Sie den Entwurf mit einem günstigen, schnellen Modell. Lassen Sie ein leistungsstarkes Modell das Ergebnis prüfen und Verbesserungsvorschläge machen. Ein schnelles Modell setzt diese Anmerkungen schließlich um.

Das ist unterm Strich günstiger, als das leistungsstarke Modell mit allem zu beauftragen. Mehr noch: Es ist meistens sogar besser. Das hat mich selbst überrascht, da ich kaum glauben konnte, dass eine Kombination aus starken und schwachen Modellen bessere Ergebnisse liefern kann als ein großes, leistungsstarkes Modell im Alleingang.

Doch es funktioniert. Meine Hypothese ist, dass Kritisieren und Generieren unterschiedliche Aufgaben und Aktivierungsmuster sind. Die Trennung spielt die Stärken der jeweiligen Modelle aus, verringert die „kognitive Belastung“ und hilft dabei, die Kräfte zu bündeln.

Im Grunde ist dies das Rückgrat des gesamten Multi-Agenten-Paradigmas, bei dem das Modell seine eigenen Fehler korrigieren kann, wenn es mit unterschiedlichen Einstellungen und Aufgaben instanziiert wird.

Sorgen Sie für das richtige technische Fundament. Wahre Performance erzielt man über die API, nicht über Chat-Apps, deren ausufernde System-Prompts und das ganze Produkt-Drumherum nur im Weg stehen.

Die Ergebnisse von LLMs werden von Übersetzern oft unterschätzt, weil sie „falsch zubereitet“ werden – so wie ein Thunfischsteak mit dunkler Soja-Sesam-Sauce rein gar nichts mit dem geschmacklosen Dosenfisch gemein hat, den man üblicherweise als Thunfisch kennt.

Sorgen Sie für einen sauberen, Cache-freundlichen Input, um sowohl Kosten als auch Latenz zu senken. Testen Sie, wie viel zusätzlichen Kontext (TM, Entscheidungen, Styleguides) das Modell verträgt, und reizen Sie dies bis zu dem Punkt aus, an dem die Benchmarks nachlassen. Sie benötigen aussagekräftige Benchmarks in mehreren Sprachen, um wirklich beurteilen zu können, ob Sie das LLM richtig ansteuern.

Wir bei Transept haben drei Jahre lang an unseren eigenen Texten geforscht und experimentiert, um all das herauszufinden.

Das Tool, das ich mir beim Übersetzen meines Romans gewünscht hätte: Transepts Antwort auf MTPE

Ein disziplinierter Übersetzer mit technischem Hintergrund kann den Workflow mit Modell-APIs, einem Translation Memory und Geduld durchaus selbst nachbauen. Es erfordert jedoch einiges an Recherche, damit Human-in-the-Loop-MTPE *hervorragend funktioniert, *was gleichermaßen Freude bereitet wie gute Ergebnisse liefert.

Wir haben Transept entwickelt, weil uns das manuelle Zusammenfügen dieser Einzelteile beim Übersetzen unserer eigenen umfangreichen Texte immer wieder frustriert hat.

Wir haben die oben beschriebene Vision in einem einzigen Workspace vereint: das Modell frühzeitig anleiten, Entscheidungen bewahren, spezialisierte Durchläufe ausführen und lokal prüfen.

Anleiten vor dem Generieren. Der Dokument-Editor hält Quelltext, Übersetzung und den umgebenden Kontext zusammen. Übersetzer können einen Block kommentieren, einzelne Sätze mit einer spezifischen Anweisung neu generieren, Alternativen vergleichen oder manuell eingreifen, ohne den Rest zu beeinflussen. Kommentare und Review-Threads bleiben fest mit dem Text verknüpft – so bleibt eine Anweisung wie „Metapher beibehalten“ eine festgehaltene Entscheidung, statt in einem Chat-Protokoll unterzugehen.

Selbst die Alternativen, die Sie ablehnen, bleiben erhalten: Eine verworfene Formulierung und die Notiz, warum Sie darauf verzichtet haben, fließen in den nächsten Durchgang ein. Erfahren Sie mehr über Übersetzungsvarianten und wie das Translation Memory frühere Entscheidungen als Kontext nutzt.

Entscheidungen in Wissen verwandeln. Das Translation Memory von Transept führt freigegebene Übersetzungen samt ihrem Entscheidungskontext in spätere Projekte zurück. Glossare fixieren Namen, Produktbegriffe und feststehende Formulierungen; Styleguides transportieren Tonalität, Register, Rhythmus und Konventionen. Beides lässt sich automatisch aus Ihren bewährten Texten oder Markenunterlagen des Kunden generieren und prüfen, bevor die KI darauf zugreift.

Arbeitsschritte trennen. Statt ein einziges Modell alles auf einmal übersetzen, bewerten und polieren zu lassen, kann Transept diese Aufgaben nacheinander ausführen. Smart Proofread gleicht die Übersetzung mit dem Quelltext, dem Glossar und dem Styleguide ab und zeigt Auslassungen, Terminologie-Abweichungen oder Registerfehler als prüfbare Korrekturvorschläge auf.

Wir bieten zudem Workflows wie Übersetzen, Korrekturlesen & Polieren an, die Übersetzung, Lektorat, Feinschliff und Qualitätssicherung bündeln – ideal, wenn Orchestrierung wichtiger ist als manuelle Kontrolle. Das funktioniert übrigens auch für mehrere Sprachversionen desselben Dokuments!

Für umfangreiche Dokumente haben wir zudem eine Lösung entwickelt, die es mehreren Agenten ermöglicht, gemeinsam an ein und demselben Dokument zu arbeiten. Sie teilen und pflegen Styleguides sowie Glossare und nutzen einen speziellen Gradientenspeicher, um ihre Entscheidungen aufeinander abzustimmen.

Lokal prüfen, global skalieren. Das Post-Editing erfolgt auf Block- oder Satzebene: Vergleichen Sie Varianten, generieren Sie eine Zeile neu, akzeptieren Sie einen Korrekturvorschlag oder schreiben Sie den Text selbst um. Literess unterstützt Sie bei der Steuerung des Workflows und weist auf Abweichungen hin, während die Batch-Übersetzung gemeinsamen Kontext, Glossare, Styleguides und QS über viele Dateien hinweg anwendet – ohne das Projekt in eine unübersichtliche Tabelle zu verwandeln.

Und wenn die integrierten Durchläufe nicht der gewünschten Abfolge entsprechen, können Sie Ihren eigenen Workflow Schritt für Schritt erstellen: Wählen Sie die Etappen aus, schalten Sie bei Bedarf Prüfschritte dazwischen und führen Sie ihn aus – die Kosten werden Ihnen vorab angezeigt.

Ich bin aufrichtig stolz auf das, was wir mit Transept geschaffen haben. Diese Funktionen helfen dabei, die Wirkung kostbarer menschlicher Zeit und Talente auf die Arbeitsweise von LLMs zu maximieren.

Es überrascht mich immer noch, dass nur wenige professionelle Übersetzer es für möglich hielten, das alles umzusetzen. Rein technisch gesehen war die Entwicklung eines interaktiven MTPE-Workflows bereits 2023 machbar – und wir stehen erst am Anfang.

Best Practices für MTPE: Eine Checkliste

Selbst wenn Sie von Transept nicht beeindruckt sind (völlig zu Unrecht), finden Sie hier eine Liste mit allem, was Sie über MTPE wissen müssen und wie Sie die Arbeit weniger zermürbend gestalten.

• Binden Sie den Menschen frühzeitig ein. Geben Sie Anweisungen für die entscheidenden Passagen vor der Generierung, nicht erst danach.
• Füttern Sie den Speicher mit echten Beispielen. Übersetzen Sie einige Ihrer schwierigsten Textstellen manuell und lassen Sie das Modell daraus den richtigen Tonfall lernen.
• Kaskadieren Sie Ihre Modelle. Günstiger Entwurf, starke Kritik, schnelle Umsetzung. Das schlägt ein einzelnes großes Modell bei Qualität und Kosten gleichzeitig.
• Klassifizieren Sie Ihre Inhalte. Nutzen Sie Full-Batch-MTPE für weniger sichtbare Massentexte; arbeiten Sie iterativ dort, wo der Ruf der Marke auf dem Spiel steht.
• Setzen Sie Terminologie schon im Vorfeld durch. „Do-not-translate“- und „Forbidden-Target“-Regeln verhindern die häufigsten und folgenschwersten Fehler direkt an der Quelle.
• Achten Sie auf regionale Varianten und Registerabweichungen. Regionale Unterschiede, Förmlichkeit und eine konsistente Anrede machen den Unterschied zwischen einer Übersetzung, die sich natürlich anfühlt, und einer, die wie vom Komitee zusammengeschustert wirkt.
• Prüfen Sie flüssige Texte strenger, nicht nachlässiger. Je besser sich die rohe MÜ liest, desto leichter werden Auslassungen übersehen.

---

MTPE wird bleiben, und für viele Inhalte ist es das richtige Werkzeug. Doch die „Erst-Batch-dann-Korrektur“-Pipeline ist ein Irrweg in der Geschichte der Übersetzungstechnologie.

Die Lösung ist konzeptionell denkbar einfach: Binden Sie den Menschen frühzeitig ein, füttern Sie den Kontext mit echten Beispielen und dem Translation Memory, lassen Sie günstige Modelle den Entwurf liefern, während starke Modelle ihn kritisch prüfen – so erhalten Sie bessere Übersetzungen zu geringeren Kosten. Von genau diesem Ergebnis würden Agenturen und Übersetzer gleichermaßen profitieren.

Wenn Sie den Human-Early-Loop selbst erleben möchten, beginnen Sie mit einem Dokument; im Free-Tarif ist eine erste Übersetzung ohne Kreditkarte inklusive.

Falls Sie lieber erst einmal Fragen stellen möchten, wenden Sie sich an Literess oder kontaktieren Sie mich dort, wo Sie diesen Leitfaden erhalten haben.