Notes de l'atelier
Ce que nous apprenons en concevant Transept et en observant comment les gens traduisent.
Dernier article
Ten languages in three days: field notes from localizing an AI translation product
We localized Transept into German, Ukrainian, Chinese, Portuguese, French, Spanish, Czech, Italian, Polish, and Turkish in one long weekend, using machine translation the way we tell our users to use it: with context, terminology decisions, and human post-editing. These are the plural rules, register flips, typography inversions, and hreflang lessons we collected on the way.
Autres articles
Literess en tant qu'agent : l'éditeur qui retient vos décisions et fait le travail
La plupart des IA intégrées aux outils de traduction ne sont que des chatbots greffés sur le côté. Nous avons conçu Literess comme un agent — ancré dans la mémoire du contexte décisionnel sur laquelle repose le produit, et capable d'agir concrètement en votre nom, toujours avec votre accord.
La mémoire de traduction : définition, fonctionnement et enjeux pour la localisation par IA
Une mémoire de traduction conserve les segments déjà validés par votre équipe. Nous avons cherché à comprendre ce que devient la MT quand le traducteur est un LLM, comment les outils du marché mémorisent (ou oublient), et le pari que nous avons fait chez Transept : la mémoire comme contexte de décision.
À quel point la traduction par IA réfléchit-elle vraiment ?
Nous avons tenté de gérer le budget de réflexion de Gemini 3 comme nous le faisions pour Gemini 2.5. Mais le fonctionnement a changé. Voici ce que nous avons mesuré à la place — et ce que cela implique pour la qualité et le coût de la traduction par IA.
Bienvenue sur Le Journal
Pourquoi nous avons commencé à écrire ici, ce que vous y trouverez et une petite invitation à revenir.
Les auteurs
De nouveaux articles paraissent environ une fois par mois.
RSS