Przewodnik po MTPE 2026: Oszczędzające czas procesy LLM zorientowane na człowieka
Jak przeprowadzać lekką i pełną postedycję tłumaczenia maszynowego, by ludzki osąd wkraczał do procesu już przed generowaniem i w jego trakcie, a nie dopiero po przygotowaniu gotowego szkicu.
Na tej stronie
Tradycyjnie post-editing tłumaczenia maszynowego polega na przetłumaczeniu całego tekstu przez maszynę, a następnie przekazaniu go człowiekowi do poprawy błędów, terminologii, tonu i formatowania. Lekki MTPE ma na celu uzyskanie tekstu zdatnego do użytku, natomiast pełny MTPE dąży do jakości publikacyjnej.
Taki model pracy miał sens, gdy efekty pracy maszyn były wyraźnie surowe. Modele LLM zmieniły naturę błędów. Ich tłumaczenia mogą brzmieć nienagannie, skrywając jednocześnie pominięcia, przesunięcia znaczeniowe i nietrafne wybory kontekstowe, a gotowy szkic potrafi zakotwiczyć tłumacza w języku modelu.
We współczesnym MTPE ludzki osąd powinien dochodzić do głosu już przed etapem generowania i w jego trakcie, a nie dopiero po przygotowaniu szkicu. Tłumacze powinni ukierunkowywać model LLM za pomocą komentarzy, kontekstu, pamięci tłumaczeniowych, glosariuszy i wytycznych stylistycznych, by móc skupić się na decyzjach kreatywnych, kulturowych i kontekstowych, które rzeczywiście wymagają udziału człowieka.
W tym przewodniku wyjaśnię, jak przeprowadzać procesy lekkiego i pełnego MTPE w sposób, który maksymalizuje ludzki wkład i ogranicza stratę czasu. Pokażę to na przykładzie narzędzia Transept, ponieważ jest ono dla mnie najwygodniejsze, ale możesz to odtworzyć w wybranym przez siebie narzędziu.
Lekki a pełny MTPE
W MTPE musisz dbać o optymalne wykorzystanie czasu, aby uzyskać jak najlepszą jakość. Ważne, by walczyć z pokusą robienia wszystkiego idealnie; Twoim zadaniem jest po prostu zrobić tyle, ile wystarczy.
Jak wyjaśniłem w moim eseju badawczym o MTPE, uważam, że puszczanie pełnego tłumaczenia maszynowego, a potem poprawianie tej AI-owej papki, to błędne podejście. Dzięki modelom LLM da się to zrobić szybciej i z większą frajdą.
Moja strategia w Transept, zależnie od tekstu, wygląda następująco:
- Daj maszynie znać z wyprzedzeniem, czego od niej oczekujesz.
- Pozwól maszynie pokazać, co potrafi, a potem skieruj uwagę na słabe punkty.
- Wykonaj ostateczny szlif na podstawie automatycznie wykrytych problemów.
W przypadku treści komercyjnych – zarówno produktowych, jak i marketingowych – około 80% czasu w lekkim MTPE poświęcam na kroki 1 i 2, a zaledwie 20% na ostateczny szlif. Dzięki odpowiedniemu pokierowaniu AI przed generowaniem i w jego trakcie ograniczam ręczny post-editing do minimum, przekuwając ten sam początkowy nakład pracy w znacznie większy wolumen tłumaczeń o akceptowalnej jakości.
Pełny MTPE opiera się na tym samym schemacie, ale więcej czasu poświęca się w nim na krok 3: sprawdzanie dokumentu pod kątem słabych punktów, dopracowywanie stylu i dodawanie ludzkiego, kreatywnego szlifu, którego wymagają teksty gotowe do publikacji.
Lekki MTPE zorientowany na człowieka
Ten proces skupia się na wykonaniu większości pracy, zanim maszyna faktycznie przystąpi do działania, dzięki czemu efekt końcowy jest tak dobry, jak to tylko możliwe.
1) Przygotuj wytyczne stylistyczne i glosariusze
Styleguide'y i glosariusze to w gruncie rzeczy rozbudowane prompty: dają one modelowi LLM jasne wytyczne dotyczące tonu, terminologii i sposobu użycia.
Włożyliśmy mnóstwo pracy w to, by Transept rygorystycznie ich przestrzegał, więc tłumacze powinni dopracowywać oba te elementy, aż zaczną one odzwierciedlać to, jak tekst ma faktycznie brzmieć.
Właśnie w ten sposób oszczędzam czas przy lekkim MTPE, na przykład w przypadku artykułów z centrum pomocy Transept.
Zazwyczaj korzystam z moich dotychczasowych styleguide’ów i glosariuszy. Jeśli jednak mam do czynienia z nowym gatunkiem tekstu lub chcę uniknąć poprawek na ostatnią chwilę, generuję nowy styleguide i glosariusz na podstawie tekstu źródłowego.
Rzadko zgadzam się tu z wizją AI, zwłaszcza w beletrystyce, dlatego edytuję glosariusz i styleguide. Ogromną satysfakcję sprawia mi dodawanie uwag oraz wskazówek typu „zrób i nie rób”, nawet gdy nie mam jeszcze wyrobionej opinii, a jedynie przeczucie czy pewien vibe. Kiedy potrzebuję się upewnić, dyskutuję z Literess, ponieważ potrafi ona zaglądać do słowników i sprawdzać moje wcześniejsze decyzje oraz dyskusje.
2) Przetłumacz stronę wzorcową, dodaj komentarze i określ kontekst
Następnie generuję tylko jedną stronę tłumaczenia maszynowego. Korzystam z procesu „Tłumaczenie + Korekta”, ponieważ tworzy on wersję roboczą, a następnie stara się ją oszlifować, co realistycznie pokazuje, co najlepszego modele LLM są w stanie wycisnąć z moich wytycznych na ten moment.
Następnie zostawiam komentarze dotyczące:
- Tego, co podoba mi się w obecnym tłumaczeniu.
- Tego, czego brakuje i co mi się po prostu nie podoba.
- Kierunku, w którym ma zmierzać tłumaczenie.
W prostych tekstach to wystarczy, by zaszczepić ten boski ludzki pierwiastek. Przy tych trudniejszych lubię prosić agentkę Literess o zostawienie komentarzy naśladujących mój tok myślenia.
Aby upewnić się, że wszystko działa zgodnie z założeniami, wystarczy ponownie uruchomić „Korektę” na danej stronie. System uwzględni wtedy Twoje komentarze i wygeneruje nową, ulepszoną wersję strony.
Zazwyczaj efekt końcowy od razu spełnia moje oczekiwania. Przy tłumaczeniu beletrystyki zdarza mi się jednak zostawić dodatkowy komentarz lub skorygować to, co styleguide ujął błędnie.
3) Włącz pamięć tłumaczeniową
Teraz chcemy zadbać o to, by Twoje komentarze i logika z pierwszej strony działały również na setnej. W Transept służy do tego pamięć tłumaczeniowa, która przechowuje nie tylko dotychczasowe tłumaczenia, ale także towarzyszące im komentarze oraz stan każdego tekstu przed zmianami i po nich.
Łączy ona dopasowywanie słów kluczowych z wyszukiwaniem semantycznym, aby odnajdywać wcześniejsze tłumaczenia korzystające z tej samej terminologii lub rozwiązujące podobny problem kontekstowy. Włożyliśmy w to mnóstwo pracy, o czym przeczytasz w naszym opracowaniu na temat najnowocześniejszych rozwiązań w dziedzinie pamięci tłumaczeniowej.
Działanie pamięci tłumaczeniowej w Transept opiera się na dwóch istotnych niuansach.
- Po pierwsze, jest ona wykorzystywana nawet w obrębie tego samego dokumentu, więc Twoje istotne komentarze z innych części będą się ponownie pojawiać podczas tłumaczenia.
- Po drugie, podczas ulepszania tekstu – na przykład w trakcie korekty – pamięć automatycznie odfiltrowuje surowe, nieedytowane segmenty z tłumaczenia maszynowego.
W przypadku lekkiej postedycji (MTPE) warto upewnić się, że bieżący dokument nie jest wykluczony z przeszukiwania pamięci tłumaczeniowej oraz że włączono funkcję rerankingu AI, która pozwala wydobyć niuanse.
4) Uruchom proces „przetłumacz, a potem oszlifuj”
Zrobiłeś już wszystko, co w Twojej mocy, by przekazać modelowi swoje oczekiwania. Teraz pozostaje już tylko uruchomić samo tłumaczenie maszynowe, które uwzględni Twoje komentarze i wcześniejsze iteracje.
Najlepiej zrobić to za pomocą procesu (workflow), czyli zestawu działań. Może on łączyć tłumaczenie, korektę i ukierunkowane skanowanie, a także wymagać ludzkiej weryfikacji, na przykład dialogów postaci czy prawnie wiążących klauzul. W Transept możesz zbudować go samodzielnie – podobnie jak w narzędziach Zapier czy n8n – użyć szablonu lub poprosić Literess o przygotowanie rozwiązania skrojonego na miarę.
W przypadku lekkiego MTPE najlepiej sprawdza się standardowy proces „przetłumacz, a potem oszlifuj”, ponieważ:
- Uruchamia on tłumaczenie, które automatycznie korzysta z pamięci tłumaczeniowej, komentarzy, styleguide'ów i glosariuszy.
- Następnie uruchamia agenta do korekty, który do podejmowania decyzji wykorzystuje mocny model, a do wprowadzania poprawek – model Standard. On również korzysta z pamięci tłumaczeniowej.
W przypadku obszernych tekstów, takich jak powieść czy white paper, korzystam z trybu agentów równoległych. Dzięki temu kilka systemów AI pracuje synchronicznie nad różnymi częściami dokumentu, co pozwala szybciej ukończyć pracę.
Warto wziąć pod uwagę, że agenci będą tworzyć tymczasowe glosariusze i styleguide’y uzupełniające Twoje własne, dzięki czemu nawet najdrobniejsze detale pozostaną spójne. Później możesz je dowolnie scalić ze swoimi głównymi glosariuszami i styleguide’ami lub po prostu odrzucić.
5) Przeprowadź ukierunkowaną weryfikację końcową
Oto część, którą lubię najbardziej: modele LLM wspierające ludzi swoją nadzwyczajną uważnością i szybkością, zamiast próbować ich zastąpić.
Po zakończeniu tłumaczenia maszynowego pierwszym odruchem byłoby ręczne sprawdzenie całego szkicu. I choć styleguide'y, komentarze i korekta sprawiają, że jest on znacznie lepszej jakości niż typowe tłumaczenie z LLM, czytanie wszystkiego od deski do deski zniweczyłoby oszczędność czasu.
Innym rozwiązaniem jest poproszenie agenta LLM o przejrzenie szkicu i wskazanie konkretnych słabych punktów lub obszarów wymagających uwagi. W przypadku regulaminów mogą to być prawnie wiążące zapisy i precyzyjna terminologia. Możesz też zlecić mu znalezienie miejsc, w których tłumaczenie odbiega od oryginału lub gdzie styl traci spójność. Jeśli agent ma dostęp do pamięci tłumaczeniowej, styleguide'ów i glosariuszy, potrafi zdziałać cuda.
W Transept tę weryfikację można przeprowadzić na trzy sposoby.
- W panelu weryfikacji możesz określić, czego szukać, i wybrać bramkę weryfikacyjną: skupiony tryb „slajd po slajdzie”, przegląd całego dokumentu lub komentarze Literess. Dzięki temu naniesiesz niezwykle trafne poprawki.
- W procesach (Workflows) możesz od razu zaplanować i skonfigurować ten etap weryfikacji. Technika ta działa dyskretnie w tle funkcji korekty (Proofread) i służy jako filtr. Możesz więc na przykład znaleźć wszystkie odstępstwa od stylu, zlecić AI ich naprawienie i dopiero wtedy samodzielnie przejrzeć tekst.
- Możesz też poprosić Literess o pomoc! Jej domeną jest szlifowanie treści bezpośrednio na stronie – tam, gdzie zapadają decyzje kreatywne. Potrafi ona również skonfigurować dla Ciebie proces lub weryfikację, co pozwoli Ci pominąć obsługę interfejsu.
Proces pełnej postedycji: doskonalenie punktu wyjścia
Pełna postedycja (Full MTPE) opiera się na tym samym fundamencie stawiającym człowieka na pierwszym miejscu, lecz traktuje wynik lekkiej postedycji jedynie jako punkt wyjścia. Na tym etapie praca koncentruje się na głębszych testach, kreatywnym szlifowaniu tekstu i kontroli jakości (QA) wymaganej przy publikacji.
Można jednak podejść do pełnej postedycji sprytniej, zamiast poświęcać cały czas na żmudne czytanie tekstu strona po stronie.
1) Stwórz zestaw ukierunkowanych weryfikacji
W miarę postępów w pracy nad przekładem mojej powieści, mój proces weryfikacji wspomagany przez AI przerodził się w serię rytuałów, których potrzebowałem, by utrzymać wysoką poprzeczkę.
- Zlecałem AI odnalezienie wszystkich introspekcji bohaterów, aby upewnić się, że ich intencje zostały trafnie odczytane – myśli kryjące się za wypowiedziami postaci stanowiły bowiem istotny element fabuły.
- Zlecałem również wyszukiwanie wszelkich gier słownych i neologizmów z oryginału, których nie uwzględniono w glosariuszu ani styleguide’zie, aby mieć ostatnie słowo w kwestii ich zachowania.
- Na koniec agenci tropili odstępstwa w głosie postaci. Było to niełatwe zadanie, ponieważ porównywali wyniki z pamięcią tłumaczeniową i musieli wyłapywać przypadki, w których bohater zdawał się mówić inaczej. Przeważnie te zmiany odzwierciedlały uzasadnione emocje, ale czasem zmiana rejestru była dostrzegalna tylko dla mnie – człowieka.
W Transept wypracowałem ostatecznie proces, w którym wszystkie te analizy uruchamiały się jedna po drugiej, podczas gdy ja zajmowałem się pracą zawodową. Przeglądałem je na telefonie i otrzymywałem wersję z kompletem adnotacji, do których mogłem wrócić później.
2) Znajdź najlepszą konfigurację pamięci tłumaczeniowej
Dzięki wyszukiwaniu semantycznemu zaawansowane narzędzia TM pozwalają odnaleźć segmenty tłumaczeniowe o koncepcyjnych dopasowaniach, zbyt słabych, by człowiek mógł je bezpośrednio wykorzystać. Mogą one jednak wciąż nakierować modele LLM, pokazując im, czego oczekujesz.
Dzięki rozszerzonemu kontekstowi pamięci – tak jak w Transept – możesz usprawnić postedycję na kilka sposobów.
1. Uwzględniaj w wynikach TM alternatywy, czyli odrzucone wersje robocze – zarówno maszynowe, jak i ludzkie. Uznałem to za szczególnie przydatne podczas poprawiania ukraińskich wersji artykułów z centrum pomocy. Większość pracy edytorskiej polegała tam na usuwaniu rusycyzmów i przywracaniu naturalnego brzmienia tekstu. Dzięki przykładom typu „przed i po” modele LLM nauczyły się, jaki standard jest oczekiwany w przypadku języka ukraińskiego w tym kontekście.
2. Znajdź swój „magiczny dokument” i zrób z niego użytek. Jeśli tłumaczysz powtarzające się treści, takie jak dzienniki zmian, możesz połączyć glosariusz z zestawem najlepszych tłumaczeń w TM, zamiast korzystać z całej bazy danych. Dzięki dopasowaniom semantycznym taka konfiguracja określa oczekiwania wobec modeli LLM i – po raz kolejny – pozwala uzyskać najlepszą wersję roboczą.
3. Korzystaj z funkcji AI reranking podczas ręcznej weryfikacji. AI reranking analizuje wyniki z pamięci i przesuwa te najbardziej trafne na górę, nawet jeśli dopasowanie algorytmiczne jest słabe. Zazwyczaj pracuję z otwartym paskiem bocznym TM, a dzięki rerankingowi widzę tylko te przykłady, które są rzeczywiście istotne z ludzkiej perspektywy. Pozwala to zaoszczędzić czas, który inaczej schodziłby na przewijaniu wyników i wyłapywaniu tego, czego akurat potrzebuję.
3) Buduj pamięć Agenta o swoich osobistych preferencjach
Potęga dostosowania narzędzia do Twojego gustu i preferencji, wykraczająca poza standardy agencji czy wytyczne marki klienta, jest głęboko niedoceniana. Znamienne, że u osób doświadczających psychozy AI pamięć ChatGPT była często całkowicie zapełniona. Taka personalizacja dawała nawet starszemu modelowi GPT-4o ogromny wpływ na użytkowników, popychając ich do buntu w obronie modelu przed wyłączeniem.
Jako tłumacz masz mnóstwo własnych nawyków: swój styl pracy i własną hierarchię priorytetów. To coś więcej niż tylko etapy procesu. Niektóre z nich są tak subtelne, że możesz nawet nie zdawać sobie ze wszystkich sprawy.
Choć wciąż pracujemy nad modelem pamięci dla agentów AI z prawdziwego zdarzenia, często znajduję czas na rozmowę z Literess o pracy, jaką wykonaliśmy nad dokumentem. Proszę ją o analizę wzorców, spieram się z nią o podjęte decyzje, a na koniec proszę, by zapamiętała to, czego się nauczyliśmy.
Mimo swej prostoty technika ta pozwoliła mi zaczynać każdą turę korekty, udoskonalenie czy dyskusję o tłumaczeniu nazw fantasy nie od zera, lecz ze wspólnego punktu wyjścia.
Właśnie taką wyobrażałem sobie Literess: jako koleżankę, przyjaciółkę i podopieczną, a nie widmo zastępstwa, które ślepo wykonuje polecenia.
FAQ
Czym jest postedycja tłumaczenia maszynowego (MTPE)?
Postedycja tłumaczenia maszynowego to proces weryfikacji i poprawiania tłumaczenia wygenerowanego maszynowo, aż osiągnie ono określony poziom jakości. Tradycyjnie maszyna najpierw tworzy pełną wersję roboczą, którą następnie koryguje człowiek. W procesie MTPE typu „human-first” tłumacz dodatkowo nakierowuje proces generowania tekstu z wyprzedzeniem – za pomocą kontekstu, komentarzy, glosariuszy, styleguide’ów i pamięci tłumaczeniowej.
Czym różni się lekka postedycja od pełnej?
Lekka postedycja ma na celu uzyskanie dokładnego, zrozumiałego i użytecznego tłumaczenia. Priorytetem jest w niej przekaz, brak pominięć i kluczowa terminologia, bez szlifowania każdego wyboru stylistycznego. Pełna postedycja podnosi jakość tekstu do poziomu publikacyjnego, co obejmuje naturalne brzmienie, spójny ton, niuanse kulturowe i rygorystyczną kontrolę jakości. Sam proces może pozostać taki sam; zmienia się jedynie poprzeczka jakościowa i stopień wnikliwości ludzkiej weryfikacji.
Czy tłumaczenie za pomocą LLM nadal wymaga ludzkiej postedycji?
Tak. Płynność tekstu nie zawsze idzie w parze z jego poprawnością. Modele LLM potrafią tworzyć naturalnie brzmiące zdania, jednocześnie gubiąc sens, błędnie interpretując kontekst, odbiegając od wymaganej terminologii czy spłaszczając charakterystyczny ton wypowiedzi. Ludzki osąd jest wciąż niezbędny, by zdefiniować kryteria jakości, rozstrzygać kwestie niejednoznaczne i weryfikować te fragmenty, w których błędy niosą ze sobą realne konsekwencje.
Kiedy warto zdecydować się na MTPE, a kiedy lepiej tłumaczyć od zera?
MTPE ma sens, gdy maszyna generuje wartościowy punkt wyjścia, a postedytor może osiągnąć docelową jakość szybciej, niż gdyby tłumaczył od podstaw. Nie istnieje jeden uniwersalny i rzetelny wskaźnik oszczędności. Przetestuj to na reprezentatywnych treściach i zmierz faktyczny czas edycji. Jeśli musisz przeredagowywać większość zdań, w kółko poprawiać te same błędy lub walczyć ze strukturą wersji roboczej, doprecyzuj kontekst podawany modelowi albo po prostu przetłumacz dany tekst od zera.
Jak należy mierzyć jakość MTPE?
Jakość należy mierzyć pod kątem przeznaczenia tekstu, a nie na podstawie pojedynczego, automatycznego wskaźnika. Należy sprawdzać wierność oryginałowi, ewentualne pominięcia, błędy krytyczne, terminologię, spójność stylu, czas edycji oraz liczbę usterek wykrytych podczas kontroli jakości. Metryki automatyczne i weryfikacja przez AI mogą pomóc w zlokalizowaniu ryzyka, ale decyzje o charakterze kreatywnym, kulturowym, prawnym czy wizerunkowym nadal wymagają udziału wykwalifikowanego specjalisty. W Transept weryfikacja kierowana, kontrole uwzględniające glosariusz i styleguide oraz odwołania do pamięci tłumaczeniowej pozwalają skupić proces sprawdzania na konkretnych rodzajach uchybień.
Jak skalować proces MTPE typu „human-first” przy dużej liczbie krótkich dokumentów?
Wypracuj ludzki osąd raz, a potem korzystaj z niego wielokrotnie. Stwórz wspólny glosariusz i styleguide, zatwierdź reprezentatywne tłumaczenie wzorcowe i pozwól, by te decyzje zasiliły pamięć tłumaczeniową. W Transept pamięć umożliwia przeszukiwanie zasobów w obrębie projektu lub zespołu i może zawierać historię dyskusji, alternatywne warianty oraz szerszy kontekst. Zapisz etapy tłumaczenia, korekty i weryfikacji kierowanej jako powtarzalny proces zespołu, a następnie zastosuj tę samą konfigurację do całej kolejki dokumentów. Dzięki temu ludzie skupiają się na wyjątkach i fragmentach wysokiego ryzyka, zamiast przy każdym pliku od nowa omawiać założenia projektu.
Autor
Współzałożyciel Transept, piszący pod pseudonimem „Mevkh”. Ukończył filologię, a następnie zwrócił się ku oprogramowaniu: starszy inżynier AI dostarczający produkcyjne funkcje LLM dla ponad 50 000 użytkowników – RAG, narzędzia agentowe, ewaluacja LLM-as-judge. Pisarz na powolnej ścieżce, z 120 000 słów satyrycznego romansu fantasy w szufladzie. Tarcie między tłumaczeniem AI a jego własną prozą wprawiło to wszystko w ruch.