Post-edycja tłumaczenia maszynowego (MTPE): czym jest, jak działa i jak robić to lepiej

Zostałem inżynierem AI po części dlatego, że próbowałem przetłumaczyć własną powieść. To właśnie wtedy natknąłem się na zjawisko, które w branży lokalizacyjnej wszyscy znają pod inną nazwą: przepuszczasz tekst przez automat, a potem człowiek go poprawia. Formalnie nazywa się to post-edycją tłumaczenia maszynowego, czyli MTPE, i w 2026 roku jest to dominujący sposób wykonywania profesjonalnych tłumaczeń.

W teorii brzmi to sensownie. Jednak w dobie zaawansowanych modeli LLM sposób, w jaki zwykle się to odbywa, zdążył już skostnieć. Najpierw pełny przebieg maszynowy, a potem „czyszczenie” całości przez człowieka – to angażowanie ludzkiego czasu i mocy obliczeniowej w niewłaściwej kolejności.

Pod tym wszystkim kryje się jednak tańszy i lepszy proces.

Ten przewodnik opisuje obie te kwestie. Najpierw przedstawię szczerą wersję tego, czym jest MTPE i jak działa – warto bowiem znać tradycyjne podejście zgodne z normami ISO, choćby po to, by móc sprzedawać własne rozwiązania B2B SaaS. Następnie wyjaśnię, w czym zawodzi standardowy model wsadowy i jak robić to lepiej, angażując człowieka w proces na znacznie wcześniejszym etapie.

Czym jest post-edycja tłumaczenia maszynowego (MTPE)?

MTPE, zapisywane również jako PEMT (ang. post-edited machine translation), to trzyetapowy proces:

1. Tłumaczenie maszynowe (MT). Silnik tłumaczenia maszynowego lub duży model językowy generuje wstępną wersję tłumaczenia tekstu źródłowego. Taki szkic nazywa się surowym MT.
2. Post-edycja (PE). Lingwista porównuje surowe MT z tekstem źródłowym i dokonuje redakcji: poprawia błędy, dba o terminologię i dopasowuje ton, aż tekst osiągnie wymagany poziom jakości.
3. Zapewnienie jakości. Końcowa weryfikacja spójności i formatowania oraz wyłapanie błędów, które łatwo przeoczyć przy pierwszym czytaniu.

Zazwyczaj odbywa się to w formie przekazania wsadowego: maszyna tłumaczy cały dokument, a potem człowiek redaguje całość. Zapamiętajcie ten schemat – to właśnie z nim będę później polemizować.

MTPE istnieje dlatego, że w przypadku większości treści obie skrajności – „po prostu to przetłumacz” lub „niech zrobi to maszyna” – okazują się nietrafione.

Tłumaczenie od podstaw przez człowieka jest na dużą skalę powolne i kosztowne. Surowe MT jest szybkie i tanie, ale przyzwoitej jakości tłumaczenie maszynowe mamy od niecałej dekady, choć jakieś jego formy istnieją od kilkudziesięciu lat. Nawet przy najlepszych modelach LLM i procesach ryzyko bezkrytycznego przyjmowania ich wyników jest zbyt duże, a zdolność ludzi do tworzenia pięknych przekładów – znacznie wyższa.

MTPE to zatem pragmatyczny złoty środek: maszynie powierza się 70% mechanicznej pracy, a uwagę człowieka skupia na pozostałych 30%, które decydują o tym, czy tłumaczenie jest wiarygodne.

(Tak przynajmniej chciałyby to widzieć agencje i korporacje. W rzeczywistości tłumacze albo angażują się bardziej, by zapewnić lepszą jakość (nie otrzymując za to wyższego wynagrodzenia), albo nie angażują się wcale, co skutkuje marnymi efektami).

Niezależnie od tego, w latach 20. XXI wieku jakaś forma MTPE stała się w branży tłumaczeniowej standardem.

Post-edycja lekka a pełna: dwa poziomy

TL;DR: w rzeczywistości ten podział właściwie nie istnieje, ale branża wymaga świadomości tej dychotomii.

„Post-edycja” niejedno ma imię. Najważniejszą decyzją w projekcie MTPE jest to, na jakim poziomie redagujesz tekst – to od tego zależy, ile czasu poświęcisz na każdy segment i co wolno ci zostawić bez zmian.

Zespoły często popełniają błąd, z przyzwyczajenia redagując wszystko do pełnej jakości (nawet treści o niskiej widoczności, przy których wystarczyłaby lekka edycja) i trwoniąc oszczędności czasu, jakie miało przynieść MTPE. To rzadko wina samych tłumaczy; często odpowiadają za to redaktorzy i menedżerowie, którzy stawiają zbyt wygórowane wymagania wobec lekkiej post-edycji.

Błąd w drugą stronę jest jeszcze gorszy: poprzestanie na lekkiej edycji strony docelowej i wypuszczenie tekstu, który brzmi prawie dobrze, ale podkopuje zaufanie. Tak właśnie wygląda większość tłumaczeń realizowanych przy użyciu Claude Code: użytkownicy zgłaszają, że po wdrożeniu lokalizacji opartej na pełnym MT lub lekkim MTPE współczynniki konwersji w ich aplikacjach spadają.

W rzeczywistości granica ta się zaciera, a faktyczne MTPE plasuje się gdzieś pośrodku. W zależności od platformy czy agencji wymagany nakład pracy ustala się arbitralnie lub pod konkretny projekt. Istnieje też mnóstwo wewnętrznych procesów i rytuałów, z raportami QA i ścieżkami zatwierdzania włącznie.

To właśnie ta niejasność definicji sprawia, że wielu tłumaczy niechętnie podchodzi do MTPE. Taka praca nie daje satysfakcji z dobrze wykonanego zadania, a jednocześnie rzetelność nie jest premiowana finansowo.

Dlaczego surowe tłumaczenie maszynowe wciąż wymaga udziału człowieka

Oczywisty zarzut w 2026 roku: współczesne modele LLM piszą płynnie. Czy surowe MT nie jest już wystarczająco dobre?

To właśnie ta płynność jest pułapką. Starsze systemy tłumaczenia maszynowego generowały teksty, które były rażąco nieskładne, więc nikt nie ufał im bez redakcji. Współczesne modele tworzą treści, które czyta się znakomicie, co daje czytelnikom i recenzentom złudne poczucie zaufania.

Co gorsza, model może wygenerować tekst, który zachowuje sens, ale jego styl trąci AI. Przez to marka jako całość sprawia wrażenie taniej i choć ten konkretny problem łatwo rozwiązać, wielu wpada właśnie w tę pułapkę.

Claude nalegał, bym o tym wspomniał:

• Szkody wizerunkowe. Silniki nie mają wyczucia językowego, które pozwoliłoby im zrozumieć niuanse kulturowe lub ocenić, co na danym rynku jest stosowne, a co nietaktowne. Sformułowanie, które w oryginale brzmi neutralnie, w tłumaczeniu może okazać się niezgrabne, zarozumiałe, obraźliwe lub po prostu dziwne. To właśnie takie „ślady AI” zniechęcają odbiorców.
• Wprowadzanie klientów w błąd. Nawet najlepiej wytrenowany model może po cichu pominąć fragment zdania lub dodać słowo, którego nie było w oryginale. W płynnym, brzmiącym pewnie akapicie przypadkowe pominięcie lub przekłamanie faktów jest bardzo trudne do zauważenia, a w treściach prawnych, medycznych czy finansowych może mieć poważne konsekwencje. Powtórzę: technicznie da się to rozwiązać (narzędzie Smart Proofread powstało właśnie po to, by wyłapywać takie braki), ale wciąż zdarza się to nagminnie.
• Rozmycie marki. Surowy tekst z modelu LLM rzadko oddaje unikalny styl i terminologię marki. Gdy nazwa produktu lub charakterystyczny zwrot pojawiają się na stronie w kilkunastu nieco innych wariantach, przestają być rozpoznawalne, a wizerunek marki za każdym razem staje się coraz mniej wyraźny. Można temu zaradzić, stosując przewodniki stylistyczne i glosariusze, ale starsze procesy MT nie radzą sobie z ich obsługą zbyt dobrze.

Udział człowieka nie jest więc opcjonalny – przynajmniej nie wtedy, gdy tekst ma realizować konkretne cele: pozyskiwać klientów lub mieć moc prawną. Prawdziwe pytanie, na które standardowy proces odpowiada wyjątkowo słabo, brzmi: kiedy właściwie ten człowiek powinien wkroczyć do akcji.

Co tak naprawdę utrudnia MTPE: cztery rzeczywiste wąskie gardła

W praktyce post-edytorów wcale nie przerastają cudzysłowy czy formaty dat – to tylko reguły QA. Prawdziwa trudność polega na ocenie zwodniczo płynnego tekstu i decydowaniu, jak dużej ingerencji wymaga dany segment, a wszystko to w ramach modelu biznesowego, który zakłada, że każda propozycja z maszyny pozwala zaoszczędzić tyle samo czasu.

Badania nad nakładem pracy w post-edycji dzielą to zadanie na wysiłek poznawczy, techniczny i czasowy. Wymiary te nie zawsze idą ze sobą w parze: poprawienie zdania może wymagać zaledwie dwóch uderzeń w klawisze, ale aż kilku minut weryfikacji, podczas gdy inne trzeba napisać zupełnie od nowa, mimo że właściwe rozwiązanie jest oczywiste.

Oto najczęstsze wąskie gardła.

1. Wykrywanie błędów, które brzmią poprawnie, ale do ich naprawienia niezbędny jest kontekst. Współczesne systemy MT potrafią wygenerować nienaganny tekst, jednocześnie pomijając fragmenty zdań, wypaczając sens lub dobierając terminy, które brzmią wiarygodnie, choć są błędne. Płynność języka usypia czujność, więc edytor musi nieustannie konfrontować przekład z oryginałem, kontekstem dokumentu i faktami. To wszystko pochłania czas i energię. Badania konsekwentnie dowodzą, że błędy w przekładzie, brak spójności i błędy strukturalne to czynniki, które w największym stopniu zwiększają nakład pracy przy post-edycji.
2. Decydowanie, czy zaakceptować, poprawić czy przetłumaczyć od nowa. Każdy segment wymaga szybkiej oceny: zostawić go, wprowadzić minimalną poprawkę, przeredagować, czy odrzucić wersję maszynową i tłumaczyć od zera. Niejasne instrukcje dotyczące „lekkiej” i „pełnej” post-edycji tylko utrudniają to zadanie. Edytorzy albo ograniczają poprawki do minimum, by trzymać się zasady „zmieniaj jak najmniej”, albo edytują nadmiernie, ponieważ ich własne standardy jakości są wyższe niż te określone w zleceniu.
3. Uwalnianie się od sugestii maszyny. Post-edytorzy nie zaczynają od czystej karty. Najpierw czytają gotową propozycję, która narzuca im słownictwo, składnię i interpretację. Badania nad procesami pracy profesjonalistów wykazały występowanie efektu torowania: błędy i niezgrabne sformułowania z MT mogą przeniknąć do ostatecznego tekstu lub wpłynąć na sposób wprowadzania poprawek. Im lepiej brzmi zdanie, tym trudniej zauważyć, że jego ogólna konstrukcja jest błędna. Jest to szczególnie częste, gdy za etap tłumaczenia maszynowego odpowiadają modele LLM.
4. Praca przy błędnych założeniach co do wydajności. MTPE jest często wyceniane tak, jakby tekst z maszyny gwarantował przewidywalną oszczędność ludzkiego wysiłku. Tak nie jest. Stopień trudności zmienia się w zależności od segmentu, pary językowej, dziedziny i rodzaju błędu, a wycena nastawiona na szybkość może zniechęcać do sprawdzania terminologii, nawet jeśli klienci wciąż oczekują perfekcji. To tłumacz ponosi koszty tej zmienności: łatwe segmenty uzasadniają niższą stawkę, ale te trudne po cichu niwelują wszelkie oszczędności czasu.

Formaty, ograniczenia terminologiczne, zablokowane segmenty i zasady lokalizacji wciąż mają znaczenie, ale są to elementy, które proces powinien wymuszać na wcześniejszym etapie – na przykład poprzez glosariusze, przewodniki stylistyczne czy pamięć tłumaczeniową.

Prawdziwy problem z MTPE polega na tym, na co edytor musi pożytkować swoje wyczucie: na wyłapywanie zwodniczo płynnych błędów, dobieranie właściwego stopnia ingerencji i opieranie się sugestiom maszyny – a wszystko to bez pozwalania, by model wyceny dyktował jakość.

Dlatego szybko doszedłem do wniosku, że interaktywny proces z wczesnym udziałem człowieka przynosi lepsze efekty niż ekran masowego poprawiania tekstu. Ale czy branża nie doszła do tego już wcześniej?

Jak mierzyć jakość MTPE: BLEU i nie tylko

MTPE ma problem z mierzalnością: jakość jest po części subiektywna. Najbardziej znanym w branży automatycznym wskaźnikiem jest BLEU (Bilingual Evaluation Understudy), który porównuje tłumaczenie maszynowe z jednym lub kilkoma wysokiej jakości ludzkimi tłumaczeniami referencyjnymi.

Działa on tak, że dzieli tekst z maszyny na krótkie sekwencje słów – zazwyczaj od jednego do czterech – i sprawdza, ile z nich pojawia się również w tłumaczeniach referencyjnych. Liczba powtarzających się dopasowań jest ograniczona, aby system nie mógł sztucznie zawyżać wyniku poprzez powielanie poprawnego słowa, a tzw. kara za zwięzłość obniża ocenę, jeśli tłumaczenie okazuje się podejrzanie krótkie.

BLEU łączy te pomiary zbieżności w wynik z przedziału od 0 do 1, zazwyczaj prezentowany w skali 0–100. Wyższa wartość oznacza dobór słów bliższy tekstom referencyjnym, co niekoniecznie przekłada się na lepsze oddanie sensu.

Moim zdaniem w 2026 roku nie jest to już zbyt użyteczna metryka, a oto dlaczego:

Wyniki BLEU można sensownie porównywać tylko wtedy, gdy silniki są testowane na tym samym zestawie danych przy identycznej konfiguracji punktacji, nie istnieje więc uniwersalny próg typu „50 to dobrze, 10 to źle”. Ich praktyczna wartość tkwi w kontrolowanych porównaniach typu „przed i po”.

W jednym ze studiów przypadku TAUS trenowanie na 172 980 segmentach francusko-niemieckich z wąskiej dziedziny prawniczej pozwoliło uzyskać dodatkowe 7,23 punktu BLEU, co przełożyło się na 19-procentową poprawę względną. W oddzielnym przypadku z branży lotniczej (rosyjsko-angielski) oczyszczona pamięć tłumaczeniowa zawierająca milion segmentów podniosła wynik Globalese z 23,6 do niemal 51 punktów BLEU – to wzrost o 115,5%. Skala poprawy różni się znacznie w zależności od dziedziny, pary językowej, silnika bazowego i jakości danych, ale oba te przykłady pokazują, dlaczego trafne, starannie oczyszczone pamięci tłumaczeniowe mogą dawać lepsze rezultaty niż ogólne dane treningowe.

Jednak BLEU to wskaźnik podobieństwa, a nie poprawności. Płynne, brzmiące pewnie, ale błędne tłumaczenie może otrzymać wysoką notę; z kolei zupełnie poprawne, alternatywne sformułowanie, które akurat nie pokrywa się z tekstem referencyjnym, może zostać ocenione nisko. Zatem BLEU wyznacza poziom bazowy (informuje, że surowy przekład maszynowy jest w przyzwoitym stanie), podczas gdy to ludzka weryfikacja wciąż rozstrzyga, czy tłumaczenie jest poprawne, zgodne z wizerunkiem marki i gotowe do publikacji.

Zespoły coraz częściej uzupełniają te pomiary oceną jakości typu LLM-as-judge, ale samo w sobie nie ma to większego sensu.

Problemy z MTPE w tradycyjnym wydaniu

W tym miejscu kończę opis i przechodzę do argumentacji. Moja teza brzmi:

Decyzję podjętą na stronie 2 – ta postać ma mówić formalnie, przerób tę grę słów, by nawiązywała do lokalnego polityka, nie latynizuj tej nazwy miejscowej – można wprowadzić z powrotem do systemu, aby ponownie wygenerować resztę dokumentu.

Przykłady i multi-shot prompting czynią cuda w przypadku modeli LLM nawet bez zaawansowanej inżynierii kontekstu i nawet jeśli kontekst nie jest dopasowany w stu procentach. Dołączenie odpowiednich przykładów gatunkowych, nawet w *innym *języku, przyniosło znaczącą poprawę w wewnętrznych testach porównawczych Transept.

Uruchomienie najpierw pełnego przebiegu maszynowego to zużywanie kredytów obliczeniowych na generowanie stron, które człowiek i tak częściowo odrzuci, oraz marnowanie ludzkiego czasu na urabianie surowego, „zimnego” tekstu.

Ponadto model jest znacznie szybszy od człowieka. Nie trzeba przygotowywać szkicu wszystkich 10 000 słów, zanim tłumacz zacznie pracę.

Lepszy model pracy z MTPE zakłada wygenerowanie pierwszych kilku tysięcy słów i oddanie kluczowych decyzji w ręce tłumacza. System kontynuuje potem pracę, bazując na tych wyborach oraz pamięci tłumaczeniowej w kontekście, podczas gdy człowiek jest dopiero na piątej stronie. Testy Transept wykazały, że nawet lakoniczne *komentarze *do nieprzetłumaczonego tekstu źródłowego, nakreślające ogólny kierunek obrany przez tłumacza, wymiernie poprawiły jakość późniejszych wyników.

Kolejne strony trafiają do nas już ukształtowane przez wcześniejsze decyzje, a nie jako jednolita masa byle czego, którą ktoś musi dopiero prostować.

Nic z tego nie oznacza, że MTPE to błąd. W przypadku masowych treści o niskim priorytecie pełny przebieg maszynowy i lekka korekta to efektywny wybór, choć praca ta nie należy do najprzyjemniejszych.

Jednak gdy treść ma znaczenie, model seryjny sprawia, że tracimy zarówno na jakości, jak i na pieniądzach. A dzieje się tak dlatego, że na krótką metę podejście iteracyjne wydaje się droższe.

Zazwyczaj wcale tak nie jest.

Lepszy sposób: włącz człowieka na wczesnym etapie

Wszystko to sprowadza się do jednego: wprowadź ludzki osąd do systemu, zanim maszyna wygeneruje pełny szkic, i pozwól pamięci tłumaczeniowej nieść te decyzje dalej. Kluczowe znaczenie mają tu cztery praktyki.

Najpierw bądź redaktorem, potem tłumaczem. Zanim cokolwiek wygenerujesz, przeczytaj tekst źródłowy i zostaw konkretne uwagi przy najważniejszych fragmentach: ten żart musi zostać zachowany; ten termin jest kluczowy; tutaj możemy odejść od oryginału, aby zachować sens. Następnie wygeneruj szkic oparty na tych uwagach oraz pamięci tłumaczeniowej.

Postedycja szkicu, który uwzględnia już twoje intencje, jest znacznie mniej nużąca niż dopracowywanie surowego tekstu. Mówię to jako ktoś, kto wielokrotnie robił obie te rzeczy przy własnej książce.

Zasilaj pamięć swoimi najlepszymi tekstami (o ile twoje MT to potrafi). Pamięć tłumaczeniowa jest niedoceniana w pracy z AI. W przypadku trudnego fragmentu lub wymagającej pary językowej przetłumacz kilka fragmentów w pełni ręcznie i wprowadź je do systemu; model znacznie lepiej przejmuje styl i rejestr z autentycznych przykładów niż z jakichkolwiek instrukcji.

Sama pamięć tłumaczeniowa potrafi zadbać o spójność stylu w długim tekście. Znalezienie odpowiedniego przykładu z przeszłości (za pomocą wyszukiwania semantycznego i rozmytego) to sztuka sama w sobie, ale stworzenie dobrego jest jeszcze trudniejsze. Wymaga to również ludzkiego wsparcia – istnieje bowiem mnóstwo statystycznie poprawnych sposobów na oddanie danego zdania, a tylko ty wiesz, który z nich jest naprawdę „twój”.

Nie wszystkie narzędzia potrafią jednak wykorzystać pamięć tłumaczeniową do generowania tekstów o dobrym stylu. W Transept przeprowadziliśmy szeroko zakrojone badania (opisane w naszym eseju na temat pamięci tłumaczeniowej w lokalizacji AI), aby upewnić się, że zatwierdzone przez człowieka segmenty oraz stojący za nimi kontekst i historia prac poprawiają jakość tłumaczeń LLM.

Stosuj kilka modeli sekwencyjnie, zamiast jednego wielkiego. Jeden wniosek potwierdził się zarówno w badaniach akademickich, jak i naszych wewnętrznych testach: kaskada ról AI przewyższa pojedynczy przebieg silnego modelu, oferując jednocześnie lepszą jakość i niższe koszty.

Przygotuj szkic tanim, szybkim modelem. Niech mocny model go przeanalizuje i wskaże, co należy poprawić. Następnie niech szybki model wdroży te uwagi.

Wychodzi to taniej niż zlecanie wszystkiego jednemu mocnemu modelowi. Co więcej, zazwyczaj jest to lepsze. To było dla mnie spore zaskoczenie – nie mogłem uwierzyć, że połączenie mocnych i słabych modeli może dać lepsze rezultaty niż sam duży, potężny model.

Ale to działa. Moja hipoteza jest taka, że krytyczna ocena i generowanie to odmienne zadania i wzorce aktywacji. Rozdzielenie ich pozwala wykorzystać atuty każdego modelu i zmniejsza „obciążenie poznawcze”, co pomaga lepiej ukierunkować wysiłek.

W gruncie rzeczy to fundament całego paradygmatu wieloagentowego: model potrafi sam naprawiać własne błędy, jeśli zostanie wywołany z innymi ustawieniami i zadaniami.

Zadbaj o odpowiednie zaplecze. Prawdziwa wydajność bierze się z API, a nie z aplikacji czatowych, w których długie prompty systemowe i cała otoczka produktowa tylko przeszkadzają.

Tłumacze często nie doceniają efektów pracy LLM, bo są one „źle przyrządzone” – zupełnie jak stek z tuńczyka w ciemnym sosie sojowym z sezamem w niczym nie przypomina jałowej ryby z puszki, którą zwykle znamy jako tuńczyka.

Zadbaj o to, by dane wejściowe były czyste i zoptymalizowane pod kątem pamięci podręcznej, a spadną zarówno koszty, jak i opóźnienia. Sprawdź, ile dodatkowego kontekstu (TM, decyzji, wytycznych) jest w stanie udźwignąć model, i nasycaj go nim aż do momentu, gdy wyniki w testach porównawczych zaczną spadać. Potrzebujesz solidnych benchmarków w wielu językach, aby naprawdę wiedzieć, czy właściwie prowadzisz model.

W Transept spędziliśmy trzy lata na badaniach i eksperymentach na własnych tekstach, aby to wszystko rozgryźć.

Narzędzie, którego mi brakowało przy tłumaczeniu powieści: odpowiedź Transept na MTPE

Zdyscyplinowany tłumacz z technicznym zacięciem może samodzielnie odtworzyć taki proces za pomocą API modeli, pamięci tłumaczeniowej i cierpliwości. Jednak sprawienie, by MTPE z udziałem człowieka działało *znakomicie, *dając zarówno radość, jak i świetne efekty, wymaga mnóstwa pracy badawczej.

Stworzyliśmy Transept, ponieważ to właśnie ręczne składanie tych wszystkich elementów najbardziej nas irytowało podczas pracy nad własnymi, obszernymi tekstami.

Przekuliśmy tę wizję w jedno środowisko pracy: instruuj model na wczesnym etapie, zachowuj podjęte decyzje, przeprowadzaj wyspecjalizowane etapy prac i weryfikuj tekst lokalnie.

Instruuj przed generowaniem. Edytor dokumentów trzyma w jednym miejscu oryginał, tłumaczenie i otaczający je kontekst. Tłumacz może skomentować blok, wygenerować ponownie jedno zdanie ze wskazówką, porównać warianty lub edytować tekst ręcznie bez wpływu na resztę. Komentarze i wątki recenzji pozostają przypisane do tekstu, więc polecenie „zachowaj tę metaforę” staje się trwałą decyzją, zamiast przepaść w logach czatu.

Przechowywane są nawet te warianty, które odrzucisz: porzucone sformułowanie wraz z notatką, dlaczego z niego zrezygnowano, stają się częścią zasobów, z których może skorzystać kolejny etap prac. Zobacz warianty tłumaczenia oraz sposób, w jaki pamięć tłumaczeniowa traktuje dawne decyzje jako kontekst.

Zamieniaj decyzje w pamięć. Pamięć tłumaczeniowa Transept przywołuje zatwierdzone tłumaczenia wraz z kontekstem podjętych decyzji do późniejszych zadań. Glosariusze utrwalają nazwy własne, terminy produktowe i ustalone sposoby zapisu, a styleguide’y dbają o ton, rejestr, rytm i konwencje. Oba te elementy mogą być generowane automatycznie na podstawie Twoich wcześniejszych, sprawdzonych tekstów lub materiałów brandingowych klienta, a następnie weryfikowane przed przekazaniem ich do AI.

Rozdzielaj etapy. Zamiast prosić jeden model, by za jednym razem przetłumaczył, ocenił i oszlifował tekst, Transept pozwala ustawić te zadania w sekwencji. Smart Proofread ponownie analizuje tłumaczenie pod kątem oryginału, glosariusza i styleguide’u, a następnie wyłapuje pominięcia, błędy terminologiczne czy niedopasowanie rejestru, przedstawiając je jako poprawki do zatwierdzenia.

Oferujemy również gotowe procesy, takie jak Tłumaczenie, korekta i szlifowanie, które łączą tłumaczenie, korektę, szlifowanie i kontrolę jakości (QA) w sytuacjach, gdy koordynacja procesów jest ważniejsza niż ręczne sterowanie. Rozwiązanie to sprawdza się również w przypadku wielu wersji językowych tego samego dokumentu!

W przypadku obszernych dokumentów opracowaliśmy również rozwiązanie pozwalające wielu agentom na wspólną pracę nad tym samym tekstem. Współdzielą oni i aktualizują styleguide’y oraz glosariusze, a dzięki specjalnej pamięci gradientowej synchronizują podejmowane decyzje.

Weryfikuj lokalnie, skaluj globalnie. Postedycja odbywa się na poziomie bloku lub zdania: porównuj warianty, generuj ponownie pojedyncze linijki, akceptuj sugerowane poprawki lub redaguj tekst samodzielnie. Literess pomoże Ci przeprowadzić proces i wyłapie odchylenia, podczas gdy tłumaczenie wsadowe zastosuje wspólny kontekst, glosariusze, styleguide’y i kontrolę jakości dla wielu plików jednocześnie, nie zamieniając przy tym projektu w arkusz kalkulacyjny.

A jeśli wbudowane etapy nie układają się w taką sekwencję, jakiej potrzebujesz, możesz zbudować własny proces krok po kroku: wybierz poszczególne kroki, zatrzymaj dowolny z nich do weryfikacji i uruchom całość, widząc koszt jeszcze przed startem.

Jestem szczerze dumny z pracy, jaką wykonaliśmy w Transept. Te funkcje pomagają zmaksymalizować wpływ cennego czasu i talentu człowieka na to, jak pracują modele LLM.

Wciąż mnie dziwi, że tak niewielu zawodowych tłumaczy wierzyło, że to wszystko da się osiągnąć. Technicznie rzecz biorąc, stworzenie interaktywnego procesu MTPE było możliwe już w 2023 roku, a to przecież dopiero początek drogi.

Najlepsze praktyki MTPE: lista kontrolna

Nawet jeśli Transept nie zrobił na Tobie wrażenia (niesłusznie), oto lista wszystkiego, czego musisz się dowiedzieć o MTPE i o tym, jak sprawić, by praca ta była mniej dobijająca.

• Zaangażuj człowieka na wczesnym etapie. Przekaż wskazówki do kluczowych fragmentów przed generowaniem, a nie po fakcie.
• Zasil pamięć konkretnymi przykładami. Przetłumacz samodzielnie kilka najtrudniejszych fragmentów, by model mógł przejąć ich styl.
• Stosuj kaskadę modeli. Tani szkic, wnikliwa krytyka, szybkie nanoszenie poprawek. To rozwiązanie przewyższa jeden duży model pod względem jakości i kosztów.
• Podziel treści na kategorie. Wybierz masowe MTPE dla mniej istotnych tekstów; szlifuj te, które decydują o wizerunku marki.
• Zadbaj o terminologię na wczesnym etapie. Reguły „nie tłumacz” i zakazane terminy docelowe eliminują najczęstsze i najbardziej szkodliwe błędy u źródła.
• Uważaj na odchylenia w lokalizacji i rejestrze. Wariant regionalny, stopień formalności i konsekwencja w stosowaniu zaimków to elementy, które odróżniają naturalnie brzmiące tłumaczenie od tekstu „skleconego przez komitet”.
• Kontroluj jakość płynnych tekstów jeszcze surowiej. Im lepiej czyta się surowy przekład maszynowy, tym łatwiej przeoczyć w nim pominięcia.

---

MTPE nigdzie się nie wybiera i dla wielu rodzajów treści jest odpowiednim narzędziem. Jednak model pracy oparty na zasadzie „najpierw przetłumacz wsadowo, potem popraw” to ślepy zaułek w historii technologii tłumaczeniowych.

Naprawienie tego jest koncepcyjnie proste. Zaangażuj człowieka na wczesnym etapie, zasil kontekst konkretnymi przykładami i pamięcią, pozwól tanim modelom tworzyć szkice, a silnym je oceniać – w ten sposób otrzymasz lepsze tłumaczenie niższym kosztem. To rozwiązanie, na którym skorzystają zarówno agencje, jak i tłumacze.

Jeśli chcesz na własne oczy przekonać się, jak działa pętla z udziałem człowieka na wczesnym etapie, zacznij od dokumentu; darmowy plan obejmuje pierwsze tłumaczenie bez podpinania karty.

Jeśli wolisz najpierw zadać pytania, zapytaj Literess lub znajdź mnie tam, gdzie dotarł do Ciebie ten przewodnik.