Translated ha portato in disponibilità generale Lara 3, nuova generazione del proprio modello specializzato nella traduzione, rendendolo accessibile ad aziende, traduttori professionisti e singoli utenti tramite Lara API, TranslationOS e Lara Translate. La release pubblica segue una distribuzione limitata a partner selezionati iniziata a luglio e nasce con un’impostazione differente rispetto ai modelli general purpose: Lara è progettato attorno ai problemi tipici della localizzazione professionale, nei quali una traduzione grammaticalmente corretta può comunque essere inutilizzabile se modifica un termine di prodotto lungo un manuale, perde il contesto di una conversazione di assistenza oppure altera voce e intenzione di una campagna. Translated concentra quindi l’architettura non semplicemente sulla fluidità del testo prodotto ma sulla continuità terminologica, sull’utilizzo del contesto e sulla capacità di adattare la traduzione al materiale nel quale verrà effettivamente inserita.
Nei benchmark interni pubblicati dall’azienda, traduttori professionisti hanno classificato come perfetto, e quindi non bisognoso di alcuna modifica, l’82% degli output prodotti da Lara 3. La valutazione comprende 16.800 traduzioni dall’inglese verso 21 lingue utilizzate nella localizzazione enterprise e combina materiale proveniente da WMT25 — inclusi libri, notizie e conversazioni fra utenti — con contenuti proprietari nei settori travel, tecnologia e finanza. Calcolando la percentuale media di traduzioni considerate perfette sui 21 language pair, Lara 3 raggiunge l’82%, GPT-5.6 Sol il 69%, Claude Fable 5 il 67%, DeepL il 57% e Google Translate il 53%. Secondo Translated, Lara 3 arriva al primo posto in 20 delle 21 combinazioni linguistiche considerate.
La metodologia resa pubblica da Lara prevede che una traduzione venga giudicata attraverso una decisione di maggioranza di almeno due dei tre traduttori professionisti coinvolti. I risultati rimangono naturalmente relativi al dataset e alle direzioni linguistiche effettivamente misurate: una media elevata dall’inglese verso determinate lingue non dimostra automaticamente prestazioni equivalenti nella direzione inversa o in domini non presenti nel test. Il dato è però utile per osservare l’obiettivo del modello, cioè diminuire il volume delle correzioni umane necessarie dopo la generazione. Per un workflow di localizzazione, infatti, l’utilità economica di un sistema non dipende soltanto dalla velocità con cui produce una frase ma anche dal numero di segmenti che devono essere successivamente ricontrollati, riscritti o uniformati alla terminologia del cliente.
Lara 3 utilizza un processo di training che Translated definisce “learning by doing”. L’imitazione di traduzioni esistenti rimane il punto di partenza, ma il modello viene successivamente allenato a generare alternative per lo stesso contenuto. Un giudice automatico, costruito utilizzando l’esperienza dei revisori professionisti, valuta le differenti proposte e il modello rafforza le soluzioni migliori correggendo quelle meno efficaci. Translated afferma che questo ciclo viene ripetuto milioni di volte durante il training. Non si tratta quindi di un meccanismo nel quale il modello si riaddestra ogni volta che riceve una traduzione da un cliente: ciò che viene appreso attraverso questa pratica è incorporato nel modello prima del deployment. L’impostazione cerca di affrontare una caratteristica specifica della traduzione, dove più formulazioni possono essere linguisticamente corrette ma soltanto alcune risultano appropriate al documento, al pubblico e al contesto nel quale vengono utilizzate.
La gestione del contesto continua durante l’inferenza. Quando Lara traduce singole frasi appartenenti a un documento più lungo, può ricevere anche i passaggi circostanti e utilizzare tali informazioni senza dover necessariamente elaborare l’intero documento come una sola sequenza. I segmenti possono quindi essere tradotti parallelamente mantenendo però il contesto necessario per interpretare termini ambigui, riferimenti e continuità stilistica. Gli sviluppatori possono inoltre fornire informazioni esterne che devono guidare la traduzione senza essere tradotte: il titolo di un post può per esempio essere accompagnato dal corpo dell’articolo oppure un nuovo messaggio di chat può essere associato alle battute precedenti della conversazione. La funzione è particolarmente utile nei software di traduzione professionale, che normalmente dividono un documento in segmenti separati prima dell’elaborazione.
Glossari e translation memory approvate dall’organizzazione possono essere aggiunti come ulteriori livelli di controllo terminologico. Questo consente di mantenere lo stesso nome per un prodotto, una funzione, una procedura o un concetto su siti web, manuali, assistenza clienti e materiale marketing anziché lasciare che il modello scelga ogni volta un sinonimo differente. L’API non è limitata al plain text: la piattaforma Lara dichiara supporto per HTML e XLIFF, documenti, immagini e audio e più di 70 formati documentali con conservazione del layout, oltre all’integrazione di glossary e translation memory. La copertura varia però a seconda del tipo di input, quindi il numero di lingue disponibile per il testo non va automaticamente interpretato come identico per audio, immagini e ogni altra modalità.
Translated pubblica inoltre benchmark separati dedicati alla velocità e al costo. In un test single-thread l’azienda afferma che Lara 3 abbia raggiunto un throughput 23 volte superiore rispetto a Claude Fable 5 e abbia tradotto 3,75 volte più caratteri con lo stesso budget. Questi valori non fanno parte della valutazione qualitativa delle 16.800 traduzioni e dipendono dalla specifica configurazione utilizzata nel confronto, ma indicano che l’azienda sta posizionando il modello anche come componente destinato a workload di localizzazione su larga scala. Translated, fondata nel 1999 dalla linguista Isabelle Andrieu e dall’informatico Marco Trombetti, dichiara di servire oltre 300.000 clienti, coprire circa 200 lingue e più di 40 aree tematiche; Lara 3 applica quindi alla generazione AI un insieme di requisiti maturati all’interno di workflow di traduzione nei quali consistenza e quantità di editing umano residuo sono parte integrante della qualità del risultato.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)