InterMINDia pyörittävien neljän käännösputken sisällä

Mind.comin vanha sivu /product/overview/how-it-works on monta suurta julkaisua jäljessä. Se kuvaa yhden ”käännösmoottorin” niin kuin useimmat toimittajien sivut: yksi iso nuoli kohdasta ”sinä puhut” kohtaan ”he kuulevat”. Jo kaksi vuotta sitten kuva oli yksinkertaistus. Nyt se on väärä.

Tosiasia on, että InterMIND ajaa neljää erillistä käännösputkea. Jokainen ratkaisee eri ongelman eri moottorilla, eri viivebudjetilla ja eri laatuvaatimuksilla. Putket jakavat kielivalitsimen, mutta eivät moottoria.

Tämä on päivitetty vastaus kysymykseen ”miten tämä toimii”.

Kumppanijuttu: ”Kuinka montaa kieltä tuette?” kertoo, mitä kukin putki kattaa (23 / 23 / 30 / 17). Tämä kirjoitus kertoo, mitä kukin putki tekee – ja miksi se on oma erillinen asiansa.

Miksi ”yksi moottori kaikkeen” on harhaa

Live-kokousalustalla on vähintään neljä tehtävää hoidettavana yhtä aikaa, ja ne vetävät yhteensopimattomiin suuntiin:

1. Reaaliaikainen puhe – ääni sisään, käännetty ääni ulos puhujan vielä puhuessa, jokaiselle katsojalle omalla kielellään. Kovin rajoite on viive.
2. Reaaliaikainen chat-teksti – lyhyet viestit nopeasti, muokkaukset, lainaukset ja HTML-rakenne säilyttäen.
3. Reaaliaikaiset jaetut muistiinpanot – yhteistyönä merkki merkiltä kirjoitettu teksti, jonka rakenteellisen hierarkian (listat, otsikot, valintaruudut) on selvittävä käännöksestä ehjänä.
4. Asynkroniset asiakirjatiedostot – chattiin pudotettu 40-sivuinen PDF. Viivebudjettia ei ole. Kovin rajoite on tarkkuus: muotoilu, taulukot, sivunumerot, fontti.

Voit rakentaa yhden jättimäisen LLM-kutsun, joka yrittää hoitaa kaikki neljä. Me yritimme. Se on huono kaikissa neljässä. Puheen viivebudjetin takia malli ei ehdi ajatella, ja asiakirjojen tarkkuusbudjetin takia sen täytyy. Chat-muokkaus tarvitsee eron katsojan omalla kielellä, ja 40-sivuinen PDF tarvitsee muotoilun säilyttämistä, jota mikään tokeneita suoratoistava malli ei tarjoa.

Siksi ajamme neljää putkea. Tässä ne ovat.

Putki 1: Reaaliaikainen puheen käännös

Ongelma: Yksi osallistuja puhuu ranskaa. Toinen liittyi saksaksi, kolmas brasilianportugaliksi ja neljäs japaniksi. Jokaisen on kuultava puhuja omalla kielellään omassa korvassaan niin pienellä viiveellä, että katsekontakti säilyy mahdollisena.

Budjetti: kuuntelijan ei pidä koskaan joutua odottamaan. Kun käännetty puhe jää niin paljon jälkeen, että ihmiset alkavat puhua sen päälle, kokous ajautuu kohti ”vaihdetaan nyt vain englantiin”.

Miten ääni todellisuudessa liikkuu

Muutama asia kannattaa sanoa suoraan:

• ASR toimii mediapalvelimella. Puhujan ääni kulkee WebRTC:n kautta omalle moottorillemme, eli Mind API:lle OVH:lla Ranskassa, ja tunnistetaan siellä samalla palvelimella, joka kuljettaa puhelun. Selain vain lähettää ääntä ja vastaanottaa sanat takaisin. Erillistä puheentunnistustoimittajaa ei ole, eikä ylimääräistä hyppyä ennen kuin käännös voi alkaa. (Chatin ääniviestit ovat poikkeus: niiden puheesta tekstiksi -muunnos ajetaan Azure AI Speechillä, oletusarvoisen tekoälyyhdyskäytävän puhepalvelulla.)
• Käännös ei ole yksi haarautuma. Moottori kääntää jokaiselle huoneessa läsnä olevalle kohdekielelle, ei jokaiselle katsojalle: käännös kielelle alkaa, kun ensimmäinen sitä kuunteleva pyytää käännettyä streamia. Kolme saksan valinnutta osallistujaa jakavat yhden saksankielisen käännöksen, eikä arabiaksi käännetä mitään, jos kukaan ei kuuntele arabiaksi. Siksi nelikielinen kokous maksaa saman kuin neljänkymmenen kielen kokous, kunhan otetaan huomioon, ketkä todella paikalle tulivat: emme koskaan käännä kielille, joita kukaan osallistuja ei kuuntele.
• Syntetisoitu puhe on katsojakohtaista. Jokainen osallistuja saa oman käännetyn ääniraitansa, joka miksataan alkuperäisen puhujan videon kanssa. He eivät katso yhteistä ”käännettyä kokousta” vaan samaa kokousta, jonka henkilökohtainen äänikanava on käännetty heidän valitsemalleen kielelle. Siksi kaksi ihmistä samassa fyysisessä huoneessa voi kumpikin laittaa kuulokkeet päähän ja kuulla eri kieliä.

Miksi tällä on väliä, kun kokous menee pieleen

60 minuutin puhelussa, jossa on kahdeksan kieltä, asiat rikkoutuvat mielenkiintoisilla tavoilla: WebSocket-yhteydet katkeavat, ASR tunnistaa väärin erisnimen, jonkun verkkoyhteys alkaa pätkiä. Yllä kuvattu arkkitehtuuri antaa meidän eristää viat: yhden katsojan äänen pätkiminen ei vaikuta muihin seitsemään, koska käännösmoottori ei koskaan tuottanut ”sitä käännöstä” vaan kahdeksan rinnakkain, ja vain vaikutuksen kohteeksi joutuneen täytyy toipua.

Moottori itsessään on meidän oma ja pyörii omassa infrastruktuurissamme. Emme reititä reaaliaikaista puhetta kolmansien osapuolten yleiskäyttöisten LLM-mallien kautta. Viivebudjetti sulkee ne pois, ja datan sijaintia koskevat vaatimukset sulkevat ne pois säännellyiltä asiakkailta, joille ne todella ovat tärkeitä.

Mitä puheen laadusta julkaisemme: /benchmark ajaa tuotantopuheputken FLORES-200-lauseita vasten jokaiselle julkaistulle kielipareille kuukausittain. Arvioija on nimetty (ensisijaisesti Gemini 3.7 Flash, varalla Claude Sonnet 5). Koko jakauma – mediaani, p10, p90, minimi, maksimi ja otoskoko – on sivulla. Katso metodologia, mitä nämä luvut mittaavat ja mitä eivät.

Putki 2: Reaaliaikainen chat-käännös

Ongelma: Jokainen kokouksen chat-viesti käännetään jokaiselle osallistujalle omalle kielelleen lähetyshetkellä. Lisäksi muokkaukset, joiden pitää näyttää muokkauksilta eikä uudelleenkäännöksiltä.

Budjetti: väljempi kuin puheella. Chat-viestin ilmestyminen toisella kielellä saa kestää hetken, eikä kukaan välitä. Ihmisiä kiinnostaa, onko käännös oikein ja ovatko muokkaukset järkeviä.

Mitä chat-putki todella tekee

Jokainen viesti kulkee saman käännösmoottorin läpi kuin puheputkessa, mutta eri esi- ja jälkikäsittelyllä:

• HTML-rakenne säilytetään. Chat tukee rikasta tekstiä (kappaleet, listat, lainaukset, lihavointi, kursivointi). Muunnamme sen malleille pelkäksi tekstiksi, käännämme ja kääräisemme tuloksen takaisin alkuperäisiin tageihin. Malli ei koskaan näe HTML:ää, vaan puhdasta proosaa.
• Lainaukset käännetään erikseen. Jos vastaat viestiin ja lainaat sitä, [QUOTE]…[/QUOTE]-lohko ja uusi sisältö käännetään erillisinä yksikköinä, jotta malli ei sekoita niitä keskenään.
• Pitkät viestit pilkotaan. Jaamme tekstin kappalerajoilta 1 000 merkin paloihin. Jokainen pala on oma käännöskutsunsa. Emme syötä mallille 4 000 merkin romaaneja kerralla, koska vikatilat (katkeaminen, kadonneet kappaleet, kesken lauseen päättyvä teksti) ovat liian rumia.
• Käännös on laiska. Käytämme IntersectionObserveria: viesti käännetään vasta, kun se vierittyy katsojan näkymään. Kielen vaihtaminen pitkään käynnissä olleella kanavalla toisti ennen kaikki historian käännös-API-kutsut. Nyt se ei tee niin.

Mielenkiintoinen osuus: muokkaukset eroina

Versiossa v1.2 muutimme sitä, miten chat-muokkaukset käyttäytyvät toisella kielellä olevalle katsojalle. Aiemmin kävi niin, että kun joku muokkasi viestiä, käänsimme koko viestin uudelleen, ja sinä näit uuden kappaleen ja sait itse huomata, mikä oli muuttunut.

Uusi toiminta:

1. Alkuperäinen viesti oli jo käännetty sinun kielellesi.
2. Kun lähettäjä muokkaa, käännämme uuden version.
3. Laskemme eron sinun edellisen käännöksesi ja uuden käännöksesi välillä sinun kielelläsi.
4. Näytämme eron rivinsisäisesti, samaan tapaan kuin Git näyttää, mikä on muuttunut.

Kun siis englanninkielinen ”review by Tuesday” muuttuu muotoon ”review by Thursday”, espanjaa lukeva kollegasi näkee korostettuna martes → jueves, ei uudelleen käännettyä kappaletta, jonka joutuisi lukemaan uudestaan.

Tämä vaati chat-putken kohtelemista tilallisena katsojakohtaisena välimuistina, ei tilattomana käännä-pyynnöstä-päätepisteenä. Asiakirjat ja puhe eivät tarvitse tätä. Chat tarvitsee.

Putki 3: Reaaliaikainen jaettujen muistiinpanojen käännös

Ongelma: Isäntä avaa jaettujen muistiinpanojen ruudun ja alkaa kirjoittaa. Jokainen osallistuja näkee muistiinpanot omalla kielellään merkki merkiltä, ja dokumentin rakenne – otsikot, sisäkkäiset listat, tehtävälistat, koodilohkot – säilyy ehjänä.

Budjetti: Sama kuin chatissa, mutta kahdella lisärajoitteella:

• Käännettävä asia muuttuu kesken käännöksen. Isäntä kirjoittaa yhä. Naiivi järjestelmä, joka kääntää ”koko dokumentin” jokaisella näppäinpainalluksella, tuottaa välkettä ja polttaa API-budjetin. Käännämme muuttuneen yksikön tarkkuudella, emme koko dokumenttia.
• Rakenteen on säilyttävä. Jos pyydät käännösmallia kääntämään markdown-möykyn, jossa on kolme sisäkkäistä listaa, saat takaisin jotain, mikä näyttää alkuperäiseltä mutta jonka hierarkia on hienovaraisesti litistynyt, kohteet numeroitu uudelleen tai sisennykset siirtyneet. Emme anna mallin nähdä koko möykkyä.

Miten muistiinpanoputki eroaa chatista

Rakenteen säilyttäminen on tärkein asia. Käännämme jokaisen listakohdan erikseen emmekä yhtenä dokumenttina. Malli näkee:

”Compliance review — Q2 deliverables”

– ei tätä:

”# Project plan\n## Quarter\n- Compliance review — Q2 deliverables\n- Vendor scoring\n - Tier 1 vendors...”

Ympäröivä dokumentti – <ul>, otsikot, sisennys – rakennetaan uudelleen asiakaspuolella samalla rakenteella kuin alkuperäisessä, ja jokainen lehtisolmu vaihdetaan käännökseensä. Malli ei koskaan pääse ”parantamaan” hierarkiaa.

Muistiinpanot käyttävät myös samaa katsojakohtaista eromallia kuin chat-muokkaukset: jos isäntä muuttaa rivin, muunkieliset katsojat näkevät muuttuneet sanat korostettuina, eivät uutta kappaletta.

Putki 4: Asynkroninen asiakirjojen käännös

Ongelma: Joku pudottaa chattiin 40-sivuisen PDF:n, Word-dokumentin, PowerPoint-esityksen tai Excel-taulukon. Jokainen osallistuja voi pyytää kopion omalla kielellään. Käännetyn tiedoston pitää näyttää alkuperäiseltä: samat fontit, samat taulukot, samat sivunumerot, samat ylätunnisteet, samat kaaviot paikoillaan.

Budjetti: Ei reaaliaikaista rajoitetta. Minuutti on ok. Kaksi minuuttia on ok. Rajoite on tarkkuus: jos käännetty PDF ei näytä alkuperäiseltä, vastaanottaja ei luota siihen.

Miksi tämä putki ei jaa moottoria puheen kanssa

Yleiskäyttöinen LLM, vaikka kuinka hyvä, palauttaa dokumentista käännetyn tekstin. Se ei palauta käännettyä PDF:ää, jolla on sama taitto. Mallilla ei ole käsitystä ”sivunvaihdosta, jonka täytyy täsmätä lähteeseen” tai ”taulukon solusta, jonka täytyy säilyttää sarakkeensa leveys”.

Tähän pintaan käytämme suoraan DeepL Document API:a. Se on rakennettu kääntämään tiedostoja tiedostoina, ei tiedostoista irrotettua proosaa. DeepL käsittelee:

• PDF (taitto säilyttäen)
• DOCX, DOC
• PPTX
• XLSX

Asiakirja ladataan DeepLin putkeen, käännetään palvelinpuolella muotoilu ehjänä ja palautetaan samassa formaatissa. Tämän jälkeen lataamme tuloksen omaan objektitallennukseemme ja tuomme sen takaisin chattiin ladattavana liitteenä.

Mitä tämä maksaa ja miksi emme piilota sitä

DeepL laskuttaa vähintään 50 000 merkkiä asiakirjaa kohden – Pro-tasolla noin yhden Yhdysvaltain dollarin tiedostolta riippumatta siitä, onko dokumentti yksi sivu vai kolmekymmentä. Absorboimme tämän kustannuksen emmekä veloita tiedostokohtaisesti. Se näkyy kokouksen käännöskäytössä laskutettuina merkkeinä, jotka muunnetaan sanayksiköiksi vastaamaan tapaa, jolla muu tuote raportoi käännösaktiviteettia.

Valitsimme DeepLin tähän pintaan, koska tiedostojen kääntäminen tiedostoina on täsmälleen se työ, johon se on rakennettu – emme yrittäneet rakentaa parempaa. Sama ei päde toisinpäin: DeepL ei aja live-puheputkea, jollaisen rakensimme kokouksia varten. Eri ongelmat, eri työkalut. Rehellinen vastaus kysymykseen ”mikä InterMINDin käännökset pyörittää” on ”oikea moottori kullekin putkelle”, ei ”meidän moottorimme kaikkialla”.

Kielet, jotka tämä putki kattaa mutta puhe ei

Asiakirjaputki ulottuu 30 kieleen, kun puheella niitä on 23. Lisäkieliä ovat muun muassa bulgaria, kreikka, viro, indonesia, liettua, latvia, slovakki ja sloveeni. (Myös arabia kuuluu tähän listaan ja on yksi lisäkielistä: se on poistettu reaaliaikaisesta valitsimesta, kunnes sen puhelaatu ylittää rajamme, ja sen kielipareittaiset pisteet pysyvät julkisina sivulla /benchmark – juuri se luku tuo sen takaisin. Hindin kohdalla epäsymmetria on päinvastainen: se on käytössä puheessa, mutta ei vielä tiedostoissa.)

Tämä epäsymmetria on todellinen. Se tarkoittaa, että ranskaa puhuva osallistuja voi pyytää sopimus-PDF:n viroksi, vaikka hän ei voi kuunnella kokousta viroksi. Merkitsemme sen valitsimeen sen sijaan, että tasoittaisimme asian yhdellä luvulla. Perustelut ovat kielimääräkirjoituksessa.

Missä putket kohtaavat

Neljä putkea ei toimi eristyksissä. Kokoushuone on paikka, jossa ne koskettavat toisiaan, ja saumoilla on merkitystä:

• Chat-viesti, jossa on asiakirjaliite, käynnistää tekstille chat-putken ja tiedostolle asiakirjaputken. Toisella kielellä oleva osallistuja näkee viestin käännettynä heti, ja liitteen käännös saapuu asynkronisesti ladattavana tiedostona.
• Jaettu muistiinpano, joka lainaa transkription riviä, ylittää rajan muistiinpanojen ↔ puheen välillä. Transkriptio on se, jonka puheputki tuotti lähettäjän kielelle, ja muistiinpanon käännös tuottaa tästä lainauksesta katsojakohtaisen kopion kaikkien muiden kielillä lähdeviittaus säilyttäen.
• Kokouksen jälkeen viety transkriptio ajaa chat-tyylisen tekstiputken koko keskustelun läpi ja tuottaa kielikohtaisen tiedoston, jonka osallistujat voivat ladata. Tämä on sama koodipolku kuin chat-käännöksessä, vain eräajona.

Kielivalitsin on yksi käyttöliittymän osa. Sen alla oleva infrastruktuuri on neljä putkea, jotka keskustelevat keskenään.

Mitä emme tietoisesti yritä

• Ei ”yhtenäistä käännösmallia”. Emme rakenna yhtä mallia, joka hoitaisi puheen, chatin, muistiinpanot ja asiakirjat. Viiveen ja tarkkuuden välisellä kompromissilla ei ole voittajaa. Käytämme oikeaa moottoria kullekin pinnalle.
• Ei hiljaista uudelleenreititystä. Jos tiedostoputki ei voi tänään kääntää hindiksi, emme palaa salaa puhemoottoriin ja teeskentele, että se onnistui – tiedostovalitsin merkitsee aukon sen sijaan, että piilottaisi sen.
• Ei ”käännämme 200 kielelle”. Moottorimme tuottaa 24. Live-pinnoilla on 23, asiakirjoissa 30 – ja yhden markkinointiystävällisen luvun sijaan kielipareittainen laatu, jonka täytyy kestää auditoijan edessä, julkaistaan osoitteessa /benchmark heikommat parit mukaan lukien.

Kokeile itse

• Kokeile live-demoa – ajaa live-puheputken sinun äänelläsi millä tahansa tuotteen 23 kielestä. Sama putki, joka pisteyttää sivun /benchmark.
• Katso benchmark – kielipareittainen, kuukausikohtainen laatu oikealla liikenteellä. Jokainen valitsimen pari, vahva tai heikko, on linkitettävissä suoraan.
• Lue metodologia – mitä luvut ovat, mitä ne eivät ole ja kuka arvioija on.

Neljä putkea, neljä moottoria, yksi kokoushuone. Se on rehellinen korvaaja vanhalle how-it-works-sivulle.

— Mind.com-tiimi

Lähteet: DeepL – tuetut kielet, DeepL – käyttölaskenta ja laskutus (50 000 merkin vähimmäismäärä tiedostoa kohden), FLORES-200; putkien sisäiset tiedot tarkistettu julkaistua koodia vasten, tarkistettu elokuussa 2026.