Keturios vertimo grandinės, ant kurių veikia InterMIND

Senasis puslapis /product/overview/how-it-works mind.com svetainėje atsilieka kelias stambias versijas. Jame aprašomas vienas „vertimo variklis“, kaip daugelyje tiekėjų puslapių: viena didelė rodyklė nuo „jūs kalbate“ iki „jie girdi“. Jau prieš dvejus metus tas vaizdas buvo supaprastinimas. Šiandien jis neteisingas.

Iš tiesų InterMIND naudoja keturias atskiras vertimo grandines. Kiekviena sprendžia kitą problemą su kitu varikliu, kita vėlinimo riba ir kitomis kokybės ribomis. Jos dalijasi kalbos pasirinkimo langu, bet ne varikliu.

Tai atnaujintas atsakymas į klausimą „kaip tai veikia“.

Papildomas straipsnis: „Kiek kalbų palaikote?“ paaiškina, ką kiekviena grandinė apima (23 / 23 / 30 / 17). Šis įrašas aiškina, ką kiekviena grandinė daro ir kodėl ji yra atskira.

Kodėl „vienas variklis viskam“ yra melas

Tiesioginių susitikimų platforma vienu metu turi atlikti bent keturis darbus, ir jie traukia nesuderinamomis kryptimis:

1. Balsas realiuoju laiku – garsas įeina, išverstas garsas išeina, kol kalbėtojas dar kalba, o kiekvienas žiūrovas girdi savo kalba. Svarbiausias apribojimas yra vėlinimas.
2. Pokalbių tekstas realiuoju laiku – trumpos žinutės, greitai, išsaugant redagavimus, citatas ir HTML struktūrą.
3. Bendri užrašai realiuoju laiku – bendras rašymas simbolis po simbolio, o struktūrinė hierarchija (sąrašai, antraštės, žymimieji langeliai) turi išlikti po vertimo.
4. Asinchroniniai dokumentų failai – 40 puslapių PDF, įmestas į pokalbį. Vėlinimo ribos nėra. Svarbiausias apribojimas yra tikslumas: formatavimas, lentelės, puslapių numeriai, šriftas.

Galima sukurti vieną milžinišką LLM iškvietimą, bandantį atlikti visus keturis darbus. Mes bandėme. Jis prastai atlieka visus keturis. Dėl balso vėlinimo ribos modelis negali „galvoti“, o dėl dokumentų tikslumo ribos modelis privalo. Pokalbio redagavimui reikia skirtumo žiūrovo kalba, o 40 puslapių PDF reikia formato išsaugojimo, kurio nesuteikia joks žetonais srautu veikiantis modelis.

Todėl naudojame keturias grandines. Štai kiekviena iš jų.

1 grandinė: balso vertimas realiuoju laiku

Problema: dalyvis kalba prancūziškai. Kitas prisijungė vokiečių kalba, trečias portugalų (Brazilijos), ketvirtas japonų. Kiekvienas turi išgirsti kalbėtoją savo kalba, savo ausyje, su tokiu vėlinimu, kad dar būtų galima palaikyti akių kontaktą.

Riba: klausytojas niekada neturi laukti. Kai išverstas balsas vėluoja tiek, kad žmonės pradeda kalbėti per jį, susitikimas slysta link „pereikime į anglų kalbą“.

Kaip iš tiesų juda garsas

Keletas dalykų, vertų atskiro paminėjimo:

• ASR veikia medijos serveryje. Kalbėtojo garsas per WebRTC keliauja į mūsų pačių variklį – Mind API OVH, Prancūzijoje – ir ten atpažįstamas, tame pačiame serveryje, kuris perduoda skambutį; naršyklė tik siunčia garsą ir gauna žodžius atgal. Jokio atskiro kalbos tiekėjo ir jokio papildomo šuolio, kol gali prasidėti vertimas. (Pokalbio balso žinutės yra išimtis: jų kalba į tekstą konvertuojama Azure AI Speech, numatytojo AI šliuzo kalbos paslauga.)
• Vertimas nėra vienas išsišakojimas. Variklis verčia į kiekvieną kambaryje esančią tikslinę kalbą, o ne kiekvienam žiūrovui: vertimas į kalbą prasideda, kai pirmas joje klausantis žmogus paprašo išversto srauto, trys dalyviai, pasirinkę vokiečių kalbą, dalijasi vienu vertimu į vokiečių kalbą, o jei niekas neklauso arabiškai, niekas į arabų kalbą ir neverčiama. Todėl keturių kalbų susitikimas kainuoja tiek pat, kiek keturiasdešimties kalbų susitikimas, kol kalbama apie tai, kas iš tikrųjų atėjo: mes niekada neverčiame į kalbas, kuriomis niekas neklauso.
• Sintezuota kalba yra kiekvienam žiūrovui atskira. Kiekvienas dalyvis gauna savo išverstą garso takelį, sumaišytą su originalaus kalbėtojo vaizdu. Jie nežiūri pagrindinio „išversto susitikimo“, jie žiūri tą patį susitikimą, o jų asmeninis garso kanalas išverstas į pasirinktą kalbą. Todėl du žmonės toje pačioje fizinėje patalpoje gali užsidėti ausines ir girdėti skirtingomis kalbomis.

Kodėl tai svarbu, kai susitikimas pasisuka į šoną

60 minučių skambutyje su aštuoniomis kalbomis dalykai genda įdomiais būdais: nutrūksta WebSocket ryšiai, ASR laikinai klaidingai perrašo tikrinį daiktavardį, vieno dalyvio tinklas pradeda strigti. Pirmiau aprašyta architektūra leidžia mums izoliuoti gedimus: vieno žiūrovo garso trikdžiai nepaveikia kitų septynių, nes vertimo variklis iš pradžių niekada nesukūrė „to vertimo“ – jis sukūrė aštuonis, lygiagrečiai, ir atsistatyti reikia tik paveiktam.

Pats variklis yra mūsų, veikiantis mūsų pačių infrastruktūroje. Realiojo laiko balso netiesiame per trečiųjų šalių bendrosios paskirties LLM. Vėlinimo riba jų neleidžia, o duomenų buvimo vietos reikalavimai jų neleidžia reguliuojamų sektorių klientams, kuriems tai iš tikrųjų svarbu.

Ką skelbiame apie balso kokybę: /benchmark kas mėnesį paleidžia gamybinę balso grandinę su FLORES-200 sakiniais kiekvienai paskelbtai kalbų porai. Vertintojas įvardytas (pagrindinis – Gemini 3.7 Flash, atsarginis – Claude Sonnet 5). Visas pasiskirstymas – mediana, p10, p90, minimumas, maksimumas, imties dydis – pateiktas puslapyje. Žr. metodologiją, kad suprastumėte, ką tie skaičiai matuoja ir ko nematuoja.

2 grandinė: pokalbių vertimas realiuoju laiku

Problema: kiekviena susitikimo pokalbio žinutė verčiama kiekvienam dalyviui jo kalba, kai tik ji išsiunčiama. Be to, redagavimai, o redagavimai turi atrodyti kaip redagavimai, o ne kaip nauji vertimai.

Riba: laisvesnė nei balso. Pokalbio žinutė gali kitą kalba pasirodyti su mažu uždelsimu ir niekam tai nerūpės. Žmonėms rūpi, ar vertimas teisingas ir ar redagavimai turi prasmę.

Ką pokalbių grandinė iš tikrųjų daro

Kiekviena žinutė eina per tą patį vertimo variklį, kurį naudoja balso grandinė, tačiau su kitu išankstiniu ir paskesniu apdorojimu:

• HTML struktūra išsaugoma. Pokalbis palaiko raiškųjį tekstą (pastraipas, sąrašus, citatas, paryškinimą, kursyvą). Modeliui paverčiame jį paprastu tekstu, išverčiame, tada rezultatą vėl apgaubiame originaliomis žymomis. Modelis niekada nemato HTML, jis mato švarų tekstą.
• Citatos verčiamos nepriklausomai. Jei atsakote į žinutę ir ją cituojate, [QUOTE]…[/QUOTE] blokas ir naujas turinys verčiami kaip atskiri vienetai, kad modelis negalėtų jų supainioti.
• Ilgos žinutės dalijamos į dalis. Skaidome pagal pastraipų ribas po 1 000 simbolių vienai daliai. Kiekviena dalis yra atskiras vertimo iškvietimas. Mes netiekiame modeliui 4 000 simbolių romanų vienu ypu: gedimų pobūdis (nukirpimas, dingusios pastraipos, sakinio viduryje nutrūkęs tekstas) per bjaurus.
• Vertimas yra tingus. Naudojame IntersectionObserver: žinutė verčiama tik tada, kai ji įslenka į žiūrovo matymo sritį. Keičiant kalbas ilgai veikiančiame kanale anksčiau būdavo iš naujo paleidžiami visi vertimo API iškvietimai iš istorijos. Dabar to nebėra.

Įdomioji dalis: redagavimai kaip skirtumai

Versijoje v1.2 pakeitėme, kaip pokalbio redagavimai elgiasi kita kalba skaitantiems žiūrovams. Senasis elgesys buvo toks: kažkas redaguoja žinutę, mes iš naujo išverčiame visą ją, jūs matote naują pastraipą ir turite patys ieškoti, kas pasikeitė.

Naujasis elgesys:

1. Originali žinutė jau buvo išversta į jūsų kalbą.
2. Kai siuntėjas redaguoja, iš naujo išverčiame naują versiją.
3. Apskaičiuojame skirtumą tarp jūsų ankstesnio vertimo ir jūsų naujo vertimo jūsų kalba.
4. Rodome tą skirtumą tiesiai tekste, taip pat, kaip Git parodo, kas pasikeitė.

Taigi kai angliškas „review by Tuesday“ virsta „review by Thursday“, ispaniškai skaitantis jūsų kolega mato paryškintą martes → jueves, o ne iš naujo išverstą pastraipą, kurią tektų skaityti iš pradžių.

Tam reikėjo pokalbių grandinę traktuoti kaip būseną turinčią kiekvieno žiūrovo talpyklą, o ne kaip be būsenos veikiantį „išversti pagal užklausą“ galinį tašką. Dokumentams ir balsui to nereikia. Pokalbiui reikia.

3 grandinė: bendrų užrašų vertimas realiuoju laiku

Problema: vedėjas atidaro bendrų užrašų skydelį ir pradeda rašyti. Kiekvienas dalyvis mato užrašus savo kalba, simbolis po simbolio, o dokumento struktūra – antraštės, įdėtieji sąrašai, užduočių sąrašai, kodo blokai – lieka nepažeista.

Riba: tokia pati kaip pokalbio, bet su dviem papildomais apribojimais:

• Tai, kas verčiama, keičiasi vertimo metu. Vedėjas vis dar rašo. Naivi sistema, kuri po kiekvieno klavišo paspaudimo verčia „visą dokumentą“, sukelia mirgėjimą ir eikvoja API biudžetą. Mes verčiame pakeisto vieneto tikslumu, o ne visą dokumentą.
• Struktūra turi išlikti. Jei paprašysite vertimo modelio išversti markdown tekstą su trimis įdėtaisiais sąrašais, gausite kažką, kas atrodo kaip originalas, bet su subtiliai suplokštinta hierarchija, perskaičiuotais punktais ar pasislinkusiais įtraukimais. Mes neleidžiame modeliui matyti viso teksto.

Kuo užrašų grandinė skiriasi nuo pokalbių

Svarbiausia yra struktūros išsaugojimas. Mes verčiame kiekvieną sąrašo punktą atskirai, o ne kaip vieną dokumentą. Modelis mato:

„Compliance review — Q2 deliverables“

o ne:

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

Apgaubiantis dokumentas – <ul>, antraštės, įtraukimai – atkuriamas kliento pusėje pagal tą pačią struktūrą, kokią turėjo originalus dokumentas, o kiekvienas lapo mazgas pakeičiamas jo vertimu. Modelis niekada negali „patobulinti“ hierarchijos.

Užrašai taip pat naudoja tą patį kiekvieno žiūrovo skirtumų modelį kaip ir pokalbio redagavimai: jei vedėjas pakeičia eilutę, kitomis kalbomis skaitantys žiūrovai mato paryškintus pakeistus žodžius, o ne naują pastraipą.

4 grandinė: asinchroninis dokumentų vertimas

Problema: kažkas į pokalbį įmeta 40 puslapių PDF, Word dokumentą, PowerPoint skaidrių rinkinį ar Excel lentelę. Kiekvienas dalyvis gali paprašyti kopijos savo kalba. Išverstas failas turi atrodyti kaip originalas: tie patys šriftai, tos pačios lentelės, tie patys puslapių numeriai, tos pačios antraštės, tos pačios diagramos savo vietose.

Riba: jokio realiojo laiko apribojimo. Minutė tinka. Dvi minutės tinka. Apribojimas yra tikslumas: jei išverstas PDF neatrodo kaip originalas, gavėjas juo nepasitikės.

Kodėl ši grandinė nesidalija varikliu su balsu

Bendrosios paskirties LLM, net labai geras, grąžins išverstą dokumento tekstą. Jis negrąžins išversto PDF su tuo pačiu maketu. Modelis neturi supratimo apie „puslapio lūžį, kuris turi sutapti su šaltiniu“ ar „lentelės langelį, kuris turi išlaikyti stulpelio plotį“.

Šiam paviršiui tiesiogiai naudojame DeepL Document API. Jis sukurtas failams kaip failams versti, o ne iš failų ištrauktam tekstui. DeepL tvarko:

• PDF (išsaugant maketą)
• DOCX, DOC
• PPTX
• XLSX

Dokumentas įkeliamas į DeepL grandinę, išverčiamas serveryje išsaugant formatavimą ir grąžinamas tuo pačiu formatu. Tada rezultatą įkeliame į savo objektų saugyklą ir pokalbyje pateikiame kaip atsisiunčiamą priedą.

Kiek tai kainuoja ir kodėl to neslepiame

DeepL taiko mažiausią 50 000 simbolių mokestį už dokumentą – maždaug vienas JAV doleris už failą Pro plane, nesvarbu, ar dokumentas vieno, ar trisdešimties puslapių. Šią kainą padengiame patys, o ne imame mokesčio už failą; ji rodoma susitikimo vertimo naudojime kaip apmokestinti simboliai, konvertuoti į žodžių vienetus, atitinkančius tai, kaip visas produktas praneša apie vertimo veiklą.

Šiam paviršiui pasirinkome DeepL, nes failų kaip failų vertimas yra būtent tai, kam jis sukurtas, ir nebandėme sukurti geresnio. Priešingai yra kitaip: DeepL neturi tiesioginio balso grandinės, kokią sukūrėme susitikimams. Skirtingos problemos, skirtingi įrankiai. Sąžininga atsakymo į klausimą „kas maitina InterMIND vertimą“ versija yra „tinkamas variklis kiekvienai grandinei“, o ne „mūsų variklis visur“.

Kalbos, kurias ši grandinė apima, o balsas ne

Dokumentų grandinė pasiekia 30 kalbų, balsas – 23. Papildomos kalbos: bulgarų, graikų, estų, indoneziečių, lietuvių, latvių, slovakų, slovėnų. (Arabų kalba taip pat šiame sąraše ir yra viena iš papildomų: ji pašalinta iš realiojo laiko pasirinkimo, kol jos balso kokybė žemiau mūsų kartelės, o jos kalbų porų įvertinimai lieka vieši /benchmark puslapyje – būtent tas skaičius ją grąžina. Hindi asimetrija yra priešinga: balsu veikia, failams dar ne.)

Ta asimetrija yra tikra. Ji reiškia, kad prancūzas susitikimo dalyvis gali paprašyti sutarties PDF estų kalba, nors negali klausytis susitikimo estiškai. Tai pažymime pasirinkimo lange, o ne glaistome vienu skaičiumi. Argumentai pateikti kalbų skaičiaus įraše.

Kur grandinės susitinka

Keturios grandinės neveikia izoliuotai. Susitikimo kambarys yra vieta, kur jos liečiasi, ir siūlės svarbios:

• Pokalbio žinutė su dokumento priedu paleidžia pokalbių grandinę tekstui ir dokumentų grandinę failui. Kita kalba kalbantis dalyvis iš karto mato išverstą žinutę, o priedo vertimas atkeliauja asinchroniškai kaip atsisiunčiamas failas.
• Bendras užrašas, cituojantis transkripto eilutę, kerta užrašus ↔ balsą. Transkriptas yra tai, ką balso grandinė sukūrė siuntėjo kalba; užrašo vertimas sukuria kiekvienam žiūrovui skirtą tos citatos kopiją visų kitų kalba, išsaugant šaltinio nuorodą.
• Po susitikimo eksportuotas transkriptas per visą pokalbį paleidžia pokalbio tipo teksto grandinę ir sukuria kiekvienai kalbai skirtą failą, kurį dalyviai gali atsisiųsti. Tai tas pats kodo kelias kaip ir pokalbių vertimo, tik apdorojamas partijomis.

Kalbos pasirinkimo langas yra vienas sąsajos elementas. Infrastruktūra po juo yra keturios grandinės, kalbančios viena su kita.

Ko sąmoningai nebandome

• Jokio „vieningo vertimo modelio“. Nekuriame vieno modelio, kuris atliktų balsą, pokalbius, užrašus ir dokumentus. Kompromisas tarp vėlinimo ir tikslumo neturi nugalėtojo. Kiekvienam paviršiui naudojame tinkamą variklį.
• Jokio tylaus nukreipimo kitur. Jei failų grandinė šiandien negali versti į hindi kalbą, mes tyliai nepereiname prie balso variklio apsimesdami, kad pavyko: failų pasirinkimo langas pažymi spragą, o ne ją slepia.
• Jokio „verčiame į 200 kalbų“. Mūsų variklis išveda 24. Tiesioginiai paviršiai palaiko 23, dokumentai – 30, ir vietoje vieno rinkodarai patogaus skaičiaus kiekvienos poros kokybė, kuri turi atlaikyti auditoriaus akis, skelbiama /benchmark, įskaitant silpnesnes poras.

Išbandykite patys

• Išbandykite tiesioginę demonstraciją – paleidžia tiesioginio balso grandinę su jūsų garsu, bet kuria iš 23 produkto kalbų. Ta pati grandinė, kuri vertinama /benchmark.
• Peržiūrėkite etaloninį testą – kiekvienos poros ir kiekvieno mėnesio kokybė su realiu srautu. Kiekviena pasirinkimo lange esanti pora, stipri ar silpna, pasiekiama tiesiogine nuoroda.
• Perskaitykite metodologiją – kas tie skaičiai, kas jie nėra, kas yra vertintojas.

Keturios grandinės, keturi varikliai, vienas susitikimo kambarys. Tai sąžiningas senojo how-it-works puslapio pakaitalas.

— Mind.com komanda

Šaltiniai: DeepL – palaikomos kalbos, DeepL – naudojimo skaičiavimas ir apmokestinimas (50 000 simbolių minimumas už failą), FLORES-200; vidiniai grandinių faktai patikrinti pagal išleistą kodą, patikrinta 2026 m. rugpjūtį.