Znotraj štirih prevajalskih cevovodov, na katerih teče InterMIND

Stara stran /product/overview/how-it-works na mind.com je zastarela za več večjih izdaj. Opisuje en sam »prevajalski motor«, kot to počne večina strani ponudnikov: ena velika puščica od »vi govorite« do »oni slišijo«. Ta slika je bila poenostavitev že pred dvema letoma. Danes je napačna.

Resnica je, da InterMIND poganjajo štirje ločeni prevajalski cevovodi. Vsak rešuje drugačen problem, z drugačnim motorjem, drugačnim proračunom zakasnitve in drugačnim razponom kakovosti. Delijo si izbirnik jezika. Motorja si ne delijo.

To je posodobljen odgovor na vprašanje »kako deluje«.

Spremljevalni prispevek: »Koliko jezikov podpirate?« opisuje, kaj posamezen cevovod pokriva (23 / 23 / 30 / 17). Ta prispevek opisuje, kaj posamezen cevovod počne in zakaj je samostojna stvar.

Zakaj je »en motor za vse« laž

Platforma za sestanke v živo mora hkrati opravljati vsaj štiri naloge, ki vlečejo v nezdružljive smeri:

1. Glas v realnem času — zvok noter, preveden zvok ven, medtem ko govornik še govori, vsak gledalec v svojem jeziku. Ključna omejitev je zakasnitev.
2. Klepet v realnem času — kratka sporočila, hitro, z ohranjenimi urejanji, citati in strukturo HTML.
3. Skupni zapiski v realnem času — sodelovalno tipkanje znak za znakom s strukturno hierarhijo (seznami, naslovi, potrditvena polja), ki mora preživeti prevod.
4. Asinhrone dokumentne datoteke — 40-stranski PDF, spuščen v klepet. Brez proračuna zakasnitve. Ključna omejitev je zvestoba: oblikovanje, tabele, številke strani, pisava.

Lahko zgradite en velikanski klic LLM, ki poskuša početi vse štiri. Poskusili smo. Pri vseh štirih je slab. Proračun zakasnitve pri glasu pomeni, da model ne more razmišljati; proračun zvestobe pri dokumentih pomeni, da mora. Urejanje v klepetu potrebuje razliko v jeziku gledalca; 40-stranski PDF potrebuje ohranitev oblike, ki je noben model s tokovnim izpisovanjem žetonov ne zagotovi.

Zato poganjamo štiri. Tu je vsak od njih.

Cevovod 1: Prevajanje glasu v realnem času

Problem: Udeleženec govori francosko. Drugi se je pridružil v nemščini, tretji v brazilski portugalščini, četrti v japonščini. Vsak mora slišati govornika v svojem jeziku, v svojem ušesu, z zamikom, ki je dovolj kratek, da je očesni stik še mogoč.

Proračun: poslušalec nikoli ne sme čakati nanj. Ko prevedeni govor zaostane toliko, da se ljudje začnejo prekinjati, se sestanek zdrsne proti »kar preklopimo na angleščino«.

Kako se zvok v resnici premika

Nekaj stvari velja izrecno omeniti:

• ASR teče na medijskem strežniku. Zvok govornika potuje prek WebRTC do našega lastnega motorja — Mind API pri OVH v Franciji — in se tam prepozna, na istem strežniku, ki prenaša klic; brskalnik zvok le pošilja in prejema besede nazaj. Brez ločenega ponudnika govora in brez dodatnega skoka, preden se lahko prevajanje začne. (Izjema so glasovna sporočila v klepetu: njihovo pretvorbo govora v besedilo opravlja Azure AI Speech, govorna storitev privzetega prehoda AI.)
• Prevajanje ni eno samo razpršitveno razpošiljanje. Motor prevaja po ciljnem jeziku, prisotnem v prostoru, ne po gledalcu: prevajanje v jezik se začne, ko prvi poslušalec v njem zaprosi za preveden tok, trije udeleženci, ki so izbrali nemščino, si delijo en nemški prevod, in če nihče ne posluša v arabščini, se v arabščino ne prevaja nič. Zato štirijezični sestanek stane enako kot štiridesetjezični, vse do vprašanja, kdo se je dejansko pojavil — nikoli ne prevajamo v jezike, v katerih nihče ne posluša.
• Sintetiziran govor je po gledalcu. Vsak udeleženec prejme svojo prevedeno zvočno sled, zmešano z videom izvirnega govornika. Ne gledajo nekega glavnega »prevedenega sestanka« — gledajo isti sestanek, le da je njihov osebni zvočni kanal preveden v izbrani jezik. Zato si lahko dva človeka v isti fizični sobi vsak nadeneta slušalke in slišita različna jezika.

Zakaj je to pomembno, ko gre sestanek po zlu

V 60-minutnem klicu z osmimi jeziki se stvari lomijo na zanimive načine: povezave WebSocket odpadejo, ASR začasno napačno prepiše lastno ime, omrežje enega udeleženca postane nestabilno. Zgornja arhitektura nam omogoča, da napake izoliramo: motnja v zvoku enega gledalca ne vpliva na drugih sedem, ker prevajalski motor sploh nikoli ni ustvaril »prevoda« — ustvaril je osem, vzporedno, in si mora opomoči le prizadeti.

Motor sam je naš, gostuje na naši lastni infrastrukturi. Glasu v realnem času ne usmerjamo prek tujih splošnonamenskih LLM. Zakasnitveni proračun jih izključuje; vprašanje rezidence podatkov jih izključuje za regulirane stranke, ki jim je resnično mar.

Kaj objavljamo o kakovosti glasu: /benchmark vsak mesec požene produkcijski glasovni cevovod na stavkih FLORES-200 za vsak objavljen jezikovni par. Sodnik je imenovan (primarno Gemini 3.7 Flash, rezervno Claude Sonnet 5). Celotna porazdelitev — mediana, p10, p90, minimum, maksimum, velikost vzorca — je na strani. Oglejte si metodologijo, da vidite, kaj te številke merijo in česa ne.

Cevovod 2: Prevajanje klepeta v realnem času

Problem: Vsako sporočilo v klepetu na sestanku, prevedeno za vsakega udeleženca v njegov jezik, takoj ob pošiljanju. Poleg tega urejanja — in urejanja morajo izgledati kot urejanja, ne kot ponovni prevodi.

Proračun: ohlapnejši kot pri glasu. Sporočilo se lahko v drugem jeziku pojavi s trenutkom zamika, ne da bi komu mar. Ljudi zanima, ali je prevod pravilen in ali urejanja dajo smisel.

Kaj klepetalni cevovod dejansko počne

Vsako sporočilo gre skozi isti prevajalski motor kot glasovni cevovod, vendar z drugačno predobdelavo in poobdelavo:

• Struktura HTML je ohranjena. Klepet podpira obogateno besedilo (odstavki, seznami, citati, krepko, ležeče). Pretvorimo v navadno besedilo za model, prevedemo, nato rezultat znova ovijemo v izvirne oznake. Model nikoli ne vidi HTML — vidi čisto prozo.
• Citati se prevajajo neodvisno. Če odgovorite na sporočilo in ga citirate, se blok [QUOTE]…[/QUOTE] in nova vsebina prevedeta kot ločeni enoti, da model ne more zamešati obeh.
• Dolga sporočila se razrežejo. Delimo na mejah odstavkov pri 1.000 znakih na kos. Vsak kos je svoj prevajalski klic. Modelu ne pošiljamo 4.000-znakovnih romanov naenkrat — načini odpovedi (okrnitev, izgubljeni odstavki, prekinitve sredi stavka) so preveč grdi.
• Prevajanje je leno. Uporabljamo IntersectionObserver: sporočilo se prevede šele, ko zdrsne v vidno polje gledalca. Preklop jezika v dolgotrajnem kanalu je prej ponovil vse klice prevajalskega API-ja iz zgodovine. Zdaj ne več.

Zanimivi del: urejanja kot razlike

V različici v1.2 smo spremenili, kako se urejanja v klepetu obnašajo za gledalce v drugem jeziku. Staro obnašanje je bilo: nekdo uredi sporočilo, mi znova prevedemo vse, vi vidite nov odstavek in morate sami ugotoviti, kaj se je premaknilo.

Novo obnašanje:

1. Izvirno sporočilo je bilo že prevedeno v vaš jezik.
2. Ko pošiljatelj sporočilo uredi, znova prevedemo novo različico.
3. Izračunamo razliko med vašim prejšnjim prevodom in vašim novim prevodom, v vašem jeziku.
4. To razliko prikažemo sproti — na enak način, kot vam Git pokaže, kaj se je spremenilo.

Ko se torej v angleščini »review by Tuesday« spremeni v »review by Thursday«, vaš špansko bralni sodelavec vidi poudarjeno martes → jueves, ne na novo prevedenega odstavka, ki bi ga moral znova prebrati.

To je zahtevalo, da klepetalni cevovod obravnavamo kot stanjski predpomnilnik po gledalcu, ne kot breznacionalno končno točko »prevedi na zahtevo«. Dokumenti in glas tega ne potrebujejo. Klepet ga.

Cevovod 3: Prevajanje skupnih zapiskov v realnem času

Problem: Gostitelj odpre podokno skupnih zapiskov in začne tipkati. Vsak udeleženec vidi zapiske v svojem jeziku, znak za znakom, s strukturo dokumenta — naslovi, gnezdenimi seznami, kontrolnimi seznami, bloki kode — ki ostane nedotaknjena.

Proračun: Enak kot pri klepetu, a z dvema dodatnima omejitvama:

• Stvar, ki jo prevajamo, se spreminja med prevajanjem. Gostitelj še tipka. Naiven sistem, ki ob vsakem pritisku tipke prevede »celoten dokument«, povzroča utripanje in porablja proračun API-ja. Prevajamo na ravni spremenjene enote, ne celotnega dokumenta.
• Struktura mora preživeti. Če prevajalskega modela zaprosite, naj prevede markdown blok s tremi gnezdenimi seznami, dobite nekaj, kar izgleda kot izvirnik, a z rahlo sploščeno hierarhijo, preštevilčenimi postavkami ali premaknjenimi zamiki. Modelu ne pustimo videti celotnega bloka.

Kako se cevovod zapiskov razlikuje od klepeta

Glavna stvar je ohranitev strukture. Vsako postavko seznama prevedemo neodvisno, ne kot en dokument. Model vidi:

"Compliance review — Q2 deliverables"

— ne pa:

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

Ovojni dokument — <ul>, naslovi, zamiki — se na strani odjemalca zgradi znova z isto strukturo, kot jo je imel izvirni dokument, pri čemer je vsako listno vozlišče zamenjano z njegovim prevodom. Model nikoli ne dobi priložnosti, da bi hierarhijo »izboljšal«.

Zapiski uporabljajo tudi isti model razlik po gledalcu kot urejanja v klepetu: če gostitelj spremeni vrstico, gledalci v drugih jezikih vidijo poudarjene spremenjene besede, ne novega odstavka.

Cevovod 4: Asinhrono prevajanje dokumentov

Problem: Nekdo v klepet spusti 40-stranski PDF, dokument Word, PowerPointovo predstavitev ali Excelovo preglednico. Vsak udeleženec lahko zahteva kopijo v svojem jeziku. Prevedena datoteka mora izgledati kot izvirnik — iste pisave, iste tabele, iste številke strani, isti glavi, isti grafikoni na mestu.

Proračun: Brez omejitve realnega časa. Minuta je v redu. Dve minuti sta v redu. Omejitev je zvestoba — če prevedeni PDF ne izgleda kot izvirnik, mu prejemnik ne bo zaupal.

Zakaj ta cevovod ne deli motorja z glasom

Splošni LLM, četudi zelo dober, vam bo vrnil prevedeno besedilo dokumenta. Ne bo vam vrnil prevedenega PDF z isto postavitvijo. Model nima pojma o »prelomu strani, ki se mora ujemati z izvirnikom« ali »celici tabele, ki mora obdržati širino stolpca«.

Za to področje neposredno uporabljamo DeepL Document API. Je namensko zgrajen za prevajanje datotek kot datotek, ne proze, izvlečene iz datotek. DeepL obravnava:

• PDF (z ohranitvijo postavitve)
• DOCX, DOC
• PPTX
• XLSX

Dokument se naloži v DeepLov cevovod, prevede na strani strežnika z nedotaknjenim oblikovanjem in vrne v isti obliki. Rezultat nato naložimo v naše objektno shranjevanje in ga v klepetu prikažemo kot prenosljivo priponko.

Koliko to stane in zakaj tega ne skrivamo

DeepL zaračuna najmanj 50.000 znakov na dokument — približno en ameriški dolar na datoteko na ravni Pro, ne glede na to, ali ima dokument eno stran ali trideset. Ta strošek prevzamemo sami, namesto da bi zaračunavali po datoteki; v porabi prevajanja sestanka se pojavi kot obračunani znaki, pretvorjeni v besedne enote, ki ustrezajo načinu, kako preostanek izdelka poroča o prevajalski dejavnosti.

DeepL smo za to področje izbrali, ker je prevajanje datotek kot datotek natanko to, za kar je bil zgrajen — nismo poskušali zgraditi boljšega. Obratno ne velja — DeepL ne poganja glasovnega cevovoda v živo, kakršnega smo zgradili za sestanke. Različni problemi; različna orodja. Pošten odgovor na vprašanje »kaj poganja prevajanje v InterMIND« je »pravi motor za vsak cevovod« — ne »naš motor, povsod«.

Jeziki, ki jih ta cevovod pokriva, glas pa ne

Dokumentni cevovod doseže 30 jezikov, glas pa 23. Dodatni vključujejo: bolgarščino, grščino, estonščino, indonezijščino, litovščino, latvijščino, slovaščino, slovenščino. (Na tem seznamu je tudi arabščina in je eden od dodatnih: umaknjena je iz izbirnika za realni čas, dokler je kakovost njenega glasu pod našo mejo, njene ocene po parih pa ostajajo javne na /benchmark — ta številka jo vrne. Asimetrija velja v obratni smeri za hindujščino — v živo za glas, za datoteke še ne.)

Ta asimetrija je resnična. Pomeni, da lahko francoski udeleženec na sestanku zahteva pogodbo v PDF v estonščini, čeprav sestanka v estonščini ne more poslušati. V izbirniku to označimo, namesto da bi to zgladili z eno samo številko. Utemeljitev je v prispevku o številu jezikov.

Kjer se cevovodi srečajo

Štirje cevovodi ne tečejo izolirano. Prostor sestanka je mesto, kjer se dotikajo drug drugega, in šivi so pomembni:

• Sporočilo v klepetu s priponko dokumenta sproži klepetalni cevovod za besedilo in dokumentni cevovod za datoteko. Udeleženec v drugem jeziku vidi sporočilo prevedeno takoj, prevod priponke pa prispe asinhrono kot prenosljiva datoteka.
• Skupni zapisek, ki citira vrstico transkripta, prečka zapiski ↔ glas. Transkript je tisto, kar je glasovni cevovod ustvaril za jezik pošiljatelja; prevod zapiska pa ustvari kopijo tega citata po gledalcu v jezikih vseh ostalih, z ohranjenim navedkom vira.
• Transkript, izvožen po sestanku, požene besedilni cevovod v slogu klepeta čez celoten pogovor in ustvari datoteko po jezikih, ki jo lahko udeleženci prenesejo. To je ista koda kot pri prevajanju klepeta, le v paketih.

Izbirnik jezika je en kos uporabniškega vmesnika. Infrastruktura pod njim so štirje cevovodi, ki se pogovarjajo drug z drugim.

Česa namenoma ne poskušamo

• Nobenega »enotnega prevajalskega modela«. Ne gradimo enega modela, ki bi počel glas, klepet, zapiske in dokumente. Kompromis med zakasnitvijo in zvestobo nima zmagovalca. Za vsako področje uporabimo pravi motor.
• Nobenega tihega preusmerjanja. Če dokumentni cevovod danes ne zna prevajati v hindujščino, se ne vrnemo tiho na glasovni motor in se pretvarjamo, da je delovalo — izbirnik datotek vrzel označi, namesto da bi jo skril.
• Nobenega »prevajamo v 200 jezikov«. Naš motor izpiše 24. Površine v živo podpirajo 23, dokumenti 30 — in namesto ene tržno privlačne številke je kakovost po parih, ki mora vzdržati pred revizorjem, objavljena na /benchmark, vključno s šibkejšimi pari.

Preizkusite sami

• Preizkusite demo v živo — požene glasovni cevovod v živo na vašem zvoku, v katerem koli od 23 jezikov izdelka. Isti cevovod, ki ga ocenjuje /benchmark.
• Oglejte si benchmark — kakovost po parih, po mesecih, na resničnem prometu. Vsak par v izbirniku, močan ali šibek, z neposredno povezavo.
• Preberite metodologijo — kaj številke so, česa niso, kdo je sodnik.

Štirje cevovodi, štirje motorji, en prostor sestanka. To je pošten nadomestek stare strani how-it-works.

— Ekipa Mind.com

Viri: DeepL — podprti jeziki, DeepL — štetje porabe in obračunavanje (najmanj 50.000 znakov na datoteko), FLORES-200; notranja dejstva o cevovodih so preverjena glede na dostavljeno kodo, pregledano avgusta 2026.