2025-05-21 · Redakcja Baduno · 7 blog.readMin · Blog & Wiedza
Rozpoznawanie tłumaczeń maszynowych: Siedem typowych błędów
Tłumaczenia AI stały się dobre – ich błędy również: rzadsze, ale subtelniejsze. Po czym recenzenci je rozpoznają, zanim zrobią to klienci.
Cztery rażące błędy
Fałszywi przyjaciele (‚eventuell' staje się ‚eventually'), niespójne terminy fachowe w tym samym tekście, dosłowne tłumaczenia idiomów i zerwania w formie zwrotu między Ty a Pan/Pani: Te klasyki wprawne oko znajdzie w minutę.
Trzy subtelne błędy
Pewne siebie błędne liczby i nazwy własne, kulturowo nieadekwatne przykłady oraz zbyt gładki, jednolity ton, który niweluje każdy charakter marki. Niebezpieczne, ponieważ tekst wygląda bezbłędnie – po prostu nie jest poprawny.
Systematyczna kontrola
Maszyny sprawdzają strukturę (liczby, symbole zastępcze, kompletność, terminologię), ludzie sprawdzają znaczenie i efekt – w tej kolejności, z udokumentowanym wynikiem. Próbki nie zastępują systematyczności przy stronach związanych z pieniędzmi.
Implikacje dla kupujących
Nie pytajcie dostawców, czy używają AI – pytajcie, jak znajdują jej błędy. Kto nie potrafi opisać procesu kontroli, ten go nie ma. Nasza odpowiedź jest publicznie dostępna na tej stronie.
Wprowadzające w błąd idiomy i metafory
Tłumaczenia maszynowe często zawodzą w przypadku wyrażeń idiomatycznych, które nie są przenoszone jeden do jednego. Na przykład 'to kick the bucket' w języku niemieckim szybko staje się 'den Eimer treten', podczas gdy poprawny idiom to 'den Löffel abgeben'. Podobnie metafory jak 'the ball is in your court' należy kulturowo dostosować do rynku docelowego, np. 'Sie sind am Zug'. Osoby sprawdzające muszą rozpoznawać nie tylko dosłowne znaczenie, ale także zamierzony efekt. Typowy przykład: 'break a leg' jest często tłumaczone przez AI jako 'brich dir ein Bein', co w języku niemieckim jest odbierane jako złe życzenie – poprawnie jest 'Hals- und Beinbruch'. W tekstach marketingowych takie błędy mogą być żenujące i zniekształcać przekaz. Dlatego osoby sprawdzające powinny szukać powszechnych idiomów w tekście źródłowym i ręcznie weryfikować ich odpowiedniki w języku docelowym. Dobry przepływ pracy: AI tłumaczy, recenzent oznacza wszystkie idiomy i weryfikuje je za pomocą bazy referencyjnej lub intuicji native speakera.
Błędy w liczbach, datach i formatach
Tłumaczenia AI często poprawnie radzą sobie z liczbami, ale nie zawsze – szczególnie w przypadku separatorów tysięcy, przecinków dziesiętnych i formatów dat. Amerykańska data '03/04/2024' może być interpretowana jako 3 kwietnia lub 4 marca. Waluty: '$1,50' w języku niemieckim staje się '1,50 $', ale niektóre AI pomijają przecinek lub stawiają kropkę. Również jednostki miar: '10 mil' powinno zostać '16 kilometrów', a nie '10 mil'. Jeszcze bardziej podchwytliwe są procenty z różnicami kulturowymi: 'a 50% increase' może oznaczać 'wzrost o 50 %' lub 'do 150 %'. Dlatego weryfikatorzy powinni systematycznie porównywać wszystkie liczby, daty, jednostki i waluty z tekstem źródłowym. Pomocna jest lista kontrolna: sprawdzenie separatorów dziesiętnych, formatu daty (DD.MM.RRRR vs. MM/DD/RRRR), symboli walut (€ vs. $) i jednostek (km vs. mile). Szczególnie ważne w przypadku cen w sklepach internetowych – błędny przecinek może dziesięciokrotnie zwiększyć cenę. Każdą rozbieżność należy udokumentować i poprawić formatowanie zgodnie z zasadami języka docelowego.
Błędne nazwy własne i terminy markowe
Nazwy własne, nazwy marek i nazwy produktów powinny pozostać nieprzetłumaczone. Jednak AI ma tendencję do ich tłumaczenia: z 'Apple' robi się 'Jabłko', z 'Microsoft' – 'Mikrosoft' (lub dosłownie 'Mikroprogram'). Jeszcze bardziej krytyczne: terminy specjalistyczne, takie jak 'SAP' czy 'CRM', są czasami zastępowane rzekomymi odpowiednikami ('Socjalistyczna Partia Robotnicza' zamiast systemów). Również akronimy, jak 'NASA', nie powinny być rozwijane, chyba że kultura docelowa używa tłumaczenia. Dlatego weryfikatorzy muszą prowadzić bazę terminologiczną, która określa, które nazwy należy zachować. Podczas weryfikacji wszystkie nazwy własne, firmowe, produktowe i akronimy powinny być oznaczone i porównane z tą bazą. Częsty błąd: 'Köln Bonn Airport' staje się 'Cologne Bonn Airport' – w zależności od języka docelowego obie formy mogą być poprawne, ale kluczowa jest spójność. Każdą decyzję należy udokumentować, aby w późniejszych tłumaczeniach ta sama nazwa była traktowana jednolicie.
Tłumaczenia AI stały się dobre – ich błędy również: rzadsze, ale subtelniejsze. Po czym recenzenci je rozpoznają, zanim zrobią to klienci.
Brak kontekstu długoterminowego i aktualizacji
Tłumaczenia maszynowe zazwyczaj uwzględniają tylko bieżące zdanie lub akapit, a nie cały tekst ani wcześniejsze tłumaczenia tego samego klienta. Prowadzi to do niespójności w przypadku powtarzających się terminów, fraz czy komunikatów. Przykład: Firma zmienia swoje hasło z 'Quality first' na 'Quality & Speed'. AI poprawnie tłumaczy nowy tekst, ale wszystkie stare tłumaczenia pozostają – odwiedzający widzą różne slogany na różnych stronach. Podobnie przy premierach produktów: jedna wersja nosi nazwę 'Pro 2024', następna 'Pro 2025'. Bez kontekstu długoterminowego AI może przetłumaczyć 'Pro 2024' jako 'Pro 2024', a 'Pro 2025' jako 'Pro 2025', ale jeśli klient życzy sobie, aby nazwa marki zawsze pozostawała nieprzetłumaczona, musi to obowiązywać globalnie. Dlatego weryfikatorzy przed pracą powinni zapoznać się z wytycznymi stylistycznymi klienta i sprawdzić istniejące tłumaczenia pod kątem spójności. Jeszcze lepiej: stosować systemy AI z pamięcią tłumaczeniową (TM), które rozpoznają wcześniejsze tłumaczenia. Mimo to weryfikacja ludzka pozostaje niezbędna, aby zapewnić jednolitość tożsamości marki we wszystkich kanałach.
Błędy w URL-ach, metadanych i atrybutach hreflang
Tłumaczenia maszynowe skupiają się głównie na widocznym tekście i ignorują elementy techniczne, takie jak URL-e, metadane i tagi hreflang. Tymczasem są one niezbędne do wielojęzycznej optymalizacji pod kątem wyszukiwarek. Typowe błędy: AI tłumaczy slugi URL, mimo że zazwyczaj powinny pozostać niezmienione – z "/de/produkte" błędnie robi "/en/products", co prowadzi do martwych linków. Również meta tytuły i opisy często są automatycznie tłumaczone bez uwzględnienia ograniczeń znaków: niemieckie meta opisy składające się ze 160 znaków po przetłumaczeniu na angielski są często zbyt długie i obcięte. Szczególnie krytyczne są atrybuty hreflang: te tagi HTML pokazują wyszukiwarkom wersje językowe strony. AI może przypadkowo ustawić hreflang="de" dla angielskiej strony lub wskazać kanoniczny URL na niewłaściwą wersję językową. Skutek: wyszukiwarki indeksują błędne strony lub karzą za zduplikowaną treść. Dlatego po tłumaczeniu sprawdzający powinni systematycznie przeglądać wszystkie linki, metadane i tagi hreflang. Używaj narzędzi takich jak Screaming Frog lub przeprowadzaj ręczne próbki. Upewnij się, że struktury URL są spójne (np. /de/, /en/ jako ścieżki językowe), a meta dane są zoptymalizowane językowo. Dokumentuj każdą modyfikację, aby zachować ramy techniczne przy przyszłych tłumaczeniach.
Lokalizacja tekstów prawnych i ostrzeżeń bezpieczeństwa
Teksty prawne, takie jak ogólne warunki handlowe, polityki prywatności czy stopki redakcyjne, często zawierają ustandaryzowane sformułowania, które przez AI są tłumaczone poprawnie dosłownie, ale niewystarczająco pod względem prawnym. I tak, z niemieckiego „Einwilligung gemäß Art. 6 DSGVO” w języku angielskim często robi się ogólne „consent according to law”, bez podania konkretnej podstawy prawnej. Może to prowadzić do upomnień. Również ostrzeżenia bezpieczeństwa dotyczące produktów są szczególnie podatne: ostrzeżenia takie jak „Nie pozostawiać w zasięgu dzieci” są czasem osłabiane przez AI („Keep out of reach” zamiast „Keep out of reach of children”). W Europie precyzyjne ostrzeżenia są wymagane prawnie; niedokładności zagrażają odpowiedzialności za produkt. Dlatego sprawdzający powinni weryfikować teksty prawne nie tylko pod kątem poprawności językowej, ale pod kątem równoważności prawnej. Sprawdzona praktyka: utwórz glosariusz z wiążącymi tłumaczeniami klauzul, paragrafów i terminów prawnych. Współpracuj z native speakerem znającym system prawny kraju docelowego. Na koniec zleć weryfikację prawnikowi. AI może przyspieszyć przepływ pracy, ale odpowiedzialność pozostaje po stronie firmy – dlatego systematyczna kontrola przez ludzi jest niezbędna.
Znaczniki hreflang i SEO: Niewidoczne pułapki
Podczas gdy błędy językowe od razu rzucają się w oczy, niewidoczne błędy w kodzie źródłowym zagrażają znajdowalności Twojej wielojęzycznej strony internetowej. Tłumaczenia maszynowe często dostarczają poprawnych tekstów, ale zapominają o dostosowaniu znaczników hreflang, metadanych i struktury URL. Typowy przykład: AI tłumaczy treść, ale atrybut hreflang nadal wskazuje na stronę źródłową – wyszukiwarki wyświetlają wtedy nieprawidłową wersję językową w wynikach wyszukiwania. Tłumaczenie meta-tytułów i meta-opisów jest również często pomijane, przez co Twoja strona czyta się po niemiecku, ale pojawia się pod angielskimi fragmentami. Jeszcze bardziej krytyczne: gdy AI tłumaczy tytuły stron, ale pozostawia URL bez zmian, powstają problemy z duplikacją treści. Dlatego audytorzy powinni systematycznie sprawdzać każdą stronę pod kątem pełnej lokalizacji elementów SEO: hreflang, canonical, meta-description, atrybuty alt i URL. Diabeł tkwi w kodzie źródłowym: brakujący kod języka lub nieprawidłowy region (de-DE zamiast de-AT) może zrujnować Twoją międzynarodową widoczność. Nasze audyty obejmują zatem nie tylko widoczny tekst, ale także infrastrukturę techniczną lokalizacji. Tylko w ten sposób zapewnisz, że Twoje treści zostaną znalezione na wszystkich rynkach docelowych – bez utraty pozycji rankingowej z powodu maszynowego niedbalstwa.
Zarządzanie terminologią jako kotwica jakości
Jednym z największych wyzwań w tłumaczeniach maszynowych jest niespójne stosowanie terminów fachowych. Choć pojedynczy tekst może wydawać się bezbłędny, porównanie z wcześniejszymi tłumaczeniami tego samego klienta często ujawnia poważne rozbieżności. AI nie ma pamięci dla firmowego słownictwa – tłumaczy każde wystąpienie od nowa, nie uwzględniając ustalonego zasobu słów. Dlatego niezbędne jest scentralizowane zarządzanie terminologią. Przed tłumaczeniem należy stworzyć obowiązkowe glosariusze, które określają preferowane terminy, zakazane synonimy i warianty zależne od kontekstu. Glosariusz ten musi być zintegrowany zarówno ze środowiskiem AI, jak i środowiskiem audytorskim. Audytor powinien następnie systematycznie porównywać każdy termin fachowy w tekście docelowym z glosariuszem. Szczególnie krytyczne są neologizmy, nazwy produktów i sformułowania prawne. Bez glosariusza ryzykujesz, że ten sam termin będzie tłumaczony różnie w różnych publikacjach – utracona szansa na spójność marki i źródło irytacji dla klientów. Zainwestuj więc w utrzymanie swojego zasobu terminologicznego; to najskuteczniejszy dźwignia do podniesienia jakości tłumaczeń maszynowych na profesjonalny poziom.
blog.faqT
Jak postępować z błędnie przetłumaczonymi nazwami własnymi?
Stwórz wiążącą bazę terminologiczną, która dla każdej nazwy własnej określa poprawną pisownię w języku docelowym. Osoby sprawdzające powinny oznaczyć wszystkie nazwy własne i porównać je z tą bazą. Odchylenia są korygowane, a baza aktualizowana w przypadku nowych przypadków. Dzięki temu zapewnisz spójność nazw marek i produktów.
Jakie narzędzia wspierają sprawdzanie błędów liczbowych i formatowania?
Używaj narzędzi QA, takich jak Xbench lub Verifika, które automatycznie sprawdzają separatory tysięcy, formaty dat i waluty. Narzędzia te wymieniają odstępstwa, które następnie należy ręcznie zweryfikować. Alternatywnie, wyrażenia regularne mogą przejąć niestandardowe kontrole. Wyniki są rejestrowane w protokole kontroli.
