Ganhos:
- Capacidade de distinguir os pontos fortes e fracos da tradução baseada em NMT e LLM e escolher o motor certo de acordo com o tipo de negócio
- Capacidade de pré-classificar a adequação de um texto para a máquina e pré-avaliá-lo quanto a tempo e preço realistas
- Capacidade de medir rapidamente a qualidade da produção bruta da máquina em cinco dimensões e sinalizar riscos sem confundir suavidade com precisão
O acelerador mais poderoso que você tem como tradutor é a tradução automática (TA), mas usar uma ferramenta conscientemente significa aplicá-la no trabalho certo, no par de idiomas certo e com as expectativas certas. Nesta unidade, você conhecerá as duas principais famílias de MT (tradução baseada em NMT e LLM), aprenderá qual é a melhor para qual trabalho, como medir rapidamente a qualidade bruta de uma tradução antes da entrega e como escolher o mecanismo de acordo com o trabalho. O objetivo é afastar-se da ideia de “mesmo assim, colar-traduzir” e tornar-se um especialista que consegue prever qual texto é adequado para a máquina e qual exige trabalho humano intensivo.
Duas famílias: tradução baseada em NMT e LLM
NMT (Neural Machine Translation) são sistemas que aprenderam com milhões de frases bilíngues e traduzem a frase como um todo; Google Translate, DeepL, Microsoft Translator são exemplos disso. Pontos fortes: muito rápido, consistente, fluente em frases curtas. Fraqueza: muitas vezes não vê o contexto além do limite da frase (ou seja, de todo o texto); Pode ser difícil decidir se a palavra “banco” significa margem ou margem de rio olhando para o parágrafo e ela não se enquadra na lista de termos fornecida.
A tradução baseada em LLM (Large Language Model) é o uso de modelos orientados por instrução, como ChatGPT, Claude, Gemini para tradução. Força: segue instruções - entende instruções como “usar tom formal”, “siga esta lista de termos”, “público-alvo são crianças”; vê o contexto mais amplo; captura melhor o idioma e o tom. Fraqueza: às vezes pode ser “muito criativo” e acrescentar à fonte (risco de alucinações), perde coerência em textos longos e custos/velocidade variam dependendo do trabalho.
Regra prática: em textos diretos, repetitivos e técnicos, o NMT costuma ser rápido e adequado; O LLM é mais flexível com textos que exigem disciplina em tom, contexto, vocabulário e instrução. A maioria dos profissionais hoje usa os dois juntos: rascunho rápido do NMT, correção de tom/termo do LLM.
Dica: A qualidade da máquina de um par de idiomas (por exemplo, Turco→Inglês) pode diferir da direção oposta (Inglês→Turco). Idiomas com sintaxe flexível e aglutinante, como o turco, geralmente são mais desafiadores para a TA. Julgue por si mesmo qual mecanismo é melhor em seu par com alguns exemplos de textos.
Compatibilidade de texto com máquinas: pergunte primeiro
Nem todo texto é igualmente adequado para a máquina. Antes de iniciar a tradução, passe o texto por um filtro de “adequação”:
- Adequado à máquina: manual técnico, descrição do produto, texto repetitivo da interface, correspondência padrão, tabela/lista. A linguagem é clara, a terminologia é fixa, a criatividade é escassa.
- Meio adequado: notícias, conteúdo corporativo, material educativo. A máquina produz bons contornos, mas requer pós-edição séria para tom e fluxo.
- Não adequado para máquina (alto risco): contrato legal, texto médico, propaganda/slogan, texto literário, humor, poesia. Aqui a máquina só dá ideias; O trabalho recai em grande parte sobre as pessoas.
Se você fizer essa distinção desde o início, você dará ao cliente o tempo/preço certo e se protegerá de confiar cegamente na produção bruta.
Meça rapidamente a qualidade da saída bruta
Quando você vê uma saída MT, você se pergunta "isso é bom ou ruim?" Responda à pergunta com uma lista de verificação rápida, não com intuição. Observe estas cinco dimensões: precisão (o significado é fiel à fonte?), completude (a frase é omitida ou adicionada?), terminologia (está correta e consistente?), fluência (é natural na língua-alvo?), formato (as tags, números, formatação são preservados?). Iremos aprofundar estas dimensões na próxima unidade de qualidade; Por enquanto, deixe que seja o seu reflexo pré-parto.
Cuidado: Os erros mais perigosos da saída MT são os "fluentes, mas incorretos". A frase pode estar em turco perfeito, mas o “desconto de 15%” na fonte pode ter sido alterado para “desconto de 50%”. Não desanime pela fluência; Sempre observe o número, o negativo e o nome próprio separadamente.
três mini cases
Caso 1 – O motor certo reduziu o tempo pela metade. Um tradutor optou por traduzir uma interface de software de 12.000 palavras com NMT e um livreto de marketing do mesmo volume com LLM. A consistência do NMT na interface tornou o trabalho mais rápido; A flexibilidade tonal do LLM no livreto reduziu a carga de reescrita em 40%. Dar ambos os trabalhos ao mesmo motor seria uma perda de tempo.
Caso 2 – A pré-avaliação salvou o preço. Um escritório estava prestes a oferecer um texto legal porque “pode ser feito por máquinas, vai custar barato”. Na pré-avaliação foi traduzida uma amostra de 500 palavras; A máquina retornou dois termos legais com o equivalente do sistema errado. O escritório classificou o trabalho como "pós-edição pesada" e deu um prazo realista; Ele evitou perder dinheiro por causa da oferta errada.
Caso 3 — Diferença de pares de idiomas. Uma equipe achou que um motor que funcionasse bem em inglês→alemão teria a mesma qualidade em turco→árabe. O teste de 300 palavras mostrou que a produção em árabe exigia muito mais correção. A equipe alocou diferentes motores e diferentes orçamentos de pós-edição dependendo do par de idiomas.
Quatro modelos copiáveis
1) Avaliação da adequação do texto:
Sua função: especialista sênior em MTPE. Classifique o texto a seguir quanto à adequação para tradução automática: literal/técnico ou criativo/contextual? Classifique-o como (1) muito fácil de usar, (2) médio, (3) alto risco e escreva sua justificativa. Estime a carga de pós-edição esperada como leve/média/pesada. Exemplo de texto: [colar 200-300 palavras]
2) Tradução LLM instruída (com terminologia e controle de tom):
Traduza este texto [fonte]→[alvo].Público: [quem]. Tom: [por ex. oficial]. Campo: [ex. finanças].Lista de termos (certifique-se de usar): [A→a, B→b].Regras: não adicione o que não está na fonte, mantenha números/datas/nomes, substitua cada frase por uma frase. Marque onde você não tem certeza com [?]. Texto: [...]
3) Comparação de dois motores:
Abaixo estão duas traduções diferentes da mesma frase original (A e B). Compare cada um em termos de correção, terminologia e naturalidade, e diga-me qual deles exigirá menos correção, com a justificativa. Fonte: [...] | Tradução A: [...] | Tradução B: [...]
4) Inspeção rápida de saída bruta:
Abaixo está a fonte e a tradução automática. Basta marcar o seguinte:(1) informação omitida/adicionada, (2) número/data/nome incorreto, (3) erro de negação, (4) termo inconsistente. Não escreva nenhuma correção, apenas liste as áreas de risco.Fonte: [...] | Tradução: [...]
Alerta fraco / Alerta forte
Fraco: "Traduza este texto e será bom." (Para o motor, “bom” é indefinido; sem tom, sem termo, sem massa.)
Güçlü: "Traduza a descrição deste produto do inglês para o turco. Área: comércio eletrônico. Público: consumidor jovem. Tom: amigável, mas tranquilizador. 'checkout' → 'etapa de checkout', 'lista de desejos' → 'lista de desejos'. Altere os números e o nome da marca. Turco fluente sem qualquer odor de tradução. "
Diferença: um prompt forte dá ao mecanismo uma meta mensurável; a saída se aproxima diretamente do rascunho pós-editado.
Gráfico de comparação NMT vs LLM
Tamanho
NMT (Google, DeepL)
LLM (ChatGPT, Claude)
velocidade
muito rápido
médio
Receber instrução/tom
fraco
forte
Cumpra a lista de termos
limitado
Bom (com aviso)
Contexto amplo
fraco
bom
Risco de alucinações
baixo
Médio (controle necessário)
trabalho mais adequado
Direto/técnico/repetitivo
Tom/contexto/criativo
Erros comuns
- Usando o mesmo mecanismo para todos os trabalhos. Não escolher um motor de acordo com o tipo de trabalho causa perda de tempo e qualidade.
- Dando preço/tempo sem pré-avaliação. Um teste de 200 a 300 palavras revela as surpresas desde o início.
- Confundindo fluência com precisão. Uma frase bonita não significa uma frase correta.
- Ignorando o par de idiomas e a diferença de direção. Um bom motor em um par pode ser fraco em outro.
- Não percebendo as adições do LLM. O LLM às vezes adiciona frases que não estão na fonte "para ajudar"; verifique isso.
Janela de contexto e consistência
Ao traduzir textos longos com LLM, é necessário conhecer um limite técnico: a janela de contexto — a quantidade de texto que o modelo pode “ver” e reter em mente por vez. Se o texto for maior que esta janela, você terá que dividi-lo em pedaços, e o modelo poderá "esquecer" no próximo pedaço o termo decisão ou tom que você tomou nos pedaços anteriores. Portanto, em vez de traduzir um longo livro ou documento inteiro, lembrar cada parte da base de termos e do resumo de estilo mantém a consistência. Este problema não ocorre em textos curtos; Porém, em obras longas, como romances e manuais, é necessário verificar adicionalmente a consistência das passagens. Solução prática: preparar uma “memória do projeto” (termos + caracteres + decisões de tom) e adicioná-la no início de cada peça e verificar a consistência entre as peças no final da tradução. No NMT, esse problema é vivenciado de uma maneira diferente: como o NMT traduz frase por frase, a consistência do comprimento do parágrafo já é fraca, então termbase assume o termo disciplina.
Resumindo
Existem duas famílias de tradução automática: NMT, que é rápida e consistente, e LLM, que recebe instruções e vê melhor o contexto e o tom. O tradutor mestre avalia antecipadamente a adequação do texto para a máquina, seleciona o mecanismo de acordo com o trabalho, mede rapidamente a qualidade do resultado bruto antes da entrega e nunca confunde fluência com precisão. Este reflexo de pré-avaliação permite que você forneça um tempo/preço realista e se proteja da confiança cega.
Tarefa de aplicativo
Traduza o mesmo texto de 200 palavras com uma ferramenta NMT e um LLM. Compare os dois resultados em cinco dimensões (precisão, integridade, terminologia, fluência, formato) e escreva as razões pelas quais é necessária menos pós-edição para este texto. Em seguida, sinalize os riscos de problema/contingência/prazo em ambos com o modelo de “verificação rápida de resultados brutos”.
lista de verificação
- [ ] Classifiquei a adequação do texto à máquina (baixo/médio/alto risco).
- [] Dependendo do tipo de trabalho, decidi usar NMT ou LLM.
- [ ] Fiz uma avaliação preliminar com uma pequena amostra e determinei a duração/preço de acordo.
- [] Inspecionei rapidamente a saída bruta em cinco dimensões.
- [ ] Verifiquei o número, a data, o nome e os negativos separadamente sem me deixar enganar pela fluência.