Por que Acreditamos em LLMs em vez do DeepL para nosso Plugin de Tradução do WordPress

Robbert Vermeulen

Robbert Vermeulen

· 16 min read

No campo em rápida evolução da tradução automática, os grandes modelos de linguagem (LLMs) surgiram como ferramentas poderosas que frequentemente superam os serviços de tradução tradicionais. Na EPIC WP, escolhemos aproveitar os LLMs para nosso plugin de extensão de Tradução Automática por IA para Polylang, acreditando que oferecem resultados superiores em comparação com serviços como o DeepL. Este artigo explora as razões por trás de nossa decisão e as vantagens que os LLMs trazem para o processo de tradução.

Visão Geral dos LLMs e Serviços de Tradução Tradicionais

Grandes modelos de linguagem são sistemas de inteligência artificial treinados em grandes quantidades de dados textuais em vários idiomas e domínios. Eles usam técnicas de aprendizado profundo, particularmente arquiteturas de transformadores, para entender e gerar textos semelhantes aos humanos. Por outro lado, os serviços de tradução tradicionais como o DeepL normalmente usam modelos de tradução automática neural (NMT) mais especializados, focados especificamente na tarefa de tradução.

Principais Vantagens dos LLMs na Tradução

  1. Compreensão Contextual: Os LLMs têm uma compreensão mais profunda do contexto e nuances da língua. Eles conseguem captar melhor expressões idiomáticas, referências culturais e significados sutis que podem se perder em traduções literais.
  2. Capacidades Multilíngues: Muitos LLMs são treinados com dados de diversos idiomas simultaneamente, permitindo um bom desempenho em uma ampla gama de pares de idiomas sem a necessidade de modelos separados para cada par.
  3. Adaptabilidade de Domínio: LLMs podem se adaptar a vários domínios e estilos de texto mais facilmente do que modelos de tradução especializados, tornando-os versáteis para diferentes tipos de conteúdo.
  4. Gerenciamento de Ambiguidade: Com sua compreensão mais ampla da linguagem, os LLMs costumam ser melhores em resolver ambiguidades no texto de origem, levando a traduções mais precisas.
  5. Consistência em Conteúdo Extenso: LLMs podem manter a consistência em termos de terminologia e estilo em textos mais longos, o que é crucial para documentos como artigos de pesquisa ou obras literárias.
  6. Criatividade na Tradução: Ao lidar com textos criativos ou literários, os LLMs frequentemente oferecem traduções mais naturais e fluentes que capturam a essência do texto original.

O Poder de Incitar Conversações e Prompts do Sistema

Uma das razões mais convincentes para acreditarmos nos LLMs em relação aos serviços de tradução tradicionais como o DeepL é a capacidade de utilizar prompts conversacionais e do sistema. Esse recurso é uma inovação no campo da tradução, especialmente para sites com conteúdo específico da indústria.

Personalização de Traduções para Indústrias Específicas

Com os LLMs, podemos efetivamente “programar” o tradutor para se tornar um especialista no campo dos sites de nossos clientes. Isso é alcançado por meio de prompts do sistema cuidadosamente elaborados e contexto conversacional. Eis por que isso importa:

  1. Terminologia Específica da Indústria: Podemos instruir o LLM a usar vocabulário e jargões específicos de uma determinada indústria, garantindo que as traduções não sejam apenas linguisticamente corretas, mas também profissionalmente precisas.
  2. Nuances Contextuais: Fornecendo contexto sobre a indústria ou campo no prompt do sistema, o LLM pode entender e transmitir melhor nuances que poderiam se perder em uma tradução geral.
  3. Adaptação de Tom e Estilo: Podemos orientar o LLM a adotar o tom e estilo apropriados para uma determinada indústria, seja ele formal para conteúdo jurídico, técnico para sites de engenharia ou casual para blogs de estilo de vida.
  4. Consistência na Voz da Marca: Para sites de negócios, podemos instruir o LLM a manter uma voz de marca consistente em todo o conteúdo traduzido, preservando o estilo de comunicação único da empresa.
  5. Manejo de Conteúdo Especializado: Seja terminologia médica, especificações técnicas ou texto criativo de marketing, o LLM pode ser orientado a lidar com esses tipos de conteúdo especializado de forma adequada.

Flexibilidade e Personalização

Esse nível de personalização simplesmente não é possível com serviços de tradução tradicionais como o DeepL. Com nossa extensão de Tradução Automática por IA para Polylang, os proprietários de sites podem se beneficiar de traduções que não são apenas linguisticamente precisas, mas também:

  • Contextualmente apropriadas para a indústria específica
  • Alinhadas com a voz e estilo de comunicação da marca
  • Capazes de lidar com conteúdo especializado ou técnico
  • Adaptáveis a diferentes seções de um site (por exemplo, formal para páginas legais, envolvente para postagens de blog)

Ao aproveitar o poder de incitar conversações e prompts do sistema, podemos fornecer uma solução de tradução que vai além da mera tradução palavra por palavra. Em vez disso, oferece um serviço de tradução sofisticado, consciente do contexto e que pode verdadeiramente capturar o significado e o tom pretendidos do conteúdo original, independentemente da indústria ou campo.

Exemplos Comparativos: DeepL vs. LLMs Baseados no OpenAI

Para ilustrar as vantagens dos LLMs na tradução, vamos examinar três exemplos onde um LLM baseado no OpenAI (como usado em nossa extensão de Tradução Automática por IA para Polylang) supera o DeepL devido à sua compreensão contextual superior e ao manuseio de linguagem nuances.

Exemplo 1: Compreensão Contextual e Linguagem Coloquial

Este exemplo vem de um site holandês que vende produtos para festivais. A descrição do produto usa linguagem coloquial e referências culturais que exigem uma compreensão nuançada para serem traduzidas de forma eficaz.

Original (Holandês): “De doorgewinterde festival bezoeker herkent het wel. Lekker zeuren bij de bar om een dopje voor je flesje te scoren. Ook een heel arsenaal aan dopjes smokkelen is met de PartyDop verleden tijd! Deze blauwe universele dop past op alle waterflesjes die op festivals worden verkocht.”

Tradução do DeepL: “O visitante de festival experiente vai reconhecer isso. Pedir no bar por uma tampinha para sua garrafa. Contrabandear um arsenal inteiro de tampinhas também é coisa do passado com o PartyDop! Esta tampinha azul universal se adapta a todas as garrafas de água vendidas nos festivais.”

Tradução do OpenAI LLM: “O festivelheiro experiente reconhece bem: o problema de implorar por uma tampinha para sua garrafa no bar. Contrabandear um arsenal inteiro de tampinhas de garrafas já é coisa do passado com o PartyCap! Esta tampinha azul universal se encaixa em todas as garrafas de água vendidas nos festivais.”

Análise: Embora ambas as traduções sejam geralmente precisas, a tradução do LLM do OpenAI mostra uma melhor compreensão do contexto e da linguagem coloquial:

  1. “Festival-goer” vs. “festival visitor”: O LLM escolhe um termo mais natural em inglês.
  2. “Knows this well” capta melhor a familiaridade implícita do que “will recognise it.”
  3. “The hassle of begging” transmite a frustração implicada em “Lekker zeuren” mais eficazmente do que “Nagging.”

Este exemplo demonstra como o LLM capta melhor o tom e os significados implícitos do texto original, produzindo uma tradução que parece mais natural e envolvente para o público-alvo.

Exemplo 2: Tradução Literária e Nuances Culturais

Este exemplo é um parágrafo de uma famosa história chinesa, que requer não apenas precisão linguística, mas também uma compreensão do contexto cultural e do estilo literário.

Original (Chinês): 我从十二岁起,便在镇口的咸亨酒店里当伙计,掌柜说,样子太傻,怕侍候不了长衫主顾,就在外面做点事罢。外面的短衫主顾,虽然容易说话,但唠唠叨叨缠夹不清的也很不少。他们往往要亲眼看着黄酒从坛子里舀出,看还如何舀法,然后各种指摘:酒色太深,是旧酒;酒色太浅,是水酒;喝了一口,烧喉咙,哪里是好酒?……我早就知道这种顾客的话不足深信,但谁叫他们是顾客呢?顾客自然可以随意饶舌。只有一种顾客,叫作孔乙己的,总是匿在柜台的角落里,才是值得只配外面的短衫主顾的。

Tradução do DeepL (Inglês): “Since I was twelve years old, I have been working as a waiter in the Xian Heng Hotel at the entrance of the town. The shopkeeper said that I was too stupid to serve the long-shirted customers, so I had to do some work outside. The short-shirted customers outside were easy to talk to, but there were also many nagging and pestering customers. They often have to watch the yellow wine from the altar scooped out, see how to scoop method, and then all kinds of accusations: wine colour is too dark, is the old wine; wine colour is too light, is the water wine; drink a mouthful, burning throat, where is the good wine? …… I have long known that this kind of customer’s words are not convinced, but who asked them to be customers? Customers are naturally free to speak their minds. There is only one kind of customer, the one called Kong Yi Ji, who always stays in the corner of the counter, and is worthy of the short-shirted patrons who are only worthy of the outside.”

Tradução do OpenAI LLM (Inglês): “Since I was twelve, I have worked as a servant at the Xianheng Tavern by the town’s entrance. The shopkeeper said I looked too foolish and might not be able to serve the long-robed customers properly, so he had me work outside instead. Although the short-robed customers outside were easier to talk to, there were still quite a few who were incessantly picky and unclear in their demands. They often insisted on watching the yellow wine being ladled from the jar, scrutinizing how it was done, and then complaining in various ways: the wine is too dark, it’s old wine; the wine is too light, it’s watered down; after a sip, it burns the throat—how can this be good wine? … I knew long ago that such customers’ words were not to be fully trusted, but since they were customers, they were naturally allowed to speak freely. There was only one type of customer, named Kong Yiji, who always hid in the corner of the counter, and was truly only worthy of being with the short-robed customers outside.”

Análise: A tradução do LLM demonstra uma compreensão superior do contexto cultural e do estilo literário:

  1. “Taverna Xianheng” vs. “Hotel Xian Heng”: O LLM identifica corretamente como uma taberna, não um hotel moderno, preservando o contexto histórico.
  2. “Clientes de robe longo” vs. “clientes de camisa longa”: A escolha do LLM transmite melhor o status social implícito pela vestimenta.
  3. “Retirado com concha do jarro” vs. “tirado com concha do altar”: O LLM descreve a ação com precisão sem a confusão introduzida ao traduzir erroneamente “坛子” (jarro) como “altar.”
  4. “Diluído em água” vs. “vinho de água”: O LLM usa uma expressão em inglês mais natural para transmitir o significado.
  5. No geral, a tradução do LLM tem um fluxo narrativo mais coeso, capturando o estilo literário do texto original melhor do que a versão do DeepL.

Este exemplo mostra como o LLM pode lidar com textos literários complexos, preservando não apenas o significado literal, mas também o tom, nuances culturais e estilo narrativo do trabalho original.

Exemplo 3: Jargão Técnico e Expressões Idiomáticas

Este exemplo apresenta uma descrição de produto para uma ferramenta de software fictícia, combinando terminologia técnica com expressões idiomáticas e linguagem criativa.

Original (Inglês): “TechWizPro is not your run-of-the-mill coding assistant. It’s a game-changer that kills two birds with one stone – boosting productivity while squashing bugs like nobody’s business. Our AI-powered syntax predictor is so smart, it’ll make you feel like it’s reading your mind! Say goodbye to hair-pulling debugging sessions and hello to silky-smooth code deployments. With its quantum-inspired algorithms, TechWizPro doesn’t just think outside the box – it shatters the box entirely. Whether you’re a coding newbie or a seasoned pro, this tool will be your secret weapon in the digital arms race. Don’t let your projects become a bull in a china shop – let TechWizPro be your coding rodeo clown, keeping those wild bugs at bay!”

Tradução do DeepL (Espanhol): “TechWizPro no es el típico asistente de programación. Es un cambio de juego que mata dos pájaros de un tiro – aumentar la productividad mientras aplasta errores como nadie. Nuestro predictor de sintaxis basado en IA es tan inteligente que te hará sentir como si leyera tu mente. Despídete de las sesiones de depuración que te tiran de los pelos y da la bienvenida a despliegues de código suaves como la seda. Con sus algoritmos de inspiración cuántica, TechWizPro no sólo piensa fuera de la caja, sino que la rompe por completo. Tanto si eres un novato en codificación como un profesional experimentado, esta herramienta será tu arma secreta en la carrera armamentística digital. No deje que sus proyectos se conviertan en un toro en una cacharrería: ¡deje que TechWizPro sea su payaso de rodeo de codificación, manteniendo a raya a esos bichos salvajes!”

Tradução do OpenAI LLM (Espanhol): “TechWizPro no es tu asistente de codificación común y corriente. Es un cambio de jogo que mata dos pájaros de un tiro: aumenta la productividad mientras elimina errores como nadie. Nuestro predictor de sintaxis impulsado por IA es tan inteligente que te hará sentir como si leyera tu mente. ¡Di adiós a las sesiones de depuración frustrantes y hola a implementaciones de código sin problemas! Con sus algoritmos inspirados en la computación cuántica, TechWizPro no solo piensa fora da caixa, ¡la destruye por completo! Ya seas un principiante en programación o un profesional experimentado, esta herramienta será tu arma secreta en la carrera digital. No dejes que tus proyectos se conviertan en un toro en una tienda de porcelana: deja que TechWizPro sea tu payaso de rodeo de codificación, manteniendo a raya esos errores salvajes.”

Análise: Ambas traduções são geralmente precisas, mas a tradução do LLM mostra algumas melhorias sutis no tratamento de expressões idiomáticas e na manutenção do tom geral:

  1. “Run-of-the-mill”: O “común y corriente” do LLM captura o idiomatismo melhor do que o “típico” mais literal do DeepL.
  2. “Squashing bugs”: O “elimina errores” do LLM é mais natural do que o “aplasta errores” literal do DeepL.
  3. “Hair-pulling debugging sessions”: O LLM transmite a frustração com “sesiones de depuración frustrantes”, enquanto o DeepL é literal com “sesiones de depuración que te tiran de los pelos”.
  4. “Silky-smooth code deployments”: O “implementaciones de código sin problemas” do LLM transmite o significado de forma mais natural do que o “despliegues de código suaves como la seda” literal do DeepL.
  5. “Quantum-inspired algorithms”: O “algoritmos inspirados en la computación cuántica” do LLM é mais preciso do que o “algoritmos de inspiración cuántica” do DeepL.
  6. Consistência no tom informal: O LLM mantém um tom informal consistente (usando a forma “tu”), enquanto o DeepL alterna entre formal e informal (“tu” e “usted”).
  7. “Bull in a china shop”: Ambas as traduções adaptam bem este idiom, mas o “tienda de porcelana” do LLM é mais comumente usado do que o “cacharrería” do DeepL.

Este exemplo demonstra como a tradução do LLM oferece um tratamento mais nuançado de expressões idiomáticas e mantém um tom mais consistente, além de mostrar uma ligeira vantagem na tradução de terminologia técnica. As diferenças são sutis, mas se somam a uma tradução que soa mais natural e envolvente, capturando melhor o espírito do texto original.

Desafios e Considerações

Embora os LLMs ofereçam vantagens significativas, há alguns desafios a serem considerados:

  1. Recursos Computacionais: LLMs exigem um poder computacional significativo, o que pode torná-los menos práticos para tarefas de tradução em tempo real em comparação com modelos mais leves.
  2. Limites de Tokens: LLMs frequentemente têm um número máximo de tokens que podem processar de uma só vez, o que pode ser uma limitação ao traduzir documentos muito longos.
  3. Velocidade: As traduções usando LLMs geralmente demoram mais em comparação com serviços de tradução especializados. No entanto, acreditamos que essa troca vale a pena pela qualidade aprimorada e precisão contextual das traduções.

Conclusão

Embora serviços de tradução tradicionais como DeepL tenham feito avanços significativos na tradução automática, acreditamos que os grandes modelos de linguagem oferecem uma abordagem superior devido à sua compreensão contextual, capacidades multilíngues e adaptabilidade. Apesar de desafios como requisitos computacionais e velocidade de processamento, a qualidade das traduções produzidas pelos LLMs frequentemente justifica essas concessões.

A capacidade de usar prompts conversacionais e do sistema diferencia os LLMs no campo da tradução. Ao nos permitir personalizar o processo de tradução para indústrias e contextos específicos, os LLMs oferecem um nível de personalização e precisão que os serviços tradicionais simplesmente não podem igualar.

Nossos exemplos comparativos demonstram como os LLMs se destacam no manuseio da linguagem coloquial, preservando nuances culturais em textos literários e navegando pelas complexidades de jargões técnicos misturados com expressões idiomáticas. Essas capacidades resultam em traduções que não são apenas linguisticamente precisas, mas também culturalmente apropriadas e ricas em contexto.

Ao aproveitar os LLMs em nossa extensão de Tradução Automática por IA para Polylang, visamos oferecer aos usuários do WordPress traduções que não apenas transmitam o significado literal do texto, mas também capturem suas nuances, estilo e contexto cultural. À medida que a tecnologia de LLM continua a avançar rapidamente, estamos empolgados com as possibilidades futuras e continuamos comprometidos em aproveitar esses avanços para oferecer as melhores soluções de tradução possíveis para os usuários de Polylang.

Em um mundo cada vez mais interconectado, onde a comunicação eficaz entre barreiras linguísticas é mais crucial do que nunca, acreditamos que as ferramentas de tradução impulsionadas por LLM desempenharão um papel fundamental em promover compreensão e colaboração em escala global. Ao optar por LLMs em vez de serviços de tradução tradicionais, não estamos apenas acompanhando os avanços tecnológicos – estamos ativamente moldando o futuro do conteúdo multilíngue na web.

Robbert Vermeulen

Robbert Vermeulen

Founder of EPIC WP Solutions

View all posts →