Transept、スタイルを記憶するAI翻訳ツールを発表

Transept AIは、作家のVitāliiとMariiaによって立ち上げられた翻訳ワークスペースで、彼らが直面した問題を解決するためにプロダクトを構築した。Vitāliiは120,000語の風刺ロマンスファンタジーを書いていた—負債に溺れる魔法使いとマルチバース経済を特徴とする—しかし、彼が試たすべての翻訳ツールが声を削いだことに気付いた：トーン、リズム、機知、感情的なテクスチャがすべて平坦化した。Mariiaは実在の人物について半虚構の物語を書いており、ほとんどの人物が英語で会って話されており、その人物の母語で書かなかったことで何を見落としたのかと疑問に思っていた。既存の翻訳ツールはどれも正確性と一緒に声を保つことができなかった。

なぜこれが起きたのかを理解するために、2人はClaude、GPT、Gemini、および複数のオープンソースモデルに対して同じ50ページの章をベンチマークし、正確性、トーン、風刺がまだ機能するかどうかを判断した。どれも3つすべてを保持していなかった；それぞれが異なる方法で失敗した。これにより、彼らが開始したときに存在していたはずのツールを構築するに至った。

Transeptは6つのステップで機能する。第1に、ユーザーは任意の文書（DOCX、PDF、MD、TXT、または生テキスト）を持ち込み、選択した言語ペアでサイドバイサイド翻訳を取得する—翻訳は目的地ではなく出発点。第2に、ユーザーは一度用語集を構築し、プロジェクトごとにそれを切り替えるため、用語は12の対応言語すべてでページ1からページ500まで一貫性を保つ。第3に、最も明確に、ユーザーが承認したすべての翻訳は「記憶される」システムによって—文言だけでなく、推論：拒否された代替案、選択を説明したコメント。この「判断文脈メモリ」は次の実行にモデルにフィードバックされ、複数の文書とチーム間で、AIはただ単語だけでなく判断を学習する。第4に、ユーザーはカスタム指示（例えば「より形式的に」「比喩を保つ」）で任意の文を操舵でき、用語集とスタイルガイドが自動的にフィードインされ、書き直しは用語とトーンに従う。第5に、Literessと呼ばれる機能—ユーザーの側にいる文学編集者として説明される—プロジェクトと文書間の好みを記憶し、翻訳を読み、トーンが平坦化または意味がドリフトしている場所にフラグを立て、ユーザーの許可に基づいて作用できる：文書をドラフトし、ボード間でジョブを移動し、またはワークフローを実行する。第6に、ユーザーは句レベルのコメント付きのクリーンな読み取りビューで確認し、その場で返信して解決でき、DOCXファイルをメール送信せずにレビュアーまたはクライアントにリンクを送信できる。

料金は消費量ベースで使用量のみ。無料プランには月1,500語が含まれ、無制限のユーザーがあり、月約5ページをカバー；これには標準モード（ソース語1語につき1語）、翻訳メモリ、ワークフロー、用語集、スタイルガイド、QA、インポートおよびエクスポート、50以上の言語のサポート、およびLiteressとの10の生涯メッセージが含まれる。Starterプランは月100,000語で€29/月であり、プロモード（ニュアンスのためにソース語1語につき3語）、プロジェクト全体にわたる一括翻訳、無制限のLiteress、およびスペースの共有単語プールに資金を提供するために€29/月シートを持つ無料のチーム作成を追加する。Proプランは月300,000語で€79/月であり、Starterの3倍の手当、優先サポート、およびほとんどの月でトップアップなしで予測可能な請求を追加する。手動編集、エクスポート、コメント、およびレビュー活動は無料；単語はブロックがAIで翻訳されたときにのみ費やされる。トップアップ単語パックは50,000語で€19、200,000語で€69、または500,000語で€149で利用可能であり、パックの単語は決して有効期限切れにならない。すべての価格はEURであり、該当する場合、チェックアウト時にVATが追加される。サービスには最初のサブスクリプション支払いに対する7日間のマネーバック保証が含まれており、いつでもキャンセルを許可。

Transeptは具体的な創作上の不満から生まれた。Vitāliiは風刺ファンタジーの120,000語を翻訳し、Claude、GPT、Gemini、オープンモデルのすべてのツールが単語は保存するが声を失うこと—トーン、リズム、機知、感情的なテクスチャが出力で平坦化することを発見した。作家のMariiaは実在の人物について半虚構の物語を書き、英語で書くことで瞬間にマッチさせたが、その人物の母語で書かなかったことで何を見落としたかと疑問に思った。トレードオフを受け入れる代わりに、2人は機械翻訳の研究を読み、同じ50ページの章で主要なモデルをベンチマークし、正確性、トーン、風刺を一緒に保つモデルはないこと、それぞれが異なる方法で失敗することを発見した。

結果のプロダクトは3つの異なるワークフロー—個別翻訳者、公開ウィンドウが閉じる前に複数言語で配信するコンテンツクリエイター、単一ソースから複数言語にスケーリングするローカライゼーションチーム—をターゲットにしている。主要な革新は「判断文脈メモリ」：静的な用語集ルックアップを提供する代わりに、Transeptは承認された文言だけでなく各翻訳選択の背景にある推論（拒否された代替案、選択を説明するコメント）をキャプチャし、その判断を次の実行に、複数の文書とチームメンバー間でモデルにフィードバックする。このアプローチは用語の一貫性だけでなく翻訳者の声と意図を保存することを目的としている。