A tradução automática melhorou notavelmente após a transição para sistemas baseados em redes neuronais a partir de 2016, e os grandes modelos de linguagem produzem agora traduções que preservam melhor o estilo e o contexto. Hoje em dia, consegue compreender uma página web, um e-mail ou uma ementa em segundos. No entanto, continua a existir uma diferença importante entre "suficientemente bom para compreender" e "pronto a publicar".
Que ferramenta para quê?
- Ferramentas de tradução clássicas: O Google Tradutor, o DeepL e o Microsoft Translator são rápidos, suportam muitas línguas e traduzem documentos.
- Assistentes de chat: Pode indicar a assistentes como o ChatGPT, o Claude ou o Gemini o estilo, o público-alvo e os termos preferidos, e pedir-lhes que expliquem a tradução ou ofereçam alternativas.
- Tradução por câmara e voz: Ler placas e traduzir conversas são funcionalidades úteis em viagem.
Dicas para melhores resultados
- Dê contexto: por exemplo, "Este é um e-mail formal para um cliente".
- Adicione um glossário: Liste os termos especiais da sua marca ou área e as respetivas traduções preferidas.
- Utilize frases curtas e claras: Frases longas e ambíguas aumentam os erros.
- Retrotraduzir: Traduza o resultado novamente para a língua de origem para verificar se o significado é preservado.
- Peça a um falante nativo para ler o texto: Especialmente no caso de textos que vão ser publicados.
Erros comuns
- Expressões idiomáticas e provérbios traduzidos à letra
- O nível de formalidade errado
- Formatos de números, datas e unidades trocados
- Informação adicionada que não está no original, ou uma frase omitida
Quando é que um tradutor humano é essencial?
O custo dos erros é elevado em contratos, documentos judiciais, relatórios médicos, folhetos de medicamentos, requerimentos oficiais e livros ou textos publicitários para publicação. Para estes casos, utilize um profissional e, se necessário, um tradutor juramentado. A utilização da tradução automática como rascunho corrigido por um especialista (pós-edição) é também um método comum.
Como se desenvolveu a tradução automática?
As tentativas de tradução por computador remontam à década de 1950, mas os métodos passaram por várias fases principais:
- Sistemas baseados em regras: Os linguistas escreviam dicionários e regras gramaticais um a um; os resultados eram frequentemente rudimentares e literais.
- Tradução estatística: Na década de 2000, os sistemas começaram a aprender, através de probabilidades, que frase corresponde a qual a partir de milhões de pares de frases traduzidas por pessoas.
- Tradução automática neuronal: Em 2016, a Google anunciou a transição para um sistema de rede neuronal que processa a frase como um todo, e a fluência melhorou notavelmente.
- Transformers e grandes modelos de linguagem: A arquitetura Transformer introduzida em 2017 constitui a base das ferramentas de tradução e assistentes de chat atuais.
Porque é que as línguas menos faladas são mais difíceis?
Os sistemas de tradução precisam de grandes quantidades de texto bilingue para aprender. A qualidade é elevada para línguas como o inglês, o espanhol ou o francês porque esses dados são abundantes; para línguas com pouco texto na Internet, os erros aumentam consideravelmente. Estas são chamadas "línguas de poucos recursos". Investigação como o projeto NLLB-200 da Meta, anunciado em 2022, tenta colmatar esta lacuna com modelos que cobrem 200 línguas. Ainda assim, se estiver a traduzir um texto importante para uma língua de poucos recursos, fazer com que o resultado seja verificado por um falante nativo é mais importante do que nunca.
As funcionalidades, os planos e os preços das ferramentas de IA mudam frequentemente. Consulte sempre a página oficial da ferramenta para obter informações atualizadas.
Fontes e leitura adicional
- Yonghui Wu et al., “Google’s Neural Machine Translation System”, arXiv, 2016.
- ISO 18587:2017, “Translation services — Post-editing of machine translation output”.
- European Commission, eTranslation service and machine translation guidance.
- Wu, Y. et al. (2016), “Google’s Neural Machine Translation System”, arXiv:1609.08144
- Vaswani, A. et al. (2017), “Attention Is All You Need”, NeurIPS
- NLLB Team (2022), “No Language Left Behind: Scaling Human-Centered Machine Translation”, arXiv:2207.04672
Deixe um comentário
Seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *