Oversættelse & Lokalisering

Oversættelse dækker overførsel af indhold fra ét sprog til et andet med bevaret betydning. Lokalisering går videre og tilpasser indholdet til et marked: datoformater, valuta, måleenheder, tiltaleform, eksempler og billedtekster. En sprogmodel kan begge dele, men det er to forskellige opgaver, og de kræver forskellige instruktioner.

Grænsen mod nabo-use-cases er værd at holde skarp. Hvis du beder modellen om at forkorte, omskrive eller ændre budskabet undervejs, er du i gang med tekstgenerering, ikke oversættelse. Hvis du søger i dokumenter på ét sprog og svarer på et andet, er kernen RAG, og oversættelsen er kun sidste led.

Den klassiske maskinoversættelse fra dedikerede systemer er stadig relevant. Forskellen er, at en sprogmodel kan modtage kontekst i sin prompt: hvem læseren er, hvilken tone teksten skal have, og hvordan bestemte termer skal gengives.

En brugbar pipeline har flere led. Først udtrækkes teksten fra sit format, så tags, markdown og variabler kan beskyttes mod at blive oversat med. Derefter opdeles indholdet i segmenter, der er små nok til at rammes præcist, men store nok til at bevare sammenhæng.

Selve prompten indeholder typisk fire ting: kildeteksten, en beskrivelse af målgruppe og tone, en termliste og eventuelt tidligere oversatte segmenter fra samme dokument. Sidstnævnte er det, der skaber konsistens over lange tekster. Uden den vil samme term ofte blive oversat forskelligt fra afsnit til afsnit.

Modelvalget afgør, hvor meget kontekst du kan holde samlet. Claude Opus 5 og Gemini 3.1 Pro klarer lange dokumenter i ét hug, mens GPT-5.6 Sol er stærk på idiomatisk gengivelse i marketingnær tekst. GPT-5 nano er relevant, når volumen er høj og teksten forudsigelig, for eksempel produktfelter i en webshop.

Kvaliteten afhænger mest af tre faktorer: hvor godt kildeteksten er skrevet, hvor præcis din termliste er, og hvor meget kontekst du giver om formålet. Sprogparret spiller også ind, og resultatet falder mærkbart for sprog med lidt træningsmateriale.

Den farligste fejltype er den flydende fejl. Modellen producerer en sætning, der lyder helt naturlig på målsproget, men som siger noget andet end kilden. Den slags fejl overlever korrekturlæsning, hvis korrekturlæseren kun ser målsproget og ikke sammenligner med originalen.

I lokalisering af software er placeholders et tilbagevendende problem. Variabler, HTML-attributter og pluralformer bliver oversat, flyttet eller tabt, og fejlen viser sig først i produktion. Løsningen er teknisk validering efter oversættelsen, ikke bedre prompts.

UI-tekst har også en fysisk grænse. Dansk og tysk fylder typisk mere end engelsk, og en knaptekst, der er korrekt oversat, kan alligevel sprænge sit felt. Du er nødt til at give modellen en tegngrænse og kontrollere, at den overholdes.

Endelig er der ansvarsspørgsmålet. Ved kontrakter, patientinformation og myndighedstekst er en fejl ikke en irritation, men en risiko. Her fungerer modellen bedst som førsteudkast til en autoriseret oversætter, ikke som erstatning.

Du kan ikke styre kvalitet, du ikke måler. Den billigste metode er stikprøver, hvor en modersmålstalende vurderer et fast udsnit efter faste fejlkategorier: betydning, terminologi, grammatik, stil og formatering. Det giver tal, du kan følge over tid.

En model kan også bruges som første filter. Du lader Claude Opus 5 eller Gemini 3.1 Pro sammenligne kilde og oversættelse og markere segmenter, hvor betydningen afviger. Det fanger ikke alt, men det prioriterer, hvad mennesker skal se på.

Tilbageoversættelse er udbredt og bør bruges med forbehold. En tekst kan tilbageoversættes korrekt og stadig være dårlig på målsproget, fordi metoden måler betydning, ikke sprogtone.