تصور کنید یک ایمیل تجاری بسیار مودبانه از ژاپن دریافت می‌کنید، اما ابزار ترجمه شما آن را به درخواستی تند و دستوری تبدیل می‌کند. اگر در محیط‌های بین‌المللی با زبان‌های شرق آسیا کار می‌کنید، می‌دانید که یک اشتباه کوچک در لحن، می‌تواند کل یک قرارداد تجاری را به خطر اندازد. اینجاست که مشکل «تخت شدن» (Flattening) لحن در ترجمه‌های ماشینی عمومی آشکار می‌شود.
Sakana AI با معرفی Sakana Translate قصد دارد این مشکل قدیمی در ترجمه‌های ماشینی عمومی را حل کند. طبق اعلام این شرکت، هدف اصلی این ابزار «ترجمه عمیق برای ژاپن» است؛ یعنی اولویت دادن به بستر فرهنگی و لحن به‌جای جایگزینی ساده کلمات. این ابزار دقیقاً همان‌جاست که مدل‌های عمومی شکست می‌خورند: جایی که سلسله‌مراتب اجتماعی پیچیده زبان ژاپنی در ترجمه «صاف» می‌شود و صمیمیت یا احترام لازم از بین می‌رود. ابزارهای ترجمه معمولی اغلب در مواجهه با honorificهای تجاری، زبان عامیانه اینترنتی و اختصارات خاص فرهنگی دچار مشکل می‌شوند. این مسئله شکافی ایجاد می‌کند که در آن گرامر درست است، اما لحن بین‌فردی از دست می‌رود و به‌طور بالقوه به روابط حرفه‌ای آسیب می‌زند. در همین راستا، بسیاری از شرکت‌ها برای غلبه بر این چالش‌ها از استراتژی‌های ترکیب هوش مصنوعی و بازبینی انسانی استفاده می‌کنند تا خطاهای مربوط به اصطلاحات منطقه‌ای را به طور کامل برطرف کنند.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مدل‌های زبانی تخصصی اشاره کردیم، حرکت به سمت «هوش مصنوعی توکار» برای فرهنگ‌های خاص، جایگزین مدل‌های غول‌پیکر و عمومی می‌شود. Sakana AI که در سال ۲۰۲۳ توسط دیوید ها و لیون جونز در توکیو تأسیس شد، برای رسیدن به این هدف از سری مدل‌های Namazu استفاده می‌کند.
به نقل از مستندات فنی شرکت، مدل‌های Namazu به‌جای آموزش از صفر، از روش تنظیم دقیق (Fine-tuning) — مثل وقتی که به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — روی مدل‌های وزن‌های باز (Open Weights) — یعنی مدل‌هایی که «دستور پخت» آن‌ها علناً منتشر شده — استفاده می‌کنند. این روش بسیار سریع‌تر و ارزان‌تر از پیش‌آموزش (Pre-training) از نقطه صفر است. این شرکت مدل‌های قدرتمندی مانند Llama 3.1 405B، DeepSeek-V3.1-Terminus و gpt-oss-120B را برای تطبیق با ظرافت‌های زبانی ژاپن بهینه کرده است تا این مدل‌های با ظرفیت بالا بتوانند تفاوت‌های ظریف فرهنگی را درک کنند.
اهداف طراحی و بستر محصول
Sakana Translate یک محصول ترجمه مبتنی بر مرورگر است که در سرویس Sakana Chat ادغام شده است. باید توجه داشت که این ابزار یک مدل پایه جدید نیست، بلکه یک کاربرد هدفمند از سری مدل‌های Namazu است. هدف نهایی این است که فراتر از جابه‌جایی‌های ساختاری ساده حرکت کرده و «ثبت» (Register) و لحن متن را منتقل کند. این ابزار به‌طور خاص روی چهار نقطه ضعف مدل‌های عمومی دست گذاشته است که باعث تمایز زبان ژاپنی می‌شود:
- آداب پیچیده تجاری یا همان Keigo (سیستم honorificهای ژاپنی).
- مفاهیم فرهنگی خاص که معادل مستقیم انگلیسی ندارند.
- اختصارات منطقه‌ای که در متون محلی رایج هستند.
- اصطلاحات مدرن و زبان عامیانه اینترنتی که مدل‌های قدیمی آن‌ها را نمی‌شناسند.
گردش کار سه‌گانه در یک صفحه
این محصول برای حذف نیاز کاربر به جابه‌جایی بین لایه‌های مختلف (مشکل Tool-switching)، سه حالت متمایز را در یک صفحه جمع کرده است. کاربران دیگر مجبور نیستند بین یک مترجم و یک دیکشنری جابه‌جا شوند:
- ترجمه (Translate): تبدیل متون دوطرفه بین ژاپنی، انگلیسی و چینی تا سقف حدود ۵۰۰۰ کاراکتر ژاپنی. خروجی‌ها به‌صورت توکن (Token) — یعنی تکه‌های کوچکی از متن — و به‌صورت جاری (Streaming) نمایش داده می‌شوند؛ یعنی ترجمه به‌تدریج ظاهر می‌شود، مشابه روش بازگشت متن در مدل‌های چت. تاریخچه ترجمه‌ها برای ایمیل‌ها، اسلایدهای ارائه و صفحات وب به‌طور خودکار ذخیره می‌گردد. این رویکرد به مدیریت تعاملات زبانی شباهت دارد، درست مانند آنچه در ابزارهایی برای حذف شکاف زبانی در جلسات زنده با استفاده از زیرنویس‌های آنی می‌بینیم.
- بازخوانی (Proofread): اصلاح پیش‌نویس‌ها برای تبدیل آن‌ها به نسخه‌های طبیعی‌تر. این بخش از هایلایت‌های diff (تفاوت) استفاده می‌کند تا اضافات و حذفیات را به‌صورت درون‌خطی نشان دهد، درست مانند سیستم‌های کنترل نسخه در برنامه‌نویسی. این حالت، میزان طبیعی بودن و لحن خاصی را که خواننده در ایمیل‌های تجاری یا بررسی‌های نوشتاری انگلیسی انتظار دارد، تنظیم می‌کند.
- پرس‌وجو (Ask): کاربر می‌تواند درباره یک نتیجه خاص، سؤالات تکمیلی بپرسد. این بخش به شفاف‌سازی ظرافت‌ها، پیشنهاد جایگزین‌ها و توضیح گرامر در همان بستر متن کمک می‌کند. این قابلیت برای کسانی که می‌خواهند یاد بگیرند چرا یک ترجمه به شکل خاصی نوشته شده است، ایده‌آل است.
بنچمارک‌ها و ارزیابی فنی
برای اعتبارسنجی کیفیت، تیم سازنده از معیار ارزیابی عصبی XCOMET-XL استفاده کرد. این معیار در واقع یک مدل ۳.۵ میلیارد پارامتری است که توسط شرکت Unbabel توسعه یافته است. تست‌ها روی داده‌های WMT 2024 General Translation انجام شد. WMT 2024 یک تکلیف مشترک از کنفرانس ترجمه ماشینی است که از مجموعه‌داده‌های آزمایشی در چندین دامنه و جفت‌زبانی به عنوان یک خط‌کش استاندارد پژوهشی استفاده می‌کند.
مدل XCOMET-XL به‌عنوان یک مدل یادگیرنده عمل می‌کند که کیفیت ترجمه را در مقیاسی از ۰ تا ۱ امتیازدهی می‌کند (هرچه بالاتر، بهتر) و بخش‌های دارای خطا را علامت‌گذاری می‌کند. در این آزمایش‌ها، Sakana Translate امتیازاتی در محدوده مدل‌های پیشرو جهانی کسب کرد که Sakana AI آن را «کیفیت رقابتی» می‌نامد. بررسی‌های کیفی بیشتر نشان می‌دهد که این ابزار در ترجمه اسامی خاص، نام مکان‌ها و بسترهای گفتگوهای روزمره نقاط قوت چشم‌گیری دارد.
بر اساس تاریخچه شرکت، سری Namazu نخستین بار در ۲۴ مارس ۲۰۲۶ معرفی شد. ابزار فعلی، خروجی عملیاتی این پژوهش‌هاست که تکنولوژی را از یک نسخه «آلفای پژوهشی» به یک ابزار وب رایگان تبدیل کرده که تنها با یک حساب کاربری در دسترس است.
کاربرد در دنیای واقعی
شرکت برای نمایش قدرت ابزار در حفظ لحن، دو مثال عینی ارائه داده است:
۱. ایمیل تجاری (ژاپنی به انگلیسی): متن اصلی حاوی عبارت‌های مودبانه و غیرمستقیم مانند «o-mitsumori haiken shimashita» (پیش‌فاکتور را مشاهده کردم) و «katte na onegai desu ga» (درخواست شخصی/خودخواهانه من است اما...) بود.
- متن اصلی: お見積り拝見しました。勝手なお願いですが、もう少しご相談できますか？ご予算あれば社内で調整しますので、お聞かせください。
- ترجمه ابزار: "I saw your quote. This is a bit of a selfish request, but could we talk a bit more? If you have a budget in mind, I can work on it internally, so please let me know."
- نتیجه: «تردید مودبانه» در ترجمه حفظ شده است، در حالی که یک ترجمه ساده‌تر و «تخت»، این سطح اجتماعی را حذف می‌کرد.
۲. زبان عامیانه اینترنتی (انگلیسی به ژاپنی): متن اصلی از عبارات کوتاه‌شده و غیررسمی رایج در چت‌های گروهی استفاده کرده بود: "Iykyk, honestly. It’s an inside joke from the group chat."
- ترجمه ابزار: "まあ、わかる人にはわかるよね。グループチャットの内輪ネタだから。"
- نتیجه: خروجی «دمای» غیررسمی مکالمات ژاپنی را حفظ کرد و به‌جای یک ترجمه تحت‌اللفظی و خشک، متنی صمیمی تولید کرد.
مقایسه تمرکز طراحی
Sakana AI ارزش ابزار خود را با مقایسه آن با ترجمه‌های ماشینی (MT) عمومی تعریف می‌کند:
- Honorificها: در حالی که MT عمومی اغلب از نظر گرامری درست اما «تخت» است، Sakana Translate بر حفظ سطوح مودبانه و متواضعانه تمرکز دارد.
- مفاهیم فرهنگی: ابزارهای عمومی ترجمه‌های تحت‌اللفظی ارائه می‌دهند؛ اما Sakana آن‌ها را با بستر خاص ژاپن تطبیق می‌دهد.
- زبان عامیانه: ابزارهای عمومی مکرراً در ترجمه اختصارات شکست می‌خورند، در حالی که این ابزار لحن اصلی را بازسازی می‌کند.
- گردش کار: به‌جای استفاده از ابزارهای مجزا برای ترجمه و جستجوی دیکشنری، هر سه عملکرد در یک صفحه قرار دارند.
ارزیابی فنی و API
Sakana Translate در حال حاضر هیچ API عمومی ندارد. با این حال، روش ارزیابی آن تکرارپذیر است زیرا XCOMET-XL باز و قابل اجرا است. مهندسان می‌توانند از کتابخانه unbabel-comet و کارت مدل در Hugging Face برای امتیازدهی به ترجمه‌ها استفاده کنند. با ارائه یک رشته متن اصلی (source)، یک ترجمه ماشینی (mt) و یک متن مرجع (ref)، مدل امتیازات هر بخش و امتیاز کلی سیستم را باز می‌گرداند.
محدودیت‌های استراتژیک
با وجود رایگان بودن وب‌اپلیکیشن، در زمان عرضه هیچ API عمومی برای این ابزار وجود نداشت. Sakana AI اعلام کرده است که دسترسی به API برای نقشه راه آینده با تمرکز بر مشتریان سازمانی (Enterprise) رزرو شده است. همچنین سرویس در حال حاضر تنها به سه زبان محدود است و به‌طور سخت‌گیرانه‌ای حول اکوسیستم ژاپنی می‌چرخد.
قابلیت‌های سطح سازمانی مانند ورود یکپارچه (SSO)، گزارش‌های بازرسی (Audit logs) و استقرار در سرورهای داخلی (On-premises) در لیست برنامه‌ها هستند اما هنوز عرضه نشده‌اند. کاربران فعلاً برای متون طولانی مانند رشته‌چت‌های مشتریان یا یادداشت‌های انتشار (Release notes)، باید به رابط کپی-پیست دستی تکیه کنند.
برای یک متخصص کسب‌وکار، این ابزار دیگر یک دیکشنری نیست، بلکه یک مشاور فرهنگی است. با ادغام حالت‌های «Ask» و «Proofread»، شرکت Sakana AI به ترجمه نه به‌عنوان یک نتیجه تک-کلیکی، بلکه به‌عنوان یک فرآیند تکرارشونده از اصلاحات نگاه می‌کند.
این رویکرد سیگنالی برای حرکت به سمت «هوش مصنوعی بومی‌شده» (Localized Intelligence) است؛ جایی که ارزش نه در اندازه مدل پایه، بلکه در دقت تطبیق پس‌آموزی (Post-training) با یک هویت فرهنگی خاص نهفته است.
کاربران در حال حاضر می‌توانند از طریق دموی تعاملی، نحوه مدیریت honorificهای خاص توسط این ابزار را در مقایسه با جایگزین‌های عمومی آزمایش کنند.
گام بعدی شما
- اگر با شرکای ژاپنی در ارتباط هستید، دموهای تعاملی این ابزار را با ترجمه‌های گوگل مقایسه کنید تا تفاوت لحن Keigo را ببینید.
- برای یادگیری ظرافت‌های زبانی، از بخش Ask برای تحلیل ساختاری جملات دشوار استفاده کنید.
- منتظر اعلان‌های مربوط به API سازمانی باشید تا بتوانید این لایه‌ی فرهنگی را در گردش کارهای شرکتی خود ادغام کنید.
اما معماری پشت این مدل‌ها حتی پیچیده‌تر است؛ برای درک چگونگی بهینه‌سازی مدل‌های غول‌پیکر در ابعاد کوچک، تحلیل ما درباره‌ی لورا (LoRA) را بخوانید.
گفتگو