Конкуренты берут заказы на 30% дешевле при высоких объемах и все равно укладываются в дедлайны. Вы понимаете, что там задействован машинный перевод. Но “настроить MTPE” на практике - не теория и не демо для клиента, а реально работающий воркфлоу - это намного больше, чем подключить DeepL и сказать переводчикам “почистите вывод”.
Этот гайд проведет через полную настройку: предпосылки, аудит активов, выбор движка, интеграция в TMS, формирование команды постредакторов, рамка качества, пилотный проект и ценообразование. По порядку, с решениями, которые реально имеют значение на каждом шаге.
Готово ли ваше агентство к MTPE?¶
Прежде чем трогать инструменты, честно оцените: текущие проекты - вообще хорошие кандидаты? MTPE улучшает маржу, когда действительно экономит время. Он уничтожает маржу, когда постредакторы тратят больше времени на борьбу с плохим MT-выводом, чем переводили бы с нуля.
Хорошие кандидаты для MTPE: - Техническая документация, руководства пользователя, каталоги продуктов - Базы знаний поддержки, примечания к релизам, чейнджлоги - Внутренняя коммуникация, отчеты, информационные бюллетени - Любой контент, который доменно-консистентен, повторяем и не должен звучать так, будто каждое предложение написал человек
Плохие кандидаты: - Маркетинговые тексты, требующие творческой адаптации и культурной локализации - Художественная литература - Заверенные или нотариальные переводы (юридически переводчик является ответственной стороной - MT здесь в лучшем случае справочный инструмент) - Узкоспециализированный контент в малоресурсных языковых парах
По данным Nimdzi, явный положительный ROI наступает от 500 000+ слов в год в консистентном домене для одного клиента. Ниже этого порога операционные затраты на настройку - обучение, инструментарий, рамка качества, просвещение клиента - как правило, превышают выигрыш в марже. Это не означает, что нельзя начинать меньше, но вы строите инфраструктуру авансом, до поступления дохода, который она принесет.
Еще одна предпосылка: рабочие лингвистические активы - памяти переводов и глоссарии, которые чисты и актуальны. MTPE без качественных TM и терминологических баз - это стрельба вслепую. Подробнее в шаге 1.
Шаг 1: Аудит лингвистических активов - прежде всего остального¶
Самая распространенная ошибка при запуске MTPE - воспринимать его как технологическую проблему, тогда как это проблема качества активов. MT-движок работает с тем, что ему дают, а постредактор настолько быстр, насколько продуктивно использование TM за ним.
Прежде чем выбирать движок и трогать TMS, проаудитируйте то, что есть:
Аудит памяти переводов: - Консистентно ли сегментирована TM? Непоследовательная сегментация резко снижает процент совпадений, когда варьируется длина предложений. - Какого года контент? TM старше 3-5 лет часто содержат терминологию, которая уже изменилась - постредакторы, работающие с устаревшей TM, вносят несоответствия, пытаясь “улучшить” MT-вывод. - Есть ли в TM дубликаты, осиротевшие сегменты или уже машинно-переведенный контент? Грязные TM создают комбинации MT+TM, которые сложнее редактировать, чем чистый MT-вывод сам по себе. - Какой текущий уровень повторного использования TM на репрезентативных проектах? Если вы уже получаете 40%+ точных совпадений, MTPE добавит наибольшую ценность на нечетких и несовпадающих сегментах.
Аудит глоссария и терминологической базы: - Есть ли у вас терминологическая база для каждого крупного клиентского домена? Если нет, постредакторы принимают терминологические решения ad hoc - и они не будут последовательными между работами и редакторами. - Принудительно ли применяются глоссарии в вашем CAT-инструменте? MT-движок, игнорирующий вашу терминологическую базу, переводит доменные термины по-разному при каждом запуске. Принудительные глоссарии, передаваемые в кастомный словарь движка, решают это.
Если лингвистические активы в беспорядке - сначала разберитесь с ними, и только потом запускайте MTPE. Чистая TM и принудительные глоссарии сделают больше для производительности постредакторов, чем выбор движка или любая другая отдельная переменная.
Шаг 2: Выбор MT-движка¶
Единственного лучшего движка для всех языковых пар и типов контента не существует. Это не уклонение - это то, что последовательно демонстрируют результаты бенчмаркинга.
По методологии оценки memoQ, правильный подход - тестировать несколько движков на реальном контенте перед принятием решения. Стороннее общее сравнение не предскажет производительность в вашем конкретном домене и языковой паре.
Что умеет каждый движок:
| Движок | Сильная сторона | Слабая сторона |
|---|---|---|
| DeepL | Пары EN-EU, контент близкий к маркетинговому, плавность | Ограниченная кастомизация, высокая стоимость API при больших объемах, меньше языковых пар |
| Google Neural MT | Очень широкое покрытие языков, силен для распространенных пар | Вопросы конфиденциальности для чувствительного контента, сложная корпоративная кастомизация |
| Microsoft Azure Translator | Интеграция с экосистемой предприятия, конкурентные цены | Плавность немного ниже DeepL на некоторых парах |
| ModernMT | Адаптивное обучение - улучшается в реальном времени из правок постредакторов | Требует чистых обучающих данных и активных петель обратной связи |
| Кастомная NMT | Лучшее качество для специализированных доменов с достаточными данными | Высокая стоимость настройки, нужно 500К+ чистых параллельных предложений |
Для большинства агентств на старте практическая первая конфигурация: DeepL для хорошо ресурсных европейских пар (EN-DE, EN-FR, EN-ES, EN-NL) и Microsoft Azure для более широкого охвата. ModernMT стоит рассмотреть, если есть клиент с высоким объемом в специфическом домене - адаптивное обучение становится реальным конкурентным преимуществом, когда правки постредакторов постоянно возвращаются как обучающий сигнал.
Как реально выбирать: 1. Возьмите репрезентативный образец из 2 000 слов из реального клиентского проекта 2. Запустите через 2-3 движка 3. Попросите старшего постредактора вслепую оценить каждый вывод по точности, терминологии и плавности 4. Сравните расстояние редактирования (если ваш TMS его отслеживает) или попросите постредакторов оценить усилия редактирования на сегмент 5. Выберите движок, который требует наименьших усилий редактирования на вашем контенте - а не наивысший изолированный рейтинг качества
Движок, требующий на 15% меньше правок, дает ощутимую разницу во времени при масштабировании.
Шаг 3: Интеграция MT в ваш TMS¶
Смысл TMS в MTPE-воркфлоу в том, что постредакторы работают в одном месте - они видят совпадения TM, MT-вывод, подсказки глоссария и флаги QA в одном интерфейсе. Ручной экспорт файлов между разрозненными системами уничтожает большую часть выигрыша в производительности.
Большинство корпоративных TMS-платформ - Phrase, XTM, memoQ, Smartling, Trados - имеют прямые API-интеграции MT. Процесс настройки похож: подключите API-ключ провайдера MT, назначьте движок для языковой пары или шаблона проекта, настройте инъекцию глоссария (чтобы термины вашей терминологической базы попадали в кастомный словарь MT-движка) и включите оценку качества, если платформа ее поддерживает.
Оценка качества (MTQE) стоит настроить с самого начала. Современные движки и некоторые TMS-платформы (ModernMT, Phrase) предоставляют оценки уверенности на уровне сегмента. Сегмент с оценкой “высокая уверенность” вероятно нуждается лишь в быстрой проверке точности. Сегмент с оценкой “низкая уверенность” требует полного внимания. Без MTQE постредакторы прикладывают одинаковые усилия ко всему - то есть перередактируют хорошие сегменты и иногда недоредактируют плохие.
Стандартная конфигурация MTPE TMS-воркфлоу:
- Автозаполнение MT при создании проекта - когда открывается новый проект, сегменты ниже порога TM-совпадения автоматически получают MT-вывод как черновик
- Приоритет совпадений TM - точные совпадения (100%) и высокие нечеткие совпадения (95%+) обходят MT; редактор подтверждает или корректирует
- Визуальное различение MT-черновиков - постредакторы с первого взгляда должны видеть, какие сегменты совпадают с TM, а какие - MT-черновики, чтобы правильно распределять внимание
- Автоматизация QA при сохранении - выявляет нарушения терминологии, несоответствия чисел/дат, ошибки тегов и двойные пробелы до того, как сегмент помечается как завершенный
- Отслеживание расстояния редактирования - фиксирует, насколько постредакторы изменяют каждый MT-сегмент; эти данные впоследствии движут оценкой движка и калибровкой ценообразования
Если вы работаете с CAT-инструментами вне полноценного TMS - Trados Studio, memoQ, Smartcat, MateCat - большинство поддерживают интеграцию MT-плагинов с похожей функциональностью, хотя автоматизация на уровне проекта и отслеживание подрядчиков будут более ручными.
Шаг 4: Формирование команды постредакторов¶
Именно здесь большинство MTPE-воркфлоев агентств реально проваливаются - не в технологиях, а в человеческой стороне.
Постредактирование - это отдельный профессиональный навык. Это не то же самое, что переводить с нуля, и не то же самое, что корректировать. Переводчик, отлично справляющийся с оригинальными переводами, может быть медленным и неэффективным в постредактировании - не потому что он менее квалифицирован, а потому что дисциплина эффективного постредактирования требует другого мышления: исправляй то, что нужно, оставляй то, что не нужно, и сдерживай желание переписать технически правильные предложения просто потому, что ты бы изложил это иначе.
ISO 18587:2017 - международный стандарт MTPE - прямо перечисляет “эффективное редактирование без перередактирования” как обязательную компетенцию постредактора. Перередактирование - главная потеря времени в MTPE. Как отметил один переводчик на ProZ:
Главная ловушка MTPE - перфекционизм. Цель - не идеальный перевод, а перевод, отвечающий определенному уровню качества за минимальное время. Когда понимаешь это - MTPE реально эффективен. Когда нет - тратишь столько же часов, что и на свежий перевод, но за треть ставки.
Формирование команды на практике:
Вариант А - Переобучить существующих переводчиков. Текущий пул подрядчиков знает ваших клиентов и терминологию. Минус: некоторые переводчики принципиально против MTPE или им действительно тяжело дается смена мышления. Не принуждайте - готовность влияет на производительность больше, чем можно ожидать.
Вариант Б - Целенаправленный рекрутинг для MTPE. Некоторые переводчики специализируются на постредактировании и активно предпочитают этот воркфлоу. Платформы вроде ProZ и TranslatorsCafe позволяют фильтровать по опыту MTPE. При отборе кандидатов всегда проводите оплачиваемое тестовое задание (200-400 слов) с репрезентативным MT-образцом - измеряйте и качество, и скорость.
На что обращать внимание при тестировании: - Перередактирует ли кандидат (переписывает технически правильные сегменты)? - Недоредактирует ли (пропускает ошибки перевода или терминологии)? - Какова реальная скорость слов/час на вашем репрезентативном контенте? - Может ли кандидат работать на определенном уровне качества (легком или полном) вместо собственного стандарта?
Письменный бриф - обязателен. Перед началом любой работы постредактору нужны: уровень качества (легкое или полное), используемый MT-движок, глоссарий проекта, стайлгайд, примеры приемлемых и неприемлемых правок, ожидание по словам/час и какие типы ошибок критичны против допустимых. Без письменного брифа вы получаете 10 разных редакторов, работающих по 10 разным стандартам.
Шаг 5: Определите уровни качества и критерии приемлемости письменно¶
Одна из главных причин провала MTPE-воркфлоев - “постредактирование” означает разные вещи для разных людей. По данным исследования в Journal of Specialised Translation, агентства повсеместно борются с MTPE, отчасти потому что ожидания по качеству между клиентами, менеджерами проектов и постредакторами никогда четко не определяются заранее.
Рамка ISO 18587 дает две опорные точки. Их нужно операционализировать для конкретных проектов:
Легкое постредактирование (LPE) - что это означает на практике: - Исправлять: фактические ошибки, ложные переводы, неправильные числа/даты, пропуски, критические терминологические ошибки - Не исправлять: неловкие формулировки, которые все равно точны, стилистические выборы, которые вы бы сделали иначе, порядок слов, который работает, но не изящен - Уровень вывода: точный и понятный, но не обязательно отполированный - Ожидаемая скорость: 800-1 200 слов/час в зависимости от типа контента и качества MT
Полное постредактирование (FPE) - что это означает на практике: - Исправлять все из LPE, плюс: плавность, естественность, регистр, последовательность, культурная адаптация - Уровень вывода: неотличимый от человеческого перевода - Ожидаемая скорость: 500-800 слов/час
Для выбора уровня для конкретного контента ключевой вопрос: каковы последствия, если несовершенный перевод дойдет до конечного читателя? Внутренняя документация: низкие ставки, LPE. Опубликованный текст сайта: полное PE. Условия юридического договора: полное PE или отказ от MTPE.
Запишите это и сделайте частью каждого брифа проекта. “Отредактируйте этот документ” - не бриф. “Легкое постредактирование, исправлять только точность и терминологию, цель 800 слов/час, глоссарий прилагается, стилистические правки не нужны кроме неправильного регистра” - это бриф.
Об уровне QA:
Автоматизированный QA вашего TMS выявляет проблемы форматирования, числовые ошибки, ошибки тегов и нарушения глоссария - но не выявит тонкие ошибки перевода, неправильный регистр или логические несоответствия в длинных текстах. Для важных проектов (полное PE, близкое к юридическому, публикуемое наружу) целевая выборочная проверка после постредактирования все равно необходима. Не полная корректура - структурированная проверка по критериям MQM или LQA на 10-15% образце.
Шаг 6: Запустите пилот до масштабирования¶
Цель пилота - не доказать, что MTPE работает в принципе. Цель - получить реальные цифры: ваш контент, ваш движок, ваши постредакторы.
Как рекомендует MTPE-гайд awtomated.com, хорошо разработанный пилот охватывает: - Репрезентативный образец (не только легкий контент): 15 000-25 000 слов из реальных клиентских проектов - Минимум два типа контента, если клиент присылает разнообразные материалы - Минимум 3-4 постредактора, чтобы выявить индивидуальную вариацию производительности - Контрольная группа: параллельно запустите тот же контент через человеческий перевод для прямого сравнения
Что измерять в пилоте:
| Метрика | Почему важна |
|---|---|
| Средняя скорость слов/час на редактора | Устанавливает базу для ценообразования и планирования мощности |
| Расстояние редактирования на сегмент | Измеряет качество MT-движка независимо от усилий постредактора |
| Распределение типов ошибок | Показывает, что движок систематически переводит не так - помогает настроить инъекцию глоссария или параметры движка |
| Скорость постредактора vs. базовая скорость перевода | Ваш реальный коэффициент производительности, а не отраслевые средние |
| Полная стоимость слова | Стоимость MT API + время постредактора + накладные расходы PM + QA = реальная стоимость для сравнения с человеческим переводом |
Пилот обычно требует 4-8 недель для надежных выводов. Если ваш пилот показывает, что постредакторы в среднем делают 550 слов/час, не предполагайте, что при масштабировании вы достигнете отраслевого среднего в 800 - используйте ваше число.
Одно честное вычисление, которое стоит сделать до того, как идти дальше:
Если постредактор на вашем рынке зарабатывает €0,04/слово и обрабатывает 700 слов/час - он зарабатывает €28/час. Если ваши переводчики зарабатывают €0,10/слово при 250 словах/час - они зарабатывают €25/час. Ставка за слово выглядит намного ниже, но почасовая почти одинакова. Маржа вашего агентства улучшается, потому что клиент видит более низкую пословную ставку, а вы поглощаете затраты на MT API, которые меньше разницы в ставках. Эта математика работает чисто - до момента, когда качество MT падает настолько, что постредакторы замедляются до 350 слов/час. Тогда вы платите больше за час, беря меньше за слово.
Распространенные ошибки, убивающие MTPE в агентствах¶
Это не теоретические ошибки. Исследование Nimdzi идентифицирует их как причину того, что большая часть отрасли оставляет значительные преимущества эффективности нереализованными, несмотря на высокие темпы принятия MTPE.
Пропуск очистки TM и терминологической базы. Это самая распространенная и самая предотвратимая ошибка. Качество MT-вывода частично зависит от контекста терминологии, который получает движок. Грязная TM и отсутствие терминологической базы означают, что постредакторы исправляют терминологию в каждом сегменте - и выигрыш в производительности испаряется.
Отсутствие письменного брифа для постредакторов. Когда “отредактируй” означает разное для каждого редактора, последовательность вывода падает, а нагрузка на QA растет. PM тратит больше времени на доработку, чем MTPE сэкономил.
Начало с неправильного типа контента. Запуск маркетинговых текстов или заверенных переводов через MTPE как первый проект - это настройка воркфлоу на провал. Начинайте со структурированного технического контента - руководства пользователя, описания продуктов, FAQ поддержки - где MT-вывод предсказуем.
Измерение доставленных слов, а не расстояния редактирования. Без отслеживания того, насколько постредакторы меняют MT-вывод, у вас нет видимости в качество движка или паттерны производительности. Вы управляете MTPE вслепую.
Отсутствие обратной связи в движок. Если вы используете ModernMT или другой адаптивный движок, улучшение его производительности зависит от того, возвращаются ли правки постредакторов как обучающий сигнал. Пропустите это - и вы навсегда будете запускать статический движок на качестве первого дня.
Пропуск разговора о ценообразовании с клиентом. Некоторые агентства запускают MTPE внутренне, но продолжают выставлять клиентам счета по полным ставкам человеческого перевода. Это оставляет клиентскую экономию нереализованной (которую вы могли бы использовать как конкурентное преимущество) и создает трение, если клиент позже узнает об MTPE и ожидает другого ценообразования.
Ценообразование на услуги MTPE¶
Академическая литература о моделях ценообразования MTPE не демонстрирует отраслевого консенсуса - агентства каждое разрабатывает собственные модели. Это означает гибкость, но также означает, что у клиентов нет последовательных ожиданий.
Основные модели ценообразования:
Пословное ценообразование (наиболее распространенное): - Легкое PE: обычно $0,04-0,08/слово для клиента - Полное PE: $0,08-0,14/слово - Привычно для клиентов, легко оценить заранее - Актуальные рыночные ставки по Artlangs 2025
Почасовое ценообразование: - Справедливее, когда качество MT непредсказуемо в рамках проекта - Постредакторы выставляют счет за реальное время; вы пропускаете через свою маржу - Менее предсказуемо для бюджетирования клиентами
Ценообразование на основе усилий / расстояния редактирования: - Цена варьируется в зависимости от объема редактирования, которого потребовал каждый сегмент - Наиболее справедливо теоретически, но требует TMS, который надежно отслеживает и отчитывает расстояние редактирования на сегмент - Сложно объяснять и выставлять счета
Подробнее о моделях ценообразования MTPE и ожиданиях фрилансеров - там полная картина включая переговоры о ставках и структуры выставления счетов.
Практическая отправная точка для нового предложения MTPE: легкое PE за 60-70% стандартной пословной ставки, полное PE за 80-85%. Пересматривайте после 2-3 месяцев пилотных данных. Одно, что стоит четко прописать в клиентских контрактах: пословная экономия сохраняется только когда качество MT достаточно высоко для языковой пары и типа контента. Оставьте за собой право выставлять полные ставки для проектов, где вывод MT ниже вашего определенного порога качества - и определите этот порог письменно до подписания.
Для более глубокого взгляда на то, как MTPE вписывается в полный гибридный воркфлоу - включая интеграцию LLM, стратегии промптов и модели биллинга по уровням объема - эта статья охватывает более широкую картину.
Частые вопросы¶
Сколько времени занимает настройка MTPE в агентстве?¶
Техническая интеграция (MT-движок в TMS) - 1-2 дня на большинстве платформ. Реальный таймлайн - пилот: 4-8 недель для сбора надежных данных о качестве движка, производительности постредакторов и реальной стоимости слова. Закладывайте 2-3 месяца от решения до стабильного рабочего MTPE.
Какой MT-движок выбрать агентству?¶
Протестируйте 2-3 движка на репрезентативном образце из 2 000 слов реального клиентского контента. DeepL хорош для европейских пар; Microsoft Azure - более широкое покрытие; ModernMT улучшается через адаптивное обучение на правках. Ни один движок не выигрывает во всех парах и доменах - ваш бенчмарк решает для вашей конкретной конфигурации.
Какой контент лучше всего подходит для MTPE?¶
Техническая документация, руководства пользователя, каталоги продуктов, базы знаний поддержки, примечания к релизам, внутренние отчеты - структурированный, повторяющийся, доменно-консистентный контент. Маркетинговые тексты, творческий контент, заверенные переводы и специализированный контент в малоресурсных парах - плохие кандидаты.
Какая самая частая причина провала MTPE в агентстве?¶
Качество лингвистических активов - запуск без очистки TM и построения терминологических баз. Вторая причина: отсутствие письменного брифа для постредакторов с уровнем качества, критериями приемлемости и ожиданиями по скорости до первого проекта.
Стоит ли сообщать клиентам, что их контент переводится машиной?¶
Да - включите раскрытие использования MT в контракты. Это чище этически и безопаснее практически: устанавливает правильные ожидания относительно обоснования ценообразования и избегает сложных разговоров, если клиент позже узнает об MTPE. Многие клиенты активно запрашивают MTPE из соображений стоимости; другим нужно объяснить, когда это уместно для их типа контента.
Источники¶
- Nimdzi: The MTPE Efficiency Gap
- Polilingua: MTPE Adoption Surges 75%
- Journal of Specialised Translation: In search of a fair MTPE pricing model
- Awtomated: The Essential MTPE Guide for LSPs
- Phrase: Machine Translation Post-Editing Best Practices
- Artlangs: MTPE Rates 2025
- Quicksilver Translate: Common MTPE Mistakes
- memoQ: How to Choose an MT Engine
- Weglot: MTPE Costs and Hybrid Workflows