Proč překlad není jen „slovo za slovo“
Na první pohled vypadá překlad jako čistě technický problém: vezmete větu v jednom jazyce a převedete ji do druhého. Jenže lidský jazyk není databáze slov, ale systém významů, kontextu, emocí a kulturních narážek. Právě proto i moderní překladače založené na neuronových sítích narážejí na limity tam, kde nestačí jen statistická pravděpodobnost, ale je nutné chápat, co autor skutečně myslí.
Největší skok přinesly neuronové překladače. Google po přechodu na Neural Machine Translation v roce 2016 výrazně zlepšil plynulost výstupů a podobně DeepL získal reputaci velmi kvalitního nástroje pro evropské jazyky. Přesto je důležité rozlišovat mezi „plynulým textem“ a „správným významem“. Překladač může vytvořit větu, která zní přirozeně, ale obsahově je úplně mimo.
Kde stroje selhávají nejčastěji: idiomy, ironie a kulturní reference
Největší problém představují výrazy, které nelze přeložit doslova. Idiomy, jako je anglické it’s raining cats and dogs, nemají přímý slovní ekvivalent. Stroj může větu mechanicky převést, ale výsledek je pro cílového čtenáře nesrozumitelný nebo komický. Podobně fungují i frazémy v češtině, například „mít máslo na hlavě“ nebo „být v úzkých“, které vyžadují významový překlad, ne doslovnost.
Ještě složitější je ironie a sarkasmus. Věta „To je ale geniální nápad“ může znamenat upřímný obdiv, ale také ostrou kritiku. Bez znalosti předchozí komunikace, tónu a situace překladač často zvolí neutrální variantu a ztratí skutečný záměr. Pro marketing, PR nebo zákaznickou podporu je to zásadní problém, protože špatně přeložený tón může poškodit značku i vztah se zákazníkem.
Kulturní reference jsou další past. Věta odkazující na místní svátek, televizní pořad, politickou událost nebo historickou osobnost nemusí dávat smysl mimo daný jazykový prostor. Překladač nepozná, že „black Friday“ je marketingový pojem, ne doslovný „černý pátek“, a že „Thanksgiving“ není jen „děkování“. V lokalizaci e-shopů, aplikací nebo her je proto nutné pracovat s kulturní adaptací, ne jen s překladovou pamětí.
Lingvistické překážky: gramatika, rod, skloňování a pořádek slov
Jazyky se liší strukturou mnohem víc, než si běžný uživatel uvědomuje. Čeština má bohaté skloňování, volnější pořádek slov a rozlišení rodu, což komplikuje automatický překlad zejména z angličtiny, která je mnohem analytější. Překladač musí rozhodnout, zda „bank“ znamená banku, břeh nebo nábřeží, a často to zjistí až z širšího kontextu.
V češtině navíc hraje roli shoda podmětu s přísudkem, pádové vazby a významové nuance. Věta „Viděla jsem je jít domů“ má jinou strukturu než anglické „I saw them go home“, a mechanický překlad může produkovat kostrbaté nebo gramaticky špatné formulace. U jazyků s odlišným slovosledem, jako je japonština nebo němčina, je problém ještě výraznější.
Další potíž představují víceznačná slova a homonyma. Anglické „right“ může znamenat pravý, správný i v pořádku. Bez dostatečného kontextu se model rozhodne pravděpodobnostně, nikoli významově. Podobné chyby jsou časté v technických textech, právních dokumentech i obchodních podmínkách, kde jedno nešťastné slovo může změnit interpretaci celé věty.
Proč AI překladače občas „halucinují“ a mění význam
Moderní generativní modely nepracují jako klasický slovník. Predikují nejpravděpodobnější pokračování textu na základě velkého množství dat. To je výhoda pro plynulost, ale zároveň riziko: model může doplnit něco, co v originálu vůbec nebylo. V praxi to znamená, že občas přidá informaci, zjemní varování nebo naopak zesílí význam.
Tento jev je zvlášť nebezpečný u odborných textů. V medicíně, právu, financích nebo technické dokumentaci je chyba v překladu drahá. Pokud například návod k instalaci přeloží „may cause damage“ jako „způsobí poškození“ místo „může způsobit poškození“, mění se úroveň rizika. Stejně tak v e-commerce může špatně přeložené „free returns“ znamenat „bezplatné vrácení“, ale stroj může vytvořit i zavádějící formulaci typu „vrácení zdarma k dispozici“.
Pro testování kvality se v profesionální praxi používají metriky jako BLEU, COMET nebo chrF, ale samotná čísla nestačí. Překlad může mít dobrou automatickou metriku a přesto selhat v tónu, brand voice nebo lokálním významu. Proto firmy často kombinují automatické hodnocení s lidskou revizí, zejména u top stránek webu, produktových popisů a obsahových kampaní.
Jak překlady testovat v praxi: workflow pro weby, e-shopy i marketing
Pokud spravujete web nebo e-shop, nepřekládejte vše stejným způsobem. Nejlepší výsledky dává kombinace strojového překladu, lidské korektury a terminologické správy. Nejdřív si definujte, které typy obsahu jsou kritické: produktové názvy, CTA, právní texty, zákaznická podpora, blogy a FAQ. Každá kategorie vyžaduje jinou úroveň kontroly.
- Terminologický slovník: vytvořte si seznam klíčových pojmů a jejich schválených překladů. Pomůže při konzistenci napříč webem.
- Style guide: určete tón komunikace, vykání/tykání, preferované formulace a zakázané výrazy.
- QA checklist: kontrolujte čísla, měny, datumové formáty, jednotky, CTA, odkazy a proměnné v šablonách.
- Human-in-the-loop: u důležitých stránek vždy zapojte rodilého mluvčího nebo zkušeného překladatele.
Pro workflow se hodí nástroje jako DeepL, Google Translate, Lokalise, Smartling, Phrase nebo Weglot. Pro webové projekty s více jazykovými mutacemi je praktické napojení na CMS a práce s překladovými pamětmi. U Next.js nebo headless CMS lze překlady spravovat přes JSON struktury a validovat je automatizovaně. U WordPressu zase pomáhají pluginy jako WPML nebo Polylang, ale i zde je nutné hlídat kvalitu a nečekat, že plugin vyřeší význam.
Velmi užitečný je jednoduchý test: dejte stejný text přeložit třem různým nástrojům a porovnejte výsledky. Pokud se výstupy výrazně liší, je to signál, že text obsahuje nejednoznačnost, idiom nebo kulturní narážku. V takovém případě je lepší přepis originálu do srozumitelnější podoby ještě před překladem.
Co bude potřeba pro opravdu kvalitní překlad budoucnosti
Směr vývoje je jasný: lepší kontextové modely, multimodální vstupy, personalizace podle oboru a hlubší práce s terminologií. Přesto dokonalý překladač zatím neexistuje, protože jazyk není jen formální kód. Je to i sociální dohoda, kulturní paměť a situace, ve které věta vznikla. Stroj může být velmi dobrý v převodu významu, ale stále mu chybí skutečná zkušenost s lidským světem.
Pro firmy z toho plyne praktický závěr: neptejte se, zda použít AI překlad, ale kde ho použít a jak moc jej kontrolovat. Pro interní dokumentaci, rychlé orientační překlady nebo první návrh textu je AI výborný pomocník. Pro brandovou komunikaci, právní texty, lokalizaci kampaní a zákaznické rozhraní je ale nutná lidská revize, terminologická disciplína a testování na reálných uživatelích.
Jinými slovy: stroje dnes zvládnou přeložit slova rychleji než kdy dřív, ale význam, tón a kulturní citlivost zůstávají lidskou disciplínou. A právě tam se rozhoduje, zda překlad jen „funguje“, nebo opravdu komunikuje.