Система локального перевода книг: итоги года разработки Sunny Narrator и роль человека в эпоху ИИ

# Переводим книги нейронками для себя: год спустя

Год назад в статье «Переводим fb2 книжки с нейронками для себя» я описал создание Sunny Narrator — программы для перевода художественных книг с использованием локальных и облачных больших языковых моделей (LLM). Тогда проект выглядел как технический эксперимент: перевод книги в тысячу страниц занимал два дня, черновики читались с трудом, а нестабильное питание создавало серьезные риски. Сегодня, спустя год, программа переросла в версию 2.1.

«Сейчас это уже инструмент не только для меня, но и для переводчиков, и для всех любопытных», — отмечает разработчик.

В материале разбирается, как изменились технологии и стоимость процесса, почему машинный перевод не заменяет редактора полностью и какая роль отводится словарям в обеспечении качества.

Экономическая эффективность и роль переводчика

Основное открытие года заключается в предсказуемости ресурсов. Перевод средней художественной книги в рамках описанного процесса потребляет от 1,5 до 2 миллионов токенов. Это включает все этапы: первичный перевод, внесение замечаний, исправление ошибок, корректуру и составление резюме глав. Цифра кажется внушительной, но на практике это всего одна книга целиком, а не бесконечный поток запросов к чат-боту.

Второй важный тезис: роль живого переводчика сохраняется и даже усиливается. Искусственный интеллект отлично справляется с механической задачей подбора синонимов, но не умеет в словотворчество. При встрече с неологизмами или специфическими терминами нейросеть склонна транскрибировать их дословно. Например, при работе с текстами Нила Эшера модель может выдать бессмысленную комбинацию «габлдак», тогда как профессиональный переводчик найдет устоявшееся слово, подобно «уткотрепу» или «бормокряку».

Вывод остается неизменным: машинный перевод снимает черновую работу с специалиста, оставляя ему задачу доведения текста до литературного качества.

Архитектура пайплайна Sunny Narrator

Если год назад код программы состоял из 200 строк с «костылями», то сейчас это полноценный пайплайн обработки файлов FB2, EPUB, DOCX и PDF (последние три конвертируются через Calibre). Особое внимание уделено сохранению структуры оригинала: стихи, строфы и разделы в формате FB2 передаются один в один.

Процесс перевода базируется на пяти стадиях контроля качества: 1. Первичный перевод. 2. Внесение замечаний модели. 3. Исправление ошибок. 4. Корректура. 5. Резюме чанков (кусков текста).

Для ускорения процесса предусмотрен «быстрый режим», включающий только две стадии. Он работает в 2,5 раза быстрее, но не предназначен для финального художественного продукта. Также реализована функция сохранения контрольных точек (checkpoint/resume): при отключении света или падении системы запуск возобновляется с того чанка, на котором остановился процесс, а не с начала книги.

Технически все этапы работают с моделями, выдающими структурированный JSON, что исключило случайный парсинг данных.

Две модели вместо одной

Один из ключевых выводов года касается архитектуры системы. Использование одной модели для всех задач приводит к некачественному результату. Хорошие модели перевода пишут текст плавно, но плохо его вычитывают. Наоборот, модели, обученные на текстах с ошибками (вычитыватели), могут скучно и буквально переворачивать предложения.

В текущей версии Sunny Narrator реализована двухмодельная связка: * MODEL_TRANSLATE: отвечает за перевод текста. * MODEL_PROOFREAD: корректор, который анализирует результат и вносит правки.

Рекомендуемая конфигурация, опробованная на оборудовании уровня Tesla P40: * Переводчик: gemma4-26B‑A4B. * Корректор: qwen3.6–35B‑A3B.

Обе модели являются компактами архитектуры MoE (Mixture of Experts) и обеспечивают скорость работы 40–70 токенов в секунду. Это оптимальное соотношение между скоростью и качеством текста для локального железа.

Стоимость и производительность

Математика процесса проста: при использовании двух видеокарт Tesla P40 с указанной связкой моделей можно перевести 2–3 книги в день. Если же заменить локальное решение на подписку через API (например, Qwen), производительность вырастет до десятков книг в сутки, ограниченная только лимитами подписки.

Готовый результат системы — это черновик высокой готовности. Дальнейшая доводка включает вычитку, замену пропущенных в словаре имен и терминов, а также исправление стилистических неточностей. Для профессионального переводчика такой черновик экономит недели работы; для любителя — открывает доступ к книгам, которые иначе остались бы непрочитанными.

Важность словаря и точность длины

Главное условие качественного перевода — наличие корректного словаря имен и терминов. Без него даже мощная модель будет менять имена героев на протяжении книги (эффект «дрейфа») или неверно определять род существительных. Программа использует встроенные словари NER (распознавание именованных сущностей) для автоматического сбора персонажей, организаций и географических объектов, которые затем вручную проверяются.

Правило звучит так: час, вложенный в подготовку словаря до старта перевода, экономит день на этапах вычитки после.

Одним из интересных технических решений стала работа с длиной текста. Вопреки ожиданию, что русский текст «раздуется» при переводе с английского, наблюдается стабильность в пределах ±2%. Программа использует «речанкинг»: если размер перевода отклоняется от оригинала более чем на 10%, блок текста разбивается пополам и переводится заново. В итоге итоговый файл книги сходится с оригиналом по объему в пределах ±5%.

Перспективы и сообщество

Разработчик анонсировал создание открытого портала для обмена словарями. Это позволит сообществу делиться готовыми базами данных имен и терминов, что особенно полезно для многотомных серий. Юридически это позволяет работать с уже имеющимися копиями книг в форматах FB2 или EPUB, не нарушая законодательство, так как обмен происходит в плоскости фактов и справочных данных.

Система доказывает, что прогресс в области ИИ улучшает качество отдельных абзацев, но контекст целой книги по-прежнему требует ручной настройки. Для энтузиастов локальных LLM это отличная боевая нагрузка для старовеских видеокарт, позволяющая понять суть NLP-пайплайнов и косинусных сравнений без привлечения облачных сервисов.

Код проекта доступен в репозитории GitHub с подробной документацией на русском языке и примерами конфигураций для различных сред выполнения.