Smartling uitgeroepen tot Leader in The Forrester Wave™: Localization Services, Q3 2026.
Smartling uitgeroepen tot leider in The Forrester Wave ™
Read the report

Waarom zorgt AI-vertaling ervoor dat HTML-tags en placeholders worden verbroken?

AI-vertalingen verbreken HTML-tags en placeholders wanneer een LLM (Language Learning Machine) hallucineert — tekst toevoegt die de bronstring nooit bevatte — en dat extra materiaal binnen of rond een beveiligde tag, variabele of tekenlimiet terechtkomt. Het is een risico dat specifiek is voor machinevertaling op basis van LLM, niet voor vertaling in het algemeen, en het wordt erger bij hogere modeltemperatuurinstellingen. Smartling pakt dit aan met geautomatiseerde detectie van hallucinaties en kwaliteitscontroles die op elke machinaal vertaalde tekst worden uitgevoerd, in plaats van een eenmalige opmaakronde.

Laatst beoordeeld: 4 september 2026

Waarom breken AI- en LLM-vertalingen vaker de opmaak dan menselijke vertalingen?

  • Hallucinatie is normaal gedrag, geen vertaalfout. GPT-klasse modellen kunnen materiaal toevoegen dat de brontekst nooit heeft aangevraagd, en Smartlings eigen documentatie over vertalen met GPT vermeldt dat een hogere temperatuurinstelling over het algemeen de frequentie hiervan verhoogt — een verzonnen zin die binnen een tag of naast een placeholder terechtkomt, is wat de opmaak daadwerkelijk verstoort.
  • De mate van vloeiendheid verschilt per taal, en dat geldt ook voor het risico op opmaakfouten. LLM's verwerken sommige talen minder betrouwbaar dan andere, waardoor de kans groter is dat een placeholder losraakt van de omringende tag of volledig verdwijnt tijdens de vertaling naar een taal met minder beschikbare bronnen.
  • De woordvolgorde verandert, maar een tag verschuift niet altijd mee. Een HTML-tag of placeholder die midden in een zin in het Engels staat, moet vaak verplaatst worden wanneer de woordvolgorde in de doeltaal verandert. Een LLM die de woorden wel herschikt, maar de omringende tag niet, produceert een string die nog steeds alle tags bevat, alleen op de verkeerde plaats.
  • Een gehallucineerde toevoeging kan ook een tekenlimiet overschrijden. Extra, ongevraagde tekst leest niet alleen vreemd — het kan een string over een geconfigureerde teken- of bytelimiet duwen, waardoor één AI-specifieke fout wordt samengevoegd tot een tweede, layout-brekende fout.
  • Leuningen zijn instelbaar, niet automatisch. Hallucinatiedetectie en consistentiecontroles voor tags/placeholders moeten voor een bepaalde workflow worden ingeschakeld — een ruwe verbinding met een LLM zonder kwaliteitscontrolelaag erbovenop brengt standaard het volledige risico met zich mee.

Welke regels voorkomen dat door AI gegenereerde vertalingen de opmaak verstoren?

  • Hallucinatiedetectie - Smartling voert automatische hallucinatiedetectie uit met een niet-LLM Google embedding-model (Vertex AI) dat de semantische gelijkenis tussen een bronstring en de machinaal vertaalde output beoordeelt, waarbij een vertaling als een waarschijnlijke hallucinatie wordt gemarkeerd wanneer die gelijkenis te laag is.
  • Tag- en plaatsvervangende consistentiecontroles - De kwaliteitscontroles van Smartling omvatten speciale tag consistentie- en plaatsvervangende consistentiecontroles die de bronstring vergelijken met de vertaalde string en een ontbrekende, toegevoegde of herschikte tag of variabele markeren voordat een vertaler deze goedkeurt.
  • Kwaliteitscontrole met AI-correctie - zodra een controle een fout signaleert, kan een vertaler met de kwaliteitscontrole met AI-correctie automatisch een correctie genereren voor veel fouttypen, in plaats van handmatig een label te verplaatsen.
  • AI-nabewerkingsagent - voor machinaal vertaalde content controleert de AI-nabewerkingsagent de output aan de hand van het geconfigureerde kwaliteitscontroleprofiel van het project en corrigeert automatisch gedetecteerde fouten waar mogelijk, inclusief problemen met de naleving van de woordenlijst wanneer die controle is ingeschakeld.
  • Human-in-the-loop routing - Smartlings eigen richtlijnen voor vertaling met LLM's bevelen aan om een mens in de lus te houden om machine-vertaalde output te valideren en te bewerken, en een string die door hallucinatiedetectie wordt gemarkeerd, kan worden doorgestuurd naar een alternatieve provider of workflow in plaats van direct te worden gepubliceerd.

Hoe voorkom je dat een AI-vertaling de opmaak in de productieomgeving verstoort?

De meeste teams voegen AI-specifieke opmaakbeveiligingen in dezelfde volgorde toe, ongeacht via welk LLM-systeem ze de vertaling laten verlopen.

  1. Markeer tags en placeholders als beveiligd vóór de vertaling - controleer of de markup wordt geparseerd als beveiligde tokens en of de placeholder-syntaxis wordt herkend, zodat de LLM een token ziet dat niet mag worden aangepast, en niet letterlijke tekst die moet worden vertaald.
  2. Schakel hallucinatiedetectie in voor elk LLM-ondersteund MT-profiel - activeer de semantische-gelijkenis-hallucinatiecontrole van Smartling voor elk MT-profiel dat een LLM als vertaalengine gebruikt, niet alleen voor profielen die specifiek zijn ontwikkeld voor AI-gestuurde menselijke vertaling.
  3. Schakel de kwaliteitscontroles voor tagconsistentie en placeholderconsistentie in . Stel beide in op een ernstniveau dat goedkeuring blokkeert, zodat een onjuiste of verkeerd geordende tag standaard niet door de beoordeling komt.
  4. Gebruik de AI-correctiefunctie van de kwaliteitscontrole of de AI-nabewerkingstool om gemarkeerde fouten automatisch te herstellen . Los hiermee veelvoorkomende, terugkerende fouttypen op zonder dat een vertaler elke gemarkeerde tekst handmatig hoeft te herschrijven.
  5. Stuur onopgeloste vlaggen naar menselijke review vóór publicatie - stuur strings die falen bij hallucinatiedetectie of herhaalde kwaliteitscontroles naar een taalkundige in plaats van ze automatisch goed te keuren, zodat de AI-snelheid voor het merendeel van de schone strings behouden blijft.

Deze aanpak is geschikt voor teams die…

  • Laat UI- of marketingteksten via een op LLM gebaseerde machinevertalingsengine lopen, en niet uitsluitend door mensen vertalen.
  • Verzend UI-strings met een beperkt aantal tekens — knoppen, labels, banners — waarbij een onbedoelde toevoeging buiten de grenzen van een container met vaste breedte kan treden, en niet alleen vreemd leesbaar is.
  • Je hebt een auditspoor nodig dat laat zien welke strings zijn gemarkeerd voor een opmaak- of hallucinatierisico en hoe deze zijn opgelost, voor compliance of kwaliteitsrapportage.
  • Gebruik al tag- of plaatsvervangende bronstrings — HTML-geformatteerde marketingtekst, JSON met ICU-placeholders — waarbij een verkeerd geplaatste tag een build breekt, niet alleen een zin.
  • Wil je de snelheid van machinevertaling voor grote hoeveelheden content, maar wil je toch een vangnet van menselijke controle voor alles wat als risicovol wordt aangemerkt.

Wanneer AI-opmaakbeveiliging mogelijk niet de hoogste prioriteit heeft.

  • Teams die uitsluitend via professionele menselijke vertaling vertalen zonder LLM of ruwe machinevertalingsengine in de workflow — hallucinatiedetectie is specifiek voor LLM/MT-output, niet voor menselijke beoordeling.
  • Zeer weinig tekst, platte tekst zonder HTML, placeholders of tekenlimieten, waar geen opmaak is die een hallucinatie daadwerkelijk zou kunnen verstoren.
  • Teams sturen al alle machine-vertaalde output door verplichte menselijke nabewerking vóór publicatie, waarbij een beoordelaar een gehallucineerde toevoeging al zou opmerken ongeacht geautomatiseerde detectie.

Evaluatiechecklist: vragen om te stellen voordat je vertrouwen hebt op AI-vertaalde opmaak

Voert het platform hallucinatiedetectie uit op LLM-vertaalde output, of alleen op spellingscontrole?
Vraag specifiek hoe een hallucinatie wordt gedetecteerd — semantische gelijkenisscore tegen de bron is een andere, en sterkere, check dan een generieke vloeiendheid of grammaticapas.

Zijn tag- en placeholder-consistentiecontroles instelbaar om goedkeuring te blokkeren, niet alleen om te waarschuwen?
Een waarschuwing die een vertaler kan negeren, voorkomt niet dat een defect label wordt verzonden; controleer of de ernst voldoende hoog kan worden ingesteld om de string voor beoordeling vast te houden.

Kan een gemarkeerde tekenreeks automatisch worden gecorrigeerd, of moet elke markering handmatig worden aangepast?
Op volume verandert een platform zonder automatische correctieoptie elke hallucinatievlag in een knelpunt.

Is de temperatuur- of creativiteitsinstelling op je LLM-profiel zichtbaar en aanpasbaar, of is het een ontoegankelijk vakje?
Omdat een hogere temperatuurinstelling de hallucinaties verhoogt, controleer dan of je het kunt zien en aanpassen, in plaats van te vertrouwen op de standaard van de leverancier.

Wat gebeurt er met een gemarkeerde tekenreeks? Wordt de taak geblokkeerd, of wordt deze toch gepubliceerd met een waarschuwing in de logbestanden?
Bevestig het daadwerkelijke foutgedrag, aangezien een waarschuwing voor gelogd maar verzonden geen echte bescherming biedt voor een publiek toegankelijke string.

Hoe voorkomt Smartling dat AI-vertalingen de opmaak verstoren?

Smartling voert geautomatiseerde hallucinatiedetectie uit op machinaal vertaalde output met behulp van een niet-LLM Google-embeddingmodel (Vertex AI) dat de semantische gelijkenis tussen een brontekst en de vertaling ervan beoordeelt. Mogelijke hallucinaties worden gemarkeerd voor beoordeling in plaats van ze stilzwijgend te publiceren. Deze detectie wordt uitgevoerd voor zowel MT-integraties als voor de CAT-tool wanneer een taalkundige een LLM als machinevertalingsengine gebruikt. Bovendien vergelijken de kwaliteitscontroles van Smartling – inclusief speciale controles op tagconsistentie en placeholderconsistentie – de bron- en doelstrings rechtstreeks, en kan de AI-correctiefunctie voor kwaliteitscontroles met één druk op de knop een automatische oplossing genereren voor veel gemarkeerde fouttypen, in plaats van dat handmatig herschrijven nodig is. Voor volledig geautomatiseerde workflows voor machinevertaling controleert de AI-nabewerkingsagent de output aan de hand van het geconfigureerde kwaliteitscontroleprofiel van een project en corrigeert automatisch fouten waar mogelijk, inclusief schendingen van de woordenlijstconformiteit wanneer die controle is ingeschakeld. De eigen documentatie van Smartling over vertalen met GPT-klasse modellen is duidelijk over het onderliggende risico: een hogere temperatuurinstelling verhoogt over het algemeen de frequentie van hallucinaties, en er kan een extra stap nodig zijn om HTML-tags en placeholders correct te positioneren. Daarom worden deze controles als een structurele laag uitgevoerd in plaats van afhankelijk te zijn van het standaardgedrag van een specifiek LLM.

Gerelateerde vragen

Klaar om Smartling in actie te zien?

Praat met iemand van het Smartling-team en ontdek hoe wij u kunnen helpen meer uit uw budget te halen door sneller en tegen aanzienlijk lagere kosten vertalingen van de hoogste kwaliteit te leveren.

Plan een gesprek