Wat is machinale vertaling en hoe beoordeel je de technologie?

Laatst beoordeeld: 4 september 2026

Wat onderscheidt eigenlijk de ene machinevertaaltechnologie van de andere?

• Architectuur van de engine — neurale machinevertalingsengines (NMT) zijn speciaal ontworpen voor vertaling, en Smartling beveelt NMT zelf aan als de meest betrouwbare keuze voor ruwe vertaaloutput, terwijl grote taalmodellen (LLM's) doorgaans meer waarde toevoegen als een verfijningslaag bovenop de MT-output dan als de primaire vertaalengine.
• Taalkoppel en prestaties in het contentdomein — nauwkeurigheid hangt af van de specifieke combinatie van brontaal, doeltaal en inhoudstype (marketingtekst, technische documentatie, juridische tekst), niet van "machinale vertaling" die als één ongedifferentieerde categorie wordt behandeld.
• Hallucinaties en foutgedrag — LLM's kunnen vaker vloeiende, maar verzonnen tekst produceren dan NMT-engines, wat een andere vorm van falen is dan de letterlijke vertaalfouten waar NMT gevoeliger voor is.
• De integratie van terminologie en merkidentiteit – of een woordenlijst en vertaalgeheugen automatisch worden toegepast tijdens het vertalen, of pas achteraf door mensen worden gecontroleerd – bepaalt hoeveel nabewerking een bepaalde engine daadwerkelijk bespaart.
• Governance en toegang tot providers — zakelijke kopers moeten vaak beperken welke onderliggende AI-providers specifieke contenttypes kunnen verwerken om complianceredenen, wat het aantal bruikbare engines beperkt voordat de kwaliteit überhaupt wordt vergeleken.

Machinevertalingstechnologie, in cijfers

Hoe moet een bedrijf machinevertalingstechnologie evalueren?

Teams die voor het eerst MT-engines en LLM's met elkaar vergelijken, doorlopen over het algemeen dezelfde procedure.

1. Koppel content- en taalcombinaties aan kwaliteitsrisico's - inventariseer welke contenttypen (marketing, product-UI, juridisch, support) en welke taalcombinaties daadwerkelijk bijna menselijke nauwkeurigheid vereisen, en welke kunnen worden verwerkt met ruwe machinevertaling en een minder strenge controle.
2. Test NMT- en LLM-output op echte content, niet op een demo – voer een pilotvertaling uit via zowel een neurale MT-engine als een LLM-profiel met daadwerkelijke broninhoud voordat je de nauwkeurigheidsclaims van leveranciers vergelijkt.
3. Controleer de detectie van hallucinaties en de alternatieve routering - bevestig dat uitvoer die is gemarkeerd als een waarschijnlijke LLM-hallucinatie wordt onderschept en automatisch wordt omgeleid, in plaats van ongewijzigd naar een reviewer of klant te worden verzonden.
4. Bevestig dat woordenlijst en vertaalgeheugen van toepassing zijn bij vertaaltijd - controleer dat merkterminologie en eerdere vertaalovereenkomsten zijn toegepast in de first-pass MT- of LLM-uitvoer, en niet alleen achteraf tijdens menselijke beoordeling worden gecorrigeerd.
5. Test eerst de automatische routeringslaag voordat u handmatig een engine kiest . Omdat geen enkele engine voor elke taalcombinatie en elk contenttype de beste prestaties levert, is het raadzaam om te testen of een geautomatiseerde routeringslaag beter presteert dan een handmatig geconfigureerde engine voordat u een definitieve keuze maakt.

Deze aanpak past bij teams die...

• Vertaal tussen drie of meer taalparen wanneer de prestaties van één enkele engine inconsistent zijn.
• Mix contenttypes — marketing, product-UI, support, juridisch — die waarschijnlijk verschillende vertaalbenaderingen nodig hebben.
• Ik maak al gebruik van AI-vertaling en wil weten of NMT, een LLM of geautomatiseerde routering het meest geschikt is voor een specifieke taak.
• Er is behoefte aan governance-controles over welke AI-providers specifieke contenttypes mogen verwerken.
• We schalen het volume van AI-vertalingen op en de kwaliteit moet constant blijven naarmate dat volume groeit.

Bij het vergelijken van MT-technologie is dit wellicht niet direct de prioriteit.

• Een enkel, stabiel taalpaar dat al goed presteert op een handmatig geconfigureerde engine, zal mogelijk slechts beperkt extra voordeel ondervinden van een heroverweging van de onderliggende technologie.
• Voor zeer gespecialiseerde domeinen, zoals documentatie van klinische studies of complexe financiële instrumenten, is mogelijk een op maat getraind model nodig in plaats van een algemene vergelijking tussen NMT en LLM.
• Teams die nog geen woordenlijst of vertaalgeheugen hebben gebouwd, zouden die taalkundige assets eerst moeten vaststellen — de keuze van de engine is minder belangrijk totdat er een goedgekeurde terminologiebasis is voor elke engine om op terug te vallen.

Evaluatiechecklist: vragen om te stellen voordat je voor machine vertaaltechnologie kiest

Ondersteunt het platform zowel neurale MT-engines als LLM's, of slechts één categorie?
Bevestig toegang tot beide motortypes, aangezien de best presterende optie per taalpaar en contenttype verandert.

Kan ik mijn eigen content testen tegen meerdere engines voordat ik me committee?
Een demonstratie die wordt uitgevoerd met schone voorbeeldtekst zegt weinig over hoe een engine presteert op het daadwerkelijke bronmateriaal van je programma.

Is er automatische hallucinatiedetectie met terugvalroutering?
Vraag of een gemarkeerde, mogelijk vervalste LLM-uitvoer automatisch naar een andere aanbieder wordt doorgestuurd, of dat deze ongecontroleerd een beoordelaar of klant kan bereiken.

Worden de woordenlijst en het vertaalgeheugen tijdens het vertalen gebruikt, en niet pas erna?
First-pass output die al goedgekeurde terminologie weerspiegelt, heeft minder menselijke correctie nodig dan output die alleen in review wordt vastgesteld.

Kan ik beperken welke AI-aanbieders zijn goedgekeurd voor specifieke content?
Eisen voor enterprise governance en compliance betekenen vaak dat niet elke beschikbare engine geschikt is voor elk contenttype.

Hoe gaat Smartling om met de selectie van machinevertalingstechnologie?

Smartling's AI Hub biedt toegang tot meer dan 20 machinevertalings- en grote taalmodel-engines, waaronder Amazon Bedrock, Microsoft Azure's OpenAI GPT-modellen, Google Vertex AI's Gemini-modellen, OpenAI, Anthropic's Claude-modellen en DeepL, en dekt zowel neurale MT- als LLM-gebaseerde vertaling in één platform. Smartling Auto Select stuurt automatisch content naar de best presterende neurale MT-engine voor een bepaald taalpaar en contenttype, en is vanaf dag één op elk nieuw account vooraf geconfigureerd; Auto Select LLM breidt diezelfde routeringslogica uit naar grote taalmodellen, waarbij RAG-gestuurde prompts automatisch worden toegepast die zijn opgebouwd uit het eigen vertaalgeheugen en glossarium van een klant, zonder handmatige promptconfiguratie.

Volgens de productdocumentatie van Smartling zelf zijn neurale machinevertalingsengines over het algemeen de betrouwbaardere en aanbevolen keuze voor de primaire vertaaloutput, terwijl LLM's doorgaans de meeste waarde toevoegen als een verfijningslaag – bijvoorbeeld via Smartling's AI Toolkit – die de machinevertalingsoutput gladstrijkt en oppoetst in plaats van deze volledig te vervangen. De Language Quality Estimation Agent van Smartling beoordeelt machinaal vertaalde content met behulp van een standaard LLM-gebaseerde beoordeling (grammaticale correctheid, vloeiendheid, semantische coherentie en lexicale nauwkeurigheid) of een verfijnd XLM-R-model. De AI Post-Editing Agent werkt met elke MT-aanbieder of LLM die Smartling ondersteunt – inclusief op maat getrainde MT-engines – om automatisch problemen met de woordenlijst, opmaak en grammatica te corrigeren voordat de content een menselijke reviewer bereikt. Wanneer de uitvoer van een LLM wordt gemarkeerd als mogelijk een hallucinatie, stuurt Smartling die specifieke tekenreeks automatisch door naar een alternatieve provider in plaats van de gemarkeerde uitvoer verder te laten gaan. Smartling is op G2 marktleider op het gebied van vertaalmanagement

Gerelateerde vragen

• Wat is het beste systeem om de juiste LLM voor vertaling te kiezen?
• Welke criteria moet je hanteren bij het kiezen van een AI-vertalingsaanbieder?