Comment fonctionne i18n-rosetta

i18n-rosetta traduit les fichiers de paramètres régionaux de votre application à l'aide d'une seule commande. Voici son fonctionnement interne.

Le pipeline

Lorsque vous exécutez npx i18n-rosetta sync, rosetta déploie un pipeline en six étapes :

Décisions de conception clés :

• Détection des modifications via des hachages SHA-256. Rosetta suit chaque valeur source avec un hachage dans .i18n-rosetta.lock. Lorsque vous mettez à jour une chaîne en anglais, seule cette clé est retraduite. C'est pourquoi sync est rapide lors des exécutions répétées — il effectue un travail minimal.

• Mise en cache de la mémoire de traduction. Avant d'effectuer le moindre appel API, rosetta vérifie .rosetta/tm.json pour trouver des traductions mises en cache (indexées par texte source + paramètre régional + méthode). Lors d'une resynchronisation typique après la modification d'une clé, 142 clés proviennent du cache et 1 clé sollicite l'API.

• Porte de qualité avant l'écriture. Chaque traduction passe par cinq vérifications automatisées (vide, écho de la source, boucle d'hallucination, inflation de la longueur, conformité du script) avant d'être intégrée à vos fichiers. Les échecs sont consignés et ne sont jamais acceptés silencieusement.

• Cascade de nouvelles tentatives en cas d'échec. Si un lot échoue (erreur d'analyse JSON, délai d'attente de l'API dépassé), rosetta réessaie avec des lots progressivement plus petits : complet → moitié → individuel. Cela permet d'isoler la clé problématique sans bloquer le reste.

Méthodes de traduction

Rosetta prend en charge quatre méthodes de traduction, chacune adaptée à des scénarios différents :

Méthode	Fonctionnement	Idéal pour
llm	Invite structurée vers n'importe quel modèle OpenRouter	Langues bien dotées en ressources
llm-coached	Même invite + règles de grammaire, dictionnaire et notes de style	Langues pour lesquelles les LLM commettent des erreurs prévisibles
google-translate	Requête par lots vers Google Cloud Translation API	Langues à fortes ressources bénéficiant d'une bonne prise en charge par GT
api	HTTP POST vers votre propre point de terminaison	Pipelines personnalisés, modèles contrôlés par la communauté

Les méthodes sont configurées par paire de langues. Vous pouvez utiliser google-translate pour le français, mais llm-coached pour le cri des plaines — chaque paire bénéficie de la méthode qui lui convient le mieux.

Données d'encadrement

Pour les paires llm-coached, les données d'encadrement fournissent au LLM des connaissances linguistiques explicites : règles de grammaire, terminologie imposée et préférences de style. Celles-ci sont injectées dans chaque invite sous forme de contexte structuré.

coaching/crk.json

{
  "grammar_rules": ["Animate nouns take different plural forms than inanimate nouns"],
  "dictionary": {"welcome": "ᑕᓂᓯ", "settings": "ᐃᑕᐢᑌᐘᐃᓇ"},
  "style_notes": "Use Standard Roman Orthography (SRO) unless explicitly configured otherwise."
}

Les données d'encadrement constituent le mécanisme principal pour améliorer la qualité de la traduction sans procéder au réglage fin d'un modèle. Modifiez les règles → réexécutez la synchronisation → observez si cela est utile. L'itération est instantanée.

Plugins

Les plugins sont des recettes de traduction pré-emballées pour des paires de langues spécifiques. Il s'agit de manifestes JSON — et non de code — qui indiquent à rosetta quelle méthode utiliser, avec quels paramètres, et quelle qualité a été évaluée.

i18n-rosetta plugin install ./crk-coached-v3/
i18n-rosetta sync   # uses the installed plugin for en→crk

Les plugins comblent le fossé entre la recherche et la production : une méthode qui obtient de bons résultats dans la MT Eval Arena peut être conditionnée sous forme de plugin et déployée ici.

Vue d'ensemble

i18n-rosetta représente la moitié d'un écosystème en deux parties :

• MT Eval Arena — où les méthodes de traduction sont développées et éprouvées grâce à des évaluations reproductibles
• i18n-rosetta — où les méthodes éprouvées sont déployées pour traduire du contenu réel

Le Eval Harness Bridge relie les deux. Une méthode qui fait ses preuves dans l'Arena est déployée ici. Les retours des locuteurs en production permettent d'améliorer la version suivante.

---

Pour aller plus loin

• Comment fonctionne la synchronisation — présentation détaillée étape par étape du pipeline
• Porte de qualité — les cinq vérifications automatisées
• Mémoire de traduction — mise en cache et réduction des coûts
• Méthodes de traduction — comparaison détaillée des méthodes
• Architecture — aperçu de la conception du système