메인 콘텐츠로 건너뛰기

i18n-rosetta

완전히 커스터마이징 가능한 국제화(internationalization) 프레임워크입니다. 명령어 하나로 locale 파일을 번역해요. 설정 파일 하나로 모든 메서드, 모델, 언어 쌍(language pair)을 제어할 수 있어요. 내장된 메서드로 충분하지 않다면 직접 만들고, 제대로 작동하는지 증명한 다음 배포해 보세요.

npx i18n-rosetta sync

rosetta는 locale 파일, 포맷, 대상 언어를 자동으로 감지해요. 누락된 부분을 번역하고, 이미 완료된 부분은 건너뛰며, 모든 결과를 검증하고 깔끔한 결과물을 작성합니다. 이것은 단지 시작에 불과해요.

왜 직접 스크립트를 작성하지 않을까요?​

각 키마다 Google Translate를 호출하는 간단한 루프를 작성할 수도 있어요. 대부분의 개발자가 그렇게 하며, 약 30줄이면 충분하죠. 하지만 다음과 같은 문제가 발생해요.

  • 변경 사항 감지 불가. 영어 문자열을 업데이트해도 번역은 영원히 과거 상태로 남아있게 돼요. rosetta는 SHA-256 해시로 모든 소스 값을 추적하고 변경된 내용만 다시 번역해요.
  • 일괄 처리(Batching) 불가. 키당 한 번의 API 호출은 200개의 키 = 200번의 왕복을 의미해요. rosetta는 지능적으로 일괄 처리합니다(설정 가능, 기본값은 LLM의 경우 배치당 80개 키, Google의 경우 128개).
  • 캐싱 불가. 동기화할 때마다 모든 것을 다시 번역해요. rosetta의 Translation Memory는 소스 텍스트 + locale + 메서드별로 번역을 캐시합니다. 키 하나를 변경한 후 동기화를 다시 실행하면 전체 파일이 아닌 해당 키 하나만 번역해요.
  • 품질 검증(Quality gate) 부재. 기계 번역은 환각(hallucination)을 일으키거나, 소스를 그대로 반환하거나, 잘못된 문자로 출력할 수 있어요. rosetta는 번역을 작성하기 전에 모든 번역을 검증합니다. 잘못된 문자, 길이 팽창, 소스 반복 등을 잡아내고 거부해요.
  • 포맷 인식 불가. JSON으로 하드코딩되어 있나요? rosetta는 자동 감지 기능을 통해 JSON, TOML, YAML 및 Hugo Markdown(frontmatter + body)을 처리해요.
  • 메서드 제어 불가. 모든 언어 쌍에 동일한 메서드가 적용돼요. rosetta를 사용하면 동일한 설정 파일 내에서 프랑스어에는 Google Translate를, 일본어에는 LLM을, Cree어에는 커뮤니티에서 호스팅하는 커스텀 파이프라인을 사용할 수 있어요.

rosetta는 바로 그 스크립트의 프로덕션 버전이에요.

무엇이 다를까요?​

모든 메서드는 플러그인입니다​

번역 메서드는 언어 쌍마다 설정 가능해요. 동일한 프로젝트에서 Google Translate, LLM, 코칭된 프롬프트(coached prompts), 커스텀 API를 혼합해서 사용해 보세요.

i18n-rosetta.config.json
{
  "version": 3,
  "pairs": {
    "en:fr": { "method": "google-translate" },
    "en:ja": { "method": "llm", "model": "google/gemini-2.5-pro" },
    "en:crk": { "methodPlugin": "crk-coached-v1" }
  }
}

프랑스어에는 Google Translate(빠르고 저렴함)를 사용해요. 일본어에는 프리미엄 LLM(뉘앙스 파악)을 사용하죠. Plains Cree어에는 문법 규칙, 사전, 형태소 검증이 포함된 코칭된 플러그인을 사용해요. 모두 동일한 sync 명령어를 사용합니다. 동일한 품질 검증과 동일한 CLI를 제공해요.

증명해 보세요​

여러분의 메서드가 영어를 스페인어로, 튀르키예어를 아제르바이잔어로, 영어를 Cree어로 번역할 수 있다고 생각하시나요?

증명해 보세요. 함께 제공되는 eval harness는 재현 가능하고 핑거프린트가 적용된 점수 산정 방식으로 모든 번역 메서드를 벤치마킹해요. leaderboard는 모든 제출 항목을 추적합니다.

eval harness와 프로덕션 CLI는 동일한 플러그인 인터페이스를 공유해요. harness에서 좋은 점수를 받은 메서드는 프로덕션 환경에서 사용할 수 있어요. 단, 해당 언어를 사용하는 커뮤니티의 동의가 있어야 합니다. 원주민 언어와 자원이 부족한 언어(low-resource languages)의 경우 이러한 동의가 매우 중요해요. 데이터 주권을 참고해 주세요.

# Benchmark your method (in the eval harness repo)
cd gds-mt-eval-harness
python eval/baseline_experiment.py --dataset data/edtekla-dev-v1.json --submit

# Use it locally
npx i18n-rosetta sync

동일한 플러그인입니다. 연결하고 테스트해 보세요.

완벽한 툴킷​

rosetta는 단순한 sync가 아니에요. 완전한 i18n 파이프라인입니다.

CommandWhat It Does
sync누락되거나 오래된 키 번역 (동기화 후 검증 포함)
watch소스 파일 변경 시 자동 동기화
lint소스 코드에서 하드코딩된 문자열 스캔
wrap하드코딩된 문자열을 t() 호출로 자동 래핑
audit이전 실행의 모든 [EN] 폴백(fallback) 마커 목록 표시
verify번역이 존재하고 올바른지 확인 (CI 게이트)
integrity자리 표시자(placeholder) 손상, 인코딩 문제, ICU 복수형 완전성 감지
seohreflang 태그, 사이트맵, JSON-LD 스키마 생성
status언어 쌍 설정, 플러그인, 벤치마크 점수 표시
provenance번역 리소스 라이선스 감사
plugin메서드 플러그인 설치, 제거 및 목록 표시
fontsPUA 스크립트 변환기용 웹 폰트 다운로드
tmTranslation Memory 캐시 관리 (통계, 지우기, locale별)
xliff전문 번역가 검토를 위한 XLIFF 1.2 내보내기/가져오기

이 중 lint, sync, verify, audit 네 가지는 하드코딩된 문자열을 찾아내어 번역하고, 정확성을 검증하며, 불완전한 locale이 있을 경우 빌드를 실패하게 만드는 CI 파이프라인을 구성해요.

The Arena​

Method Leaderboard는 점수판 역할을 해요. 모든 제출 항목은 Git 커밋으로 핑거프린트가 생성되고, 특정 데이터셋으로 버전이 지정되며, 동일한 harness에 의해 점수가 매겨집니다. 누구나 제출할 수 있어요.

무엇을 증명할 수 있을까요? harness는 JSON을 사용해요. 플러그인도 JSON을 사용하죠. JSON을 생성하는 모든 메서드를 테스트할 수 있어요.

ApproachExample
Coached LLM최신 모델(frontier model)의 프롬프트에 문법 규칙과 사전을 주입해요
Fine-tuned model병렬 텍스트로 오픈 모델을 훈련해요 (단, 평가 데이터는 제외)
FST-gated pipelineLLM 생성 → 유한 상태 트랜스듀서(FST)가 형태소 검증 → 재시도
Chained models모델 A가 초안 작성 → 모델 B가 사후 편집 → 모델 C가 점수 산정
Dictionary + LLM사전에서 알려진 용어를 강제 적용하고, 나머지는 LLM이 처리하게 해요
Evolutionary후보를 생성하고, 점수를 매기고, 가장 좋은 것을 변형하는 과정을 반복해요
Partial translation샘플을 수동으로 번역하고, LLM이 일치하는지 증명한 후, 나머지를 자동 번역해요

모델을 파인튜닝(fine-tune)해 보세요. 진화 알고리즘을 배포하거나, 어학 시험에서 학생들의 답안을 테스트해 보세요. 룩업 테이블을 구축하거나 세 개의 모델을 연결할 수도 있어요. 메서드가 JSON을 생성하기만 한다면, harness가 점수를 매기고 프레임워크가 이를 실행합니다.

:::danger 단 하나의 규칙 평가 데이터로 훈련하지 마세요. 벤치마크 데이터셋에 노출된 메서드는 실격 처리됩니다. 원하는 데이터로 파인튜닝하는 것은 괜찮지만, 테스트 세트는 절대 안 돼요. :::

이것은 공개적인 초대장이에요. 연구자, 커뮤니티 구성원, 학생 또는 단순히 관심을 가진 사람으로서 자원이 부족한 언어(low-resource language)를 다루고 있다면, 메서드를 구축하고 harness를 실행하여 최고 점수를 차지해 보세요. 문제는 아직 해결되지 않았고, 인프라는 여기에 준비되어 있습니다.

→ Leaderboard 보기

다음 단계​

시작하기:

설정 커스터마이징:

더 깊이 알아보기: