1 082 překladů obsahovalo slovo v nesprávné abecedě. Naše kontroly všechny prošly.
Jazyky
31. října jsme na jedné z našich stránek našli maďarskou větu s čínskými slovy uprostřed. Prohledali jsme uložené překlady všech stránek, které provozujeme, a hledali písmena, která do jejich jazyka nepatří. Našli jsme 1 082 takových překladů, z toho 581 na publikovaných stránkách. Každý z nich prošel našimi kontrolami.
Co jsme našli
Všechno napsaly lokální modely, které překládají naše stránky, a všechno je stejná chyba: jedno nebo dvě slova v jiném jazyce. Z uložených překladů a z těch, které byly od té doby zamítnuty:
- Čínština v jiných jazycích: „they are“ jako 它们是 uprostřed thajské věty; čínské slovo pro „track“, 跟踪, s maďarskou koncovkou („támadók跟踪ására“); podobná slova v polštině a řečtině.
- Ruština v řečtině, arménštině, hebrejštině a slovinštině: „full house“ v řečtině vyšlo jako „φουλ хаус“, druhé slovo v cyrilici.
- Podobná písmena: cyrilické „о“ nebo „а“ na konci finského nebo českého slova. Čtenář stránky by si toho nevšiml; vyhledávač nebo odečítač obrazovky ano.
- Sousedící písma: bengálské písmeno uvnitř kannadského slova, dévanágarí v kannadštině.
- Celé řádky v thajštině na khmérských stránkách: nadpisy, popisky a buňky tabulek na khmérských stránkách dvou webů byly jednoduše napsány thajsky.
Náš obchod měl sedm takových řádků. V jednom se „planted values“ objevilo v rumunštině jako „valori植入“.
Proč je kontroly propustily
Kontrola písma zjišťovala, zda je alespoň 45 % písmen překladu v písmu daného jazyka. To zachytí ponechanou angličtinu, pro což byla vytvořena. Dvě čínská písmena ve sto písmen dlouhé maďarské větě podíl nezmění a jediné cyrilické písmeno ho nezmění ještě méně.
Krátké texty měly jiné pravidlo. Pod 25 písmen angličtiny kontrola jen zajišťovala, že odpověď nezůstala v angličtině. Khmérská buňka tabulky napsaná thajsky neobsahuje žádnou angličtinu, takže prošla.
Pravidlo, které je zachytí
Písmeno, které patří do písma, které daný jazyk nepoužívá, a které anglický zdroj neobsahuje, je chyba. Tři výjimky brání tomu, aby pravidlo křičelo vlka:
- Latinková písmena jsou vždy povolena: názvy značek, kód a jednotky se objevují v každém jazyce.
- Čínština, japonština a korejština se nekontrolují, protože japonština kombinuje kany a kandži a korejština může používat hanču.
- Srbština a paňdžábština, každá psaná dvěma písmy, se kontrolují pouze na přítomnost čínských, japonských a korejských znaků.
Pravidlo jsme pustili na všechna data, která naše weby uložily, a každý řádek, který označilo a který jsme si přečetli, byl špatně. Od 31. října zamítlo 1 652 překladů při jejich vytváření, z toho 1 549 v khmérštině: model nepřestal psát thajsky pro khmérštinu, ale nyní je znovu dotázán, místo aby byl publikován.
Úklid
Uložené překlady se znovu kontrolují pouze tehdy, když je jejich jazyk znovu přeložen, takže každý dotčený jazyk byl znovu přeložen: 61 z nich napříč jedenácti weby. Dva řádky se vrátily se stejnou chybou podruhé: rumunské „valori植入“ a řecký řádek obsahující 面向. Ty dva jsme přepsali ručně. Dne 2. listopadu neměla žádná naše publikovaná stránka znak z cizího písma.
Kde pravidlo nyní žije
Je v translation-checks 1.1.0, zdarma na GitHubu, vedle nové kontroly, že každé číslo se vrátí a ví, že „3 million“ je v japonštině 300万. Při spuštění na našich 568 574 přijatých překladech nové kontroly nevyvolaly žádný falešný poplach. Polyglot 1.1.0 je obsahuje také. První případ, kdy problém způsobily naše kontroly, je popsán v předchozí poznámce.