1.082 μεταφράσεις περιείχαν λέξη σε λανθασμένο αλφάβητο. Οι έλεγχοί μας τις ενέκριναν όλες.
Γλώσσες
Στις 31 Οκτωβρίου βρήκαμε σε μία από τις ιστοσελίδες μας μια ουγγρική πρόταση με κινεζικές λέξεις στη μέση. Αναζητήσαμε στις αποθηκευμένες μεταφράσεις κάθε ιστοσελίδας που λειτουργούμε γράμματα που δεν ανήκουν στη γλώσσα τους και βρήκαμε 1.082 μεταφράσεις σαν αυτήν, 581 από τις οποίες σε δημοσιευμένες σελίδες. Κάθε μία είχε περάσει τους ελέγχους μας.
Τι βρήκαμε
Όλα γράφτηκαν από τα τοπικά μοντέλα που μεταφράζουν τις ιστοσελίδες μας και όλα είναι το ίδιο σφάλμα: μία ή δύο λέξεις σε άλλη γλώσσα. Από τις αποθηκευμένες μεταφράσεις και από αυτές που απορρίφθηκαν έκτοτε:
- Κινεζικά μέσα σε άλλες γλώσσες: το «they are» ως 它们是 στη μέση μιας ταϊλανδικής πρότασης· η κινεζική λέξη για το «track», 跟踪, με ουγγρική κατάληξη («támadók跟踪ására»)· παρόμοιες λέξεις στα πολωνικά και τα ελληνικά.
- Ρωσικά μέσα σε ελληνικά, αρμενικά, εβραϊκά και σλοβενικά: το «full house» στα ελληνικά βγήκε ως «φουλ хаус», με τη δεύτερη λέξη σε κυριλλικά.
- Γράμματα που μοιάζουν: ένα κυριλλικό «о» ή «а» στο τέλος μιας φινλανδικής ή τσέχικης λέξης. Κανείς που διαβάζει τη σελίδα δεν θα το πρόσεχε· μια μηχανή αναζήτησης ή ένας αναγνώστης οθόνης θα το πρόσεχαν.
- Γειτονικά συστήματα γραφής: ένα γράμμα της γραφής Μπενγκάλι μέσα σε μια λέξη Κανάντα, Ντεβαναγκάρι μέσα σε Κανάντα.
- Ολόκληρες γραμμές σε ταϊλανδικά σε σελίδες Χμέρ: τίτλοι, ετικέτες και κελιά πινάκων σε σελίδες Χμέρ δύο ιστοσελίδων ήταν απλώς γραμμένα σε ταϊλανδικά.
Το κατάστημά μας είχε επτά τέτοιες γραμμές δικές του. Σε μία, το «planted values» βγήκε στα ρουμανικά ως «valori植入».
Γιατί οι έλεγχοι τις ενέκριναν
Ο έλεγχος συστήματος γραφής ρωτούσε αν τουλάχιστον το 45% των γραμμάτων μιας μετάφρασης ανήκουν στο σύστημα γραφής της γλώσσας της. Αυτό εντοπίζει τα αγγλικά που έχουν μείνει στη θέση τους, που είναι και ο σκοπός για τον οποίο δημιουργήθηκε. Δύο κινεζικά γράμματα σε μια ουγγρική πρόταση με εκατό γράμματα δεν αλλάζουν το ποσοστό, και ένα μόνο κυριλλικό γράμμα το αλλάζει ακόμα λιγότερο.
Το σύντομο κείμενο είχε διαφορετικό κανόνα. Κάτω από 25 γράμματα αγγλικών, ο έλεγχος βεβαιωνόταν μόνο ότι η απάντηση δεν είχε μείνει στα αγγλικά. Ένα κελί πίνακα Χμέρ γραμμένο σε ταϊλανδικά δεν περιέχει καθόλου αγγλικά, οπότε πέρασε.
Ο κανόνας που τις εντοπίζει
Ένα γράμμα που ανήκει σε σύστημα γραφής που η γλώσσα δεν χρησιμοποιεί και που δεν περιέχει η αγγλική πηγή, είναι λάθος. Τρεις εξαιρέσεις εμποδίζουν τον κανόνα από το να χτυπάει άδικα τον συναγερμό:
- Τα γράμματα της λατινικής γραφής επιτρέπονται πάντα: τα ονόματα των εμπορικών σημάτων, ο κώδικας και οι μονάδες εμφανίζονται σε κάθε γλώσσα.
- Τα κινεζικά, ιαπωνικά και κορεατικά δεν ελέγχονται, επειδή τα ιαπωνικά αναμειγνύουν kana και kanji και τα κορεατικά μπορούν να χρησιμοποιούν hanja.
- Τα σερβικά και τα παντζάμπι, που γράφονται το καθένα με δύο αλφάβητα, ελέγχονται μόνο για γράμματα κινεζικών, ιαπωνικών και κορεατικών.
Εφαρμόσαμε τον κανόνα σε ό,τι είχαν αποθηκεύσει οι ιστοσελίδες μας και κάθε γραμμή που επισημάνθηκε και διαβάσαμε ήταν λανθασμένη. Από τις 31 Οκτωβρίου έχει απορρίψει 1.652 μεταφράσεις καθώς δημιουργούνταν, 1.549 από τις οποίες στα χμερ: το μοντέλο δεν σταμάτησε να γράφει ταϊλανδικά για τα χμερ, αλλά τώρα του ζητείται ξανά αντί να δημοσιευτούν.
Καθαρισμός
Οι αποθηκευμένες μεταφράσεις ελέγχονται ξανά μόνο όταν η γλώσσα τους μεταφραστεί ξανά, οπότε κάθε επηρεαζόμενη γλώσσα μεταφράστηκε ξανά: 61 από αυτές σε ένδεκα ιστοσελίδες. Δύο γραμμές επέστρεψαν με το ίδιο λάθος για δεύτερη φορά: η ρουμανική «valori植入» και μια ελληνική γραμμή με το 面向 σε αυτήν. Γράψαμε αυτές τις δύο με το χέρι. Στις 2 Νοεμβρίου καμία δημοσιευμένη σελίδα μας δεν είχε γράμμα από άλλο αλφάβητο.
Πού βρίσκεται τώρα ο κανόνας
Βρίσκεται στο translation-checks 1.1.0, δωρεάν στο GitHub, δίπλα σε έναν νέο έλεγχο που βεβαιώνεται ότι κάθε αριθμός επιστρέφει και γνωρίζει ότι το «3 million» είναι 300万 στα ιαπωνικά. Σε σχέση με τις 568.574 αποδεκτές μεταφράσεις των ιστοσελίδων μας, οι νέοι έλεγχοι δεν προκάλεσαν καμία λανθασμένη ειδοποίηση. Το Polyglot 1.1.0 τις περιλαμβάνει επίσης. Η πρώτη φορά που οι έλεγχοί μας ήταν το πρόβλημα βρίσκεται σε μια προηγούμενη σημείωση.