Локализация веб-интерфейса — это не просто перевод текста. Это сложный инженерный процесс, который требует постоянного поддержания актуальности данных в условиях динамически меняющегося продукта. Для платформы OpenRouter, где ежедневно обновляются тысячи строк пользовательского интерфейса, традиционные методы ручного перевода или разовые выгрузки в CAT-системы оказались неэффективными. Статичный перевод устаревает быстрее, чем вы успеете его утвердить. Именно поэтому команда OpenRouter разработала собственную систему, которая не просто переводит, но и постоянно проверяет, исправляет и адаптирует контент на лету.
Сегодня мы подробно разберем архитектуру этой системы, которая позволяет OpenRouter поддерживать интерфейсы на множестве языков с минимальными затратами и максимальной точностью. Мы покажем, как использование больших языковых моделей (LLM) в связке с жестким контролем кода и обратной связью от пользователей создает «самокорректирующийся» цикл, который снижает количество ошибок до минимума и делает процесс локализации масштабируемым.
01Хранение переводов: Git как источник истины
Первый и фундаментальный принцип системы — переводы живут в Git рядом с исходным кодом. Это кажется очевидным для разработчиков, но для локализации это революционный подход. Вместо того чтобы отправлять строки во внешний сервис перевода и ждать ответа, OpenRouter использует открытую среду General Translation для обертки строк в React-коде. Переводы хранятся в виде JSON-каталогов, которые загружаются локально во время выполнения приложения. Это означает, что ни один запрос на перевод не проходит через внешний сервис в моменте использования интерфейса пользователем, что гарантирует скорость и отказоустойчивость.
Ключевым механизмом здесь является «отпечаток» (fingerprint). Каждая переведенная запись хранит хэш английского оригинала. Как только разработчик меняет английскую строку в коде, отпечаток перестает совпадать, и запись автоматически попадает в очередь на обновление. Это позволяет ежедневному фоновому процессу находить все устаревшие элементы без необходимости перекомпилировать или переписывать весь каталог. Таким образом, система всегда знает, какие именно строки требуют внимания, экономя вычислительные ресурсы.
02Пайплайн перевода: пять этапов обработки
Каждая строка из очереди проходит через строгий конвейер из пяти этапов, прежде чем попасть на сайт. Этот процесс полностью автоматизирован и работает на базе моделей OpenRouter.

1. Извлечение (Extract)
Скрипт сканирует фронтенд-код и выгружает все обернутые английские строки в исходный каталог. Важно, что для каждой записи фиксируется не только текст, но и контекст использования: является ли это кнопкой, заголовком, заголовком таблицы или частью предложения. Контекст критически важен, так как одно и то же английское слово может требовать разного перевода в зависимости от роли. Например, слово «Queue» на кнопке — это глагол (добавить в очередь), а не существительное (очередь). Без указания роли модель могла бы допустить ошибку, переведя команду как существительное.
2. Перевод (Translate)
Новые и измененные строки отправляются модели GPT-6.1 Sol пакетами. Для обеспечения структурной целостности ответа используется функция Structured Outputs, которая гарантирует, что ответ будет строго соответствовать схеме JSON. В запрос включаются глобальные стилистические заметки, глоссарий терминов продукта и роль UI-элемента. Это позволяет модели принимать решения, основанные на контексте, а не только на буквальном значении слов.
{
"model": "openai/gpt-6.1-sol",
"messages": [
{
"role": "system",
"content": "Translate OpenRouter UI strings into Japanese. ..."
},
{
"role": "user",
"content": "[{\"id\": \"q1\", \"role\": \"button\", \"text\": \"Queue\"}]"
}
],
"response_format": {
"type": "json_schema",
"json_schema": {
"name": "translations",
"strict": true,
"schema": {
"type": "object",
"properties": {
"translations": {
"type": "array",
"items": {
"type": "object",
"properties": {
"id": { "type": "string" },
"text": { "type": "string" }
},
"required": ["id", "text"],
"additionalProperties": false
}
}
},
"required": ["translations"],
"additionalProperties": false
}
}
}
}Поскольку все модели на OpenRouter принимают одинаковый формат запроса, смена переводчика сводится к изменению только идентификатора модели (model slug). Это упрощает тестирование и сравнение различных моделей.

3. Проверка кода (Check)
Перед тем как перевод будет принят, он проходит синтаксическую проверку. Код автоматически отклоняет ответы, которые нарушают формат ICU-плейсхолдеров, ветви множественного числа, теги rich-text или содержат лишние пробелы. Также проверяется соответствие глоссарию: если термин должен быть оставлен на английском или переведен определенным образом, система это заметит. Если пакет отклонен, он разбивается на меньшие части, и процесс повторяется несколько раз. Если после всех попыток строка все еще не проходит проверку, она остается на английском языке и помечается в pull request для ручной проверки.
4. Верификация (Verify)
Это сердце системы самокоррекции. Второй вызов той же модели (GPT-6.1 Sol) действует как независимый верификатор. Он сравнивает перевод с оригиналом и перечисляет ошибки по степени серьезности. Критические ошибки (например, потерянный смысл или инверсия значения) отправляют строку обратно переводчику вместе
Источник: OpenRouter ↗
