Översättningsordlistor & Terminologikonsistens i WordPress

Öppna den tyska versionen av en WooCommerce-butik och se hur ordet "Cart" rör sig genom gränssnittet. Rubrikknappen säger Warenkorb. Kassasidan säger Einkaufswagen. Ett bekräftelsemejl säger Korb. Alla tre är tekniskt sett giltiga tyska ord för en varukorg, och en mänsklig översättare som arbetar fil för fil kan använda vilken som helst av dem. Men en kund som läser webbplatsen ser inte tre synonymer. De ser en webbplats som inte kan hålla sitt eget ordförråd konsekvent, och på en e-handelssida tolkas den inkonsekvensen som slarvighet precis i det ögonblick du ber om ett kreditkort.

Detta är problemet som en översättningsordlista löser. En ordlista, ibland kallad termbas, är den auktoritativa listan över hur specifika termer ska återges på varje språk, vilka termer som aldrig får översättas alls, och vilka som måste översättas på samma sätt varje gång. Den här guiden förklarar ordlistekonceptet, de två viktigaste kategorierna av termer, varför uppdelning av stora filer i segment tyst förstör konsistensen, och hur en översättningspipeline som upprätthåller en ordlista över segment åtgärdar det.

Vad en översättningsordlista är

En översättningsordlista är en strukturerad mappning av källtermer till deras godkända översättningar, underhållen per språk. I sin enklaste form är det en tabell: källtermen, den önskade måltermen och en anteckning om huruvida den är låst eller översättningsbar. Översättare och översättningsmotorer konsulterar den som den enda källan till sanning för att samma koncept aldrig ska återges på två olika sätt.

Ett litet ordlistefragment kan se ut så här i JSON:

{
  "en": "Cart",
  "translations": {
    "de": "Warenkorb",
    "es": "Carrito",
    "fr": "Panier"
  },
  "translatable": true
},
{
  "en": "Acme Pro",
  "translations": {},
  "translatable": false,
  "note": "Brand product name. Never translate."
}

Eller, om ditt team föredrar ett platt kalkylblad, samma data som CSV:

source,de,es,fr,translatable
Cart,Warenkorb,Carrito,Panier,yes
Checkout,Kasse,Pagar,Commander,yes
Acme Pro,,,,no
Add to Cart,In den Warenkorb,Añadir al carrito,Ajouter au panier,yes

Ordlistan utför två uppgifter samtidigt. För översättningsbara termer tvingar den fram en godkänd återgivning. För icke-översättningsbara termer fungerar den som en lista över vad som inte får röras.

Formatet i sig spelar knappast någon roll. JSON, CSV, ett kalkylblad eller en enkel nyckel-värde-fil fungerar alla, eftersom värdet av en ordlista inte ligger i dess filändelse utan i dess roll som överenskommen referens. Vad som spelar roll är att den existerar, att den är den enda auktoritativa kopian och att det som översätter dina strängar faktiskt konsulterar den. En ordlista som ligger på en delad enhet som översättningsprocessen aldrig läser är bara dokumentation. En ordlista som pipelinen tvingar fram för varje sträng är en kvalitetsgaranti.

De flesta team börjar reaktivt med en ordlista, efter att den första inkonsekvensen har orsakat problem i produktion. Den bättre vägen är att fylla den innan den första översättningsomgången med de uppenbara posterna: dina produktnamn, dina tjugo viktigaste gränssnittstermer och alla branschspecifika ord där ett felaktigt val skulle förvirra kunderna. Tjugo välvalda poster förhindrar de allra flesta konsistensfel.

De två typerna av termer som fallerar utan en ordlista

Vilka termer behöver egentligen ordlistekontroll? Två kategorier, och de misslyckas i motsatta riktningar.

Varumärkestermer som aldrig får översättas

Produktnamn, varumärkesnamn, funktionsnamn och varumärken bör passera översättning helt oförändrade. När Acme Pro blir Acme Profesional på spanska, eller din QuickShip-fraktfunktion förvandlas till EnvíoRápido, har du brutit varumärkesigenkänningen och, ofta, brutit användargränssnittet där den exakta strängen matchas i kod.

Detta är det vanligaste och mest skadliga felet med ordlistor. En maskinöversättare som lämnas åt sig själv kommer hjälpsamt att översätta Pro, Plus, Cloud, och alla andra ord som ser ut som ett vanligt substantiv, eftersom den inte har något sätt att veta att dessa ord är en del av ett varumärke. Ordlistan är det som säger åt den att sluta.

Termer som måste översättas konsekvent

Det motsatta problemet är situationen med Warenkorb kontra Einkaufswagen. Dessa är riktiga ord som bör översättas, men alltid på samma sätt. Gränssnittsvokabulär som Cart, Checkout, Account, Wishlist, Order och Shipping måste mappas till en fast målterm över varje skärm, e-post och knapp. Faran här är inte felöversättning utan drift: varje individuellt korrekt val är bra i sig, och endast inkonsekvensen över hela webbplatsen är felet.

Detta är problemet med urholkad tillit. Användare bygger en mental modell av ditt gränssnittsvokabulär när de navigerar genom det. När ordet ändras, bryts modellen, och den kognitiva friktionen registreras som en diffus känsla av att webbplatsen är av låg kvalitet, även om kunden inte kan formulera varför.

Konsistens har också en konkret användbarhetskostnad bortom känslan. Supportdokumentation, verktygstips och introduktionsmejl refererar alla till gränssnittstermer. Om knappen säger Warenkorb men hjälpavsnittet säger Einkaufswagen, kan en förvirrad kund inte mappa instruktionen till skärmen. Inkonsekvent terminologi bryter tyst din egen supportinnehåll. Ordlistan är det som får produkten, dokumentationen och marknadsföringstexten att bokstavligen tala samma språk.

Varför uppdelning av stora filer orsakar inkonsekvens

Här är mekanismen som förvandlar en engångsirritation med ordlistor till ett systematiskt problem på stora webbplatser. En stor WordPress- eller WooCommerce-butik kan ha en .po-fil med tusentals strängar, långt fler än vad någon AI-modell kan översätta i en enda förfrågan. Så filen delas upp i segment, och varje segment översätts separat.

Problemet är att när varje segment översätts isolerat, har motorn inget minne av hur den återgav en term för tre segment sedan. Segment 1 kan översätta "Cart" som Warenkorb. Segment 7, behandlat som en oberoende förfrågan utan delat sammanhang, kan lika rimligt översätta samma "Cart" som Einkaufswagen. Inget är fel i sig. Inkonsekvensen är en artefakt av uppdelningen, inte av något enskilt dåligt beslut.

# Chunk 1 - header strings
msgid "Cart"
msgstr "Warenkorb"

# Chunk 7 - footer strings, translated in a separate request
msgid "View Cart"
msgstr "Einkaufswagen ansehen"

Ju större fil, desto fler segment, och desto fler möjligheter för samma term att avvika. Detta är precis varför översättning av stora filer är svårare än det verkar, ett ämne vi går igenom på djupet i hur man översätter stora PO-filer. Naiv uppdelning byter ut fullständighet mot konsistens, och i en butik med tusentals strängar syns den kompromissen överallt.

Hur en ordliste-medveten pipeline löser det

Lösningen är en översättningspipeline som gör två saker tillsammans: den delar stora filer intelligent så att de överhuvudtaget kan bearbetas, och den bär med sig ordlista och terminologisammanhang över varje segment så att uppdelningen aldrig introducerar drift.

Det är här Smart Batching och Context-Aware AI fungerar som ett par. Smart Batching delar upp en fil på 10MB+ i bearbetningsbara segment, men segmenten översätts inte som isolerade främlingar. Pipelinen tvingar fram ordlista och terminologikonsistens över segment, så att när "Cart" har etablerats som Warenkorb, får varje senare segment som innehåller "Cart" samma återgivning. Ordlistan med låsta varumärkestermer följer också med varje segment, så Acme Pro förblir intakt oavsett om det förekommer i sträng nummer 5 eller sträng nummer 5 000.

Det praktiska resultatet är att en butiksfil med 6 000 strängar återkommer med ett konsekvent ordförråd istället för ett lapptäcke. Varumärkesnamn är orörda. Gränssnittstermer är enhetliga. Och platshållarna inuti dessa strängar, %s- och {name}-token, förblir låsta på plats samtidigt. Du får en fil som läses som om en noggrann översättare med ett perfekt minne gjorde hela arbetet i en enda sittning.

Jämför det med det alternativ de flesta tar till: översätt filen i delar, gör sedan en manuell sök-och-ersätt-omgång för att normalisera termer efteråt. Den metoden misslyckas av två skäl. För det första måste du redan känna till varje term som har avvikit, vilket innebär att du måste granska tusentals strängar för att hitta inkonsekvenserna från början. För det andra är blind sök-och-ersätt farligt, eftersom samma ord kan vara korrekt i ett sammanhang och fel i ett annat. Att tvinga fram ordlistan under översättningen, medan motorn fortfarande har hela sammanhanget för varje sträng, är i grunden säkrare än att lappa ihop det i efterhand.

Ordlistor i ett multisite-arbetsflöde

För byråer som hanterar lokalisering över många klientwebbplatser blir ordlistans disciplin ännu viktigare. Varje klient har sina egna varumärkestermer och sitt eget godkända ordförråd, och att återanvända en klients ordlista på en annan är en garanterad pinsamhet. Ett repeterbart, ordlistedrivet arbetsflöde är det som håller ett dussin flerspråkiga webbplatser konsekventa utan ett dussintal gånger så mycket manuell granskning, vilket är kärnan i det ideala lokaliseringsarbetsflödet för byråer som hanterar flera klientwebbplatser. Ordlistan blir en klientbaserad tillgång som följer med varje fil du översätter för dem.

Terminologikonsistens är en av de kvalitetssignaler som ingen medvetet märker när den är korrekt, men som alla känner av när den är felaktig. Kunden som läser Warenkorb på varje skärm tänker aldrig på det. Den som ser tre olika ord för varukorg lämnar inte heller in ett klagomål, de litar bara lite mindre på webbplatsen och konverterar lite sämre. En ordlista, som tillämpas över varje segment av varje fil, är hur du säkerställer att de aldrig behöver göra det.

Redo att hålla varje term konsekvent i hela din flerspråkiga butik? Prova SimplePoTranslate gratis — inget kreditkort krävs. Den kostnadsfria nivån säkerställer ordlista och terminologikonsistens över segment, så "Cart" förblir ett ord och dina varumärkesnamn förblir orörda från första till sista strängen.