Apresentando o Lingo.dev v1.0

Toda equipe de localização conhece esse padrão. Tradutores que não dominam o produto erram os termos da marca. Wrappers de LLM não têm memória entre uma solicitação e outra. Depois de alguns releases, a terminologia começa a se desalinhar — e ninguém percebe, porque as pontuações holísticas de qualidade mostram 0,95 e seguem adiante.

Nós medimos essa lacuna. Injetar contexto de glossário no momento da inferência reduz erros de terminologia em 17-45% em cinco provedores de LLM e cinco idiomas europeus. Chamamos isso de localização aumentada por recuperação (RAL). Os LLMs atingiram o patamar de qualidade para tradução em produção — mas só com o pipeline de contexto certo. Sem isso, cada solicitação isolada vira uma nova oportunidade para a terminologia se desalinhar. Na Lingo.dev, depois de fornecer infraestrutura de localização para traduzir mais de 200 milhões de palavras para clientes como Mistral, Solana, SoSafe e Cal.com, criamos v1.0 em torno disso.

Engine de localização#

Uma engine de localização é uma API de tradução com estado na Lingo.dev — uma implementação de RAL que preserva o contexto do domínio em todas as solicitações. Configure uma vez, use em qualquer lugar:

• Modelos — escolha qualquer modelo do catálogo da OpenRouter. Classifique modelos por idioma com cadeias de fallback — quando o modelo principal estiver indisponível, a engine direciona a solicitação para o próximo sem deixá-la cair.
• Glossário — mapeie termos de origem para traduções de destino por par de idiomas. A engine injeta os termos correspondentes em cada solicitação. Quando a engine da Cal.com encontra "Workspace", o glossário resolve isso antes mesmo de o LLM gerar um único token — sem necessidade de onboarding de tradutores.
• Voz da marca — defina tom e registro por idioma. Formal para conteúdo jurídico em alemão, conversacional para marketing em japonês, técnico para documentação em inglês.
• Instruções — defina regras por idioma para padrões específicos: regras de elisão em francês, convenções ortográficas em português, aspas em alemão, preferências por anglicismos em italiano.

A engine tem estado. Cada termo do glossário, cada regra de voz da marca, cada instrução permanece entre solicitações. A primeira tradução em uma nova engine parte de contexto zero. A milésima aproveita tudo o que a equipe configurou desde o primeiro dia. Em workflows de CI/CD baseados em diff, cada build retraduz apenas o que mudou. É esse estado da engine que evita o desalinhamento da terminologia — o mesmo problema que afeta tanto tradutores humanos quanto wrappers de LLM sem estado.

Teste configurações no playground antes de colocá-las no ar. Experimente uma string, compare entre idiomas e publique em produção quando estiver certo.

Como usar#

Três caminhos de integração. A mesma engine, o mesmo contexto, a mesma qualidade:

CLI — aponte para o seu repositório e traduza todos os idiomas configurados com um único comando:

npx lingo.dev@latest run

CI/CD — a integração com GitHub abre um pull request com strings traduzidas a cada push. Faça a revisão das traduções no diff e dê merge quando estiver tudo pronto. Sem handoffs. Sem esperar por uma equipe externa.

API — chame a engine diretamente do código de backend:

curl -X POST https://api.lingo.dev/process/localize \
  -H "X-API-Key: $LINGO_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "engineId": "eng_abc123",
    "sourceLocale": "en",
    "targetLocale": "es",
    "data": {
      "welcome": "Welcome to the future of payments",
      "cta": "Get started"
    }
  }'

Toda solicitação é registrada: modelo usado, tokens consumidos, status do fallback, termos de glossário aplicados, instruções correspondentes. O painel de relatórios mostra volume de palavras, consumo de tokens, principais idiomas, cobertura de glossário e taxas de mudança — para que você veja exatamente quais termos estão sendo aplicados e onde ainda existem lacunas de cobertura.

Liberdade de modelo#

A consistência terminológica não deveria depender do fornecedor de LLM que você acabou escolhendo. O RAL separa a camada de consistência — glossário, voz da marca, instruções — do modelo que executa a tradução. O contexto enriquecido orienta qualquer modelo para uma saída precisa no domínio. Troque GPT-5.4 por Claude Opus entre releases sem reconfigurar um único termo do glossário.

Essa separação também elimina o vendor lock-in. APIs de tradução de modelos fechados prendem glossário, regras de estilo e terminologia a um único provedor. Uma regressão no modelo vira ticket de suporte. Um modelo melhor de outro provedor fica fora de alcance. Na Lingo.dev, o modelo é um parâmetro de configuração — a camada de consistência permanece, independentemente do modelo em execução.

Quando testamos cinco provedores com o EU AI Act, o Mistral com um glossário de 72 termos (MQM 0.940, em que 1.0 significa sem erros) chegou perto da qualidade bruta do Google (0.938). A diferença de custo é de uma ordem de grandeza. Um glossário bem construído reduz quanta inteligência o modelo precisa ter. À medida que os glossários amadurecem, a plataforma sinaliza quando um modelo mais barato atingiria o mesmo patamar de qualidade.

Pontuação de qualidade#

Corrigir o desalinhamento da terminologia é só metade do problema. A outra metade: as métricas padrão de qualidade nem conseguem enxergar isso. Nossa pesquisa mostrou que pontuações holísticas de qualidade de tradução — do tipo usado em benchmarks e leaderboards — reportaram notas idênticas para traduções brutas e traduções enriquecidas com glossário, enquanto a pontuação por dimensão registrou 17-45% menos erros de terminologia. A lacuna que o RAL fecha é invisível para a métrica que o setor usa para medir qualidade de tradução.

Um problema que você não consegue medir é um problema que você não consegue corrigir. O Lingo.dev v1.0 vem com Avaliadores de IA — verificações automatizadas de qualidade que avaliam cada tradução por dimensão, e não por um único número holístico. Defina critérios em linguagem natural: "Todas as tags HTML foram preservadas?" ou "Avalie a naturalidade para um falante nativo." Um LLM independente avalia a saída — se o GPT-5.4 traduz, o Claude Sonnet pontua, eliminando o viés da autoavaliação.

A avaliação entre modelos, específica por dimensão, detecta o que as pontuações holísticas deixam passar: termos alucinados, registro alterado, placeholders quebrados e o desalinhamento da terminologia que se acumula em silêncio entre releases.

O que isso significa#

Se você já usa a Lingo.dev — as ferramentas de CLI, CI/CD e MCP continuam funcionando como antes. v1.0 adiciona a configuração da engine: seleção de modelo, cadeias de fallback, voz da marca, glossários e pontuação de qualidade. Tudo por idioma. Tudo no dashboard. Zero migração.

Se você é novo na Lingo.dev — crie uma conta gratuita de desenvolvedor e receba uma engine de localização pré-configurada. Seu primeiro build traduzido em 4 minutos com o CLI, ou integre via API.

Seu próximo release chega a todos os idiomas com terminologia consistente. O glossário que você cria na primeira semana aplica todos os termos da marca em todos os idiomas, em todos os builds — o custo de configuração fica concentrado no início, em vez de se multiplicar a cada tradução. Quando um desenvolvedor altera um parágrafo, o pipeline de CI retraduz só esse parágrafo — mesma engine, mesmo glossário, mesmo patamar de qualidade. Tradução deixa de ser um handoff. Vira uma etapa do build.

O Lingo.dev v1.0 foi criado sob medida para equipes de engenharia, gestores de localização e líderes de produto que precisam que a localização funcione como infraestrutura. Equipes que preferem coordenar tradutores humanos por meio de rodadas manuais de revisão podem considerar as plataformas tradicionais de localização mais adequadas.

Crie uma conta gratuita de desenvolvedor para começar ou agende uma demo.

RAL está para localização assim como RAG está para geração. O Lingo.dev v1.0 é onde você coloca isso para rodar.

Próximos passos#