Lokalisierung großer Codebasen mit LLMs: Ein Entwickler-Workflow für 4.500 UI-Schlüssel

Ein Entwickler dokumentierte seinen Prozess zur Lokalisierung eines großen Spielprojekts mit etwa 4.500 UI-Schlüsseln, die in einer 500KB großen en-US.json-Datei gespeichert sind. Er verwendete einen mehrstufigen LLM-Workflow, um Extraktion, Übersetzung und Qualitätsverbesserung zu handhaben.

Erste Extraktions- und Übersetzungsversuche

Zunächst nutzte er Claude, um seine Codebasis zu durchsuchen, hartcodierte UI-Strings zu extrahieren und sie auf i18n-Standards zu migrieren, wodurch die Lokalisierungsdatei erstellt wurde. Für die Übersetzung ins Italienische probierte er zunächst Claude und Gemini Pro (über Gemini CLI und Antigravity). Beide Cloud-Modelle lieferten inakzeptable Übersetzungsqualität. Gemini Pro hatte zudem Probleme mit der großen Datei, sodass sie in 10 kleinere Teile aufgeteilt werden musste.

Umstellung auf lokale Modelle und der Kontext-Durchbruch

Anschließend probierte er TranslateGemma lokal über LM Studio aus, indem er schlüsselweise übersetzte. Obwohl etwas besser, war die Qualität immer noch nicht akzeptabel. Die entscheidende Erkenntnis war, dass UI-Wörter oft mehrdeutig sind und die Übersetzung Disambiguierung und Nutzungskontext erfordert.

Um dies zu lösen, ging er zurück zu Claude, um eine zweite Datei zu generieren. Für jeden der 4.500 Schlüssel untersuchte Claude die Code-Nutzung, um Kontext bereitzustellen: wo der String erscheint, seine Funktion (Button-Beschriftung, Beschreibung, Eingabehinweis) und seine Auswirkung auf das Gameplay.

Die finale Übersetzungspipeline

Er baute eine automatisierte Übersetzungspipeline mit folgenden Schritten:

• Schlüssel zusammen mit ihrem generierten Kontext bündeln.
• Einen Prompt verwenden, der auf funktionale (nicht wörtliche) Übersetzung fokussiert.
• Platzhalter und Tag-Erhaltung erzwingen.
• Anfragen an ein lokales Modell über LM Studio senden.

TranslateGemma konnte das kontextreiche Prompt-Format nicht verarbeiten, also wechselte er die Modelle. Er testete auf einem M1 Mac Mini mit 16 GB Unified Memory.

Modellleistung und Ergebnisse

Qwen 3 4B funktionierte gut, aber Qwen 3 8B war der Sweet Spot, produzierte weniger Grammatikfehler und bessere Formulierungen, während es lokal noch handhabbar blieb. Die finale Pipeline kann die 4.500+ Schlüssel in mehrere Sprachen übersetzen, was auf seiner Maschine etwa 8 Stunden pro Sprache in Anspruch nimmt. Er verwendet ein quantisiertes Modell, sodass er weiterarbeiten kann, während es im Hintergrund läuft.

Der Entwickler merkt an, dass dieser Ansatz eine Qualität lieferte, die gut genug zum Veröffentlichen war, und sich besser anfühlte als viele automatisch übersetzte Projekte, die er gesehen hat.