대규모 코드베이스 현지화: LLM을 활용한 4,500개 UI 키 개발자 워크플로우

한 개발자가 약 4,500개의 UI 키가 저장된 500KB 크기의 en-US.json 파일을 가진 대규모 게임 프로젝트를 현지화하는 과정을 문서화했습니다. 그들은 추출, 번역, 품질 개선을 처리하기 위해 다단계 LLM 워크플로우를 사용했습니다.

초기 추출 및 번역 시도

먼저, Claude를 사용하여 코드베이스를 스캔하고 하드코딩된 UI 문자열을 추출하여 i18n 표준으로 마이그레이션하여 로케일 파일을 생성했습니다. 이탈리아어로 번역하기 위해 처음에는 Claude와 Gemini Pro(Gemini CLI와 Antigravity를 통해)를 시도했습니다. 두 클라우드 모델 모두 허용할 수 없는 품질의 번역을 생성했습니다. Gemini Pro는 또한 큰 파일로 인해 오류가 발생하여 파일을 10개의 작은 청크로 분할해야 했습니다.

로컬 모델로 전환과 컨텍스트의 돌파구

그런 다음 LM Studio를 통해 로컬에서 TranslateGemma를 사용하여 키별로 번역을 시도했습니다. 약간 나아졌지만 품질은 여전히 허용 가능하지 않았습니다. 핵심 통찰은 UI 단어가 종종 모호하며, 번역에는 모호성 해소와 사용 컨텍스트가 필요하다는 것이었습니다.

이를 해결하기 위해 그들은 두 번째 파일을 생성하기 위해 Claude로 돌아갔습니다. 4,500개의 키 각각에 대해 Claude는 코드 사용을 검사하여 컨텍스트를 제공했습니다: 문자열이 나타나는 위치, 기능(버튼 레이블, 설명, 입력 힌트), 그리고 게임플레이에서의 효과.

최종 번역 파이프라인

그들은 다음과 같은 단계로 자동화된 번역 파이프라인을 구축했습니다:

• 생성된 컨텍스트와 함께 키를 일괄 처리합니다.
• 기능적(문자 그대로가 아닌) 번역에 초점을 맞춘 프롬프트를 사용합니다.
• 플레이스홀더와 태그 보존을 강제합니다.
• LM Studio를 통해 로컬 모델로 요청을 보냅니다.

TranslateGemma는 컨텍스트가 많은 프롬프트 형식을 처리할 수 없어서 모델을 전환했습니다. 그들은 16GB 통합 메모리를 가진 M1 Mac Mini에서 테스트했습니다.

모델 성능 및 결과

Qwen 3 4B는 잘 작동했지만, Qwen 3 8B가 최적의 지점이었습니다. 문법 실수를 줄이고 더 나은 문장 구조를 생성하면서도 로컬에서 실행하기에 관리 가능한 수준을 유지했습니다. 최종 파이프라인은 4,500개 이상의 키를 여러 언어로 번역할 수 있으며, 그들의 머신에서 로케일당 약 8시간이 소요됩니다. 그들은 양자화된 모델을 사용하여 백그라운드에서 실행되는 동안 작업을 계속할 수 있습니다.

개발자는 이 접근 방식이 출시할 수 있을 만큼의 품질을 생성했으며, 그들이 본 많은 자동 번역 프로젝트보다 더 나은 느낌을 준다고 언급했습니다.