Localizando Grandes Bases de Código com LLMs: Um Fluxo de Trabalho do Desenvolvedor para 4.500 Chaves de Interface

Um desenvolvedor documentou seu processo para localizar um grande projeto de jogo com aproximadamente 4.500 chaves de interface armazenadas em um arquivo en-US.json de 500KB. Eles usaram um fluxo de trabalho de LLM em várias etapas para lidar com extração, tradução e melhoria de qualidade.

Tentativas Iniciais de Extração e Tradução

Primeiro, eles usaram Claude para escanear sua base de código, extrair strings de interface codificadas e migrá-las para padrões i18n, criando o arquivo de localização. Para tradução para italiano, inicialmente tentaram Claude e Gemini Pro (via Gemini CLI e Antigravity). Ambos os modelos em nuvem produziram traduções de qualidade inaceitável. Gemini Pro também encontrou erros com o arquivo grande, exigindo que fosse dividido em 10 partes menores.

Mudando para Modelos Locais e o Avanço do Contexto

Eles então tentaram TranslateGemma localmente via LM Studio, traduzindo chave por chave. Embora ligeiramente melhor, a qualidade ainda não era aceitável. A percepção fundamental foi que palavras de interface são frequentemente ambíguas, e a tradução requer desambiguação e contexto de uso.

Para resolver isso, eles voltaram ao Claude para gerar um segundo arquivo. Para cada uma das 4.500 chaves, Claude inspecionou o uso no código para fornecer contexto: onde a string aparece, sua função (rótulo de botão, descrição, dica de entrada) e seu efeito na jogabilidade.

O Pipeline de Tradução Final

Eles construíram um pipeline de tradução automatizado com as seguintes etapas:

• Agrupar chaves com seu contexto gerado.
• Usar um prompt focado em tradução funcional (não literal).
• Impor preservação de placeholders e tags.
• Enviar requisições para um modelo local através do LM Studio.

TranslateGemma não conseguiu lidar com o formato de prompt rico em contexto, então eles trocaram de modelo. Eles testaram em um Mac Mini M1 com 16GB de memória unificada.

Desempenho do Modelo e Resultados

Qwen 3 4B teve bom desempenho, mas Qwen 3 8B foi o ponto ideal, produzindo menos erros gramaticais e melhor formulação enquanto permanecia viável para executar localmente. O pipeline final pode traduzir as mais de 4.500 chaves para múltiplos idiomas, levando aproximadamente 8 horas por localização em sua máquina. Eles usam um modelo quantizado para poder continuar trabalhando enquanto ele roda em segundo plano.

O desenvolvedor observa que esta abordagem produziu qualidade boa o suficiente para lançar e pareceu melhor do que muitos projetos auto-traduzidos que eles já viram.