YADRO заменила Smartcat на Weblate, Dify и Qwen и снизила цену слова в 6 раз

Когда счёт за переводческий сервис растёт вместе с объёмом документации, рано или поздно приходит мысль: а не поднять ли всё у себя? Команда технической документации YADRO так и сделала. Smartcat брал деньги за каждое загруженное слово, даже уже переведённое, а после превращения в «ИИ-платформу» ещё и подорожал. Ребята собрали собственную локализацию и назвали её «Толмач».

Из чего собрана система

К новому инструменту было три требования: все данные остаются на серверах компании, можно гибко настраивать работу с LLM, есть веб-интерфейс или клиент-серверная архитектура. Из open source-кандидатов дошли до финала Zing и Weblate. Zing, сделанный Evernote, отпал: разработчики объявили, что не поддерживают его и ищут нового мейнтейнера, иначе проект закроют. Weblate живой, с сообществом и платной профессиональной поддержкой, с API и интеграцией с системами контроля версий.

Второй компонент — Serge. Он забирает исходные файлы из Git, с помощью парсеров достаёт переводимые строки (DITA, конфиги, исходный код) и складывает их в PO-файлы, стандарт индустрии локализации. После перевода процесс идёт в обратную сторону: готовые строки встраиваются в исходники и возвращаются в репозиторий. Разработчики остаются в Git, переводчики не разбираются в форматах.

Где появляется LLM

Между Weblate и моделью стоит Dify, платформа для сборки LLM-приложений. Пайплайн простой: текст, модель, постобработка, ответ. Переводит reasoning-модель Qwen3.6-35B-A3B на собственном инференс-кластере. Когда редактор открывает вкладку Automatic suggestion, Weblate отправляет строку в Dify, и ответ приходит примерно за 0,63 секунды. Подключение сделали через конфигурационные файлы Docker. Загрузку PO-файлов в Weblate пришлось автоматизировать скриптом через REST API, потому что штатные команды не сработали.

Интересны два практических приёма. Первый: длинный промпт с десятком запретов можно заменить структурным выходом. Авторы задали JSON-схему с единственным полем russian_translation, и модель перестала писать «конечно, вот ваш перевод». Системный промпт сократился до одной фразы. Второй: всё, что можно сделать кодом, делайте кодом. Модель упорно выдаёт «ё», хотя в документации её не используют, а борьба с этим в промпте ухудшала качество самого перевода. Решение — две строки replace в постобработке.

Сколько это стоит и где подвох

Расчёт построен на видеокарте за 5 млн рублей, сроке службы 5 лет и загрузке 30–40%. Сегмент из одного слова обходится в 0,40 ₽, из 250 слов — около 0,0048 ₽ за слово. Smartcat берёт примерно 2,5 ₽, то есть разница порядка шести раз в худшем для локальной модели случае. Но в расчёт не вошли сервер, электричество, зарплаты инженеров и прочие операционные расходы, так что реальная экономия скромнее.

Качество тоже не идеально. Модель может галлюцинировать, нарушать терминологию и ломать форматирование. Из-за посегментной работы переводы не всегда консистентны. Поэтому финальная вычитка техническим писателем остаётся обязательной.

Что из этого взять

Если у вас много документации, а данные нельзя отдавать наружу, связка Git, Serge, Weblate и Dify выглядит рабочей схемой. Структурный вывод вместо длинных промптов и вынос детерминированных правил в код пригодятся и в любых других LLM-пайплайнах. А вот к цифре «в шесть раз дешевле» стоит относиться осторожно: считайте свою полную стоимость владения, включая людей и эксплуатацию. Автор обещает во второй части полный гайд по развёртыванию.