Vícejazyčnost
Evropská znalost žije v 24+ jazycích. Vaše vyhledávání by nemělo končit u angličtiny. StellarBase defaultně ingestuje, indexuje a vyhledává napříč jazyky — bez konfigurace.
Co tady „multilingual” znamená
Tři odlišné schopnosti, často slévané dohromady:
1. Ingest v jakémkoli jazyce
Každý dokument se zpracovává bez ohledu na jazyk. Jazyk se detekuje automaticky — nemusíte zdroje tagovat. OCR, detekce layoutu a extrakce entit fungují napříč 24+ evropskými jazyky out of the box.
2. Cross-lingual retrieval
Dotaz v češtině najde relevantní německé, francouzské a polské dokumenty. Není to překladová vrstva — je to sdílený embedding prostor. Vícejazyčné embedding modely kódují obsah z jakéhokoli jazyka do stejného vektorového prostoru, takže sémantické shody fungují napříč korpusem bez ohledu na jazyk, v němž byl napsán.
3. Inline překlad pro čtení
Když prokliknete na dokument v jazyce, který neznáte, vedle originálu se objeví inline překlad. Originální pasáž je vždy zachovaná kvůli citaci — překlad je čtenářská pomůcka, ne náhrada.
Podporované jazyky
Plná first-class podpora následujících, včetně OCR, extrakce entit, cross-lingual embeddings a překladu:
| Region | Jazyky |
|---|---|
| Střední + východní Evropa | čeština, slovenština, polština, maďarština, rumunština, bulharština, slovinština, chorvatština, srbština |
| Západní Evropa | angličtina, němčina, francouzština, italština, španělština, portugalština, nizozemština |
| Severské | švédština, norština, dánština, finština |
| Pobaltské | estonština, lotyština, litevština |
| Další evropské | řečtina, maltština, irština |
Lower-resource jazyky (zpracované, ale s potenciálně sníženou přesností): islandština, lucemburština, velština, baskičtina, katalánština, galicijština.
Mimo Evropu: globální podpora jazyků přes stejné embedding modely (arabština, čínština, japonština, hindština, turečtina, hebrejština, ruština, ukrajinština). Přesnost OCR se u non-Latin skriptů liší.
Jak to funguje v praxi
Vyhledávání
Když napíšete dotaz, StellarBase:
- Detekuje jazyk dotazu
- Naembedduje dotaz vícejazyčným embedderem
- Stáhne top-K pasáží z celého korpusu (jakýkoli jazyk)
- Prezentuje výsledky s jazykovými odznáčky (de, fr, cs atd.)
- Nabídne inline překlad pro hity v jiném jazyce
Agenti
Agenti fungují v jakémkoli jazyce. Jeden agent může číst český vstup, vytáhnout německé zdrojové materiály a vyprodukovat anglický souhrn — vše v jednom tahu. Citace zachovávají původní jazyk; výstup agenta se přizpůsobí vaší preferenci nebo Base defaultu.
Rozpoznávání entit
„Jana Nováková”, „J. Novák” a „Novak, Jana” se rozpoznají na stejnou osobu — i napříč dokumenty v různých jazycích. DSM engine normalizuje transliteraci, diakritiku a běžné varianty.
Vícejazyčný OCR
StellarOCR detekuje jazyk per region uvnitř dokumentu, takže stránka s anglickým běžným textem a latinskou patičkou nebo český pacientský záznam s německými názvy léků se zpracovávají korektně. Viz StellarOCR.
Překladové nástroje
Dvě možnosti podle citlivosti:
- Lokální překlad — lokální open-source překladové modely běžící uvnitř vašeho nasazení. Privátní, žádné externí volání.
- Externí překlad — DeepL, Google Translate, AWS Translate přes konektor. Rychlejší pro lower-resource jazyky, ale vyžaduje předchozí anonymizaci přes StellarGate, pokud je obsah citlivý.
Lokalizace UI
Samotné StellarBase UI je dostupné v češtině, angličtině, němčině, francouzštině, italštině, španělštině, polštině, slovenštině, maďarštině a nizozemštině. Per-user jazyková preference je respektovaná. Další UI jazyky se přidávají podle poptávky zákazníků.
Související
- StellarOCR — vícejazyčné zpracování dokumentů
- Vyhledávání — detaily cross-lingual retrieval
- Specializované modely — použité embedding modely