Quel est l’état de l’IA dans la localisation de jeux ?
La conception de jeux vidéo est un domaine en constante évolution. Alors que les studios proposent des mises à jour hebdomadaires pour répondre aux attentes des joueurs du monde entier, les jeux AAA et indépendants sont contraints de se lancer simultanément sur de multiples marchés.
Dans un tel contexte, les équipes de localisation ont recours à des solutions d’IA telles que les LLM (grands modèles de langage), les flux de travail agentiques et les outils d’estimation de la qualité. Ces solutions leur permettent d’adapter leur productivité et leur efficacité tout en garantissant le maintien des normes de qualité.
Ci-dessous, nous analysons le paysage actuel de la technologie de localisation par IA, en indiquant ce qui est efficace et ce qui ne l'est pas. Nous présentons également l’approche la plus prometteuse pour les équipes de jeux vidéo qui recherchent un équilibre entre rapidité, qualité et coût dans leurs processus de localisation.
Flux de travail agentiques dans la localisation de jeux vidéo
Au sein de nos équipes et du secteur en général, l'intelligence artificielle est testée et utilisée dans pratiquement tous les aspects du développement de jeux vidéo. Parmi ces mises en œuvre, les flux de travail agentiques représentent l'une des évolutions les plus significatives.
Dans le contexte de la localisation de jeux vidéo, les flux de travail agentiques font référence à l'utilisation de plusieurs agents d’IA autonomes pour superviser, gérer et exécuter une chaîne de tâches. Actuellement, ces systèmes sont utilisés dans des tâches telles que le triage de contenu, l’assurance qualité de glossaire, le balisage de métadonnées et, bien sûr, la traduction. Pour les tâches plus simples, ils s’avèrent très efficaces.
Cependant, la fiabilité, la qualité et l’efficacité ont tendance à être affectées lorsque les flux de travail deviennent plus complexes et créatifs. Il y a plusieurs raisons à cela :
- Fragilité de la chaîne: Plus vous mettez d’agents dans le flux, plus le risque d’erreur est élevé. Lorsqu’un agent de la file d’attente commet une erreur ou une mauvaise interprétation, toute la chaîne est brisée.
- Complexité de la formation: De nombreux professionnels peinent à gérer les invites de base d’IA. Ils sont peu familiarisés avec la rédaction d'invites efficaces, la gestion des fenêtres contextuelles ou la répétition des données générées. Les flux de travail agentiques exigent la coordination de plusieurs agents spécialisés, appelant chacun des instructions, des paramètres et des seuils de qualité spécifiques. Sans connaissances fondamentales solides, les équipes se retrouvent avec des flux de travail mal configurés qui aboutissent à des erreurs imprévisibles.
- Mise à échelle organisationnelle: La mise en œuvre à grande échelle (notamment lorsque plusieurs départements sont impliqués) décuple cette complexité. Lorsque la coordination entre les services n’est pas établie, la mise en place des flux de travail agentiques est plus complexe.
Flux de travail agentique : Exemple de vulnérabilité de la chaîne
Pour relever ces défis, des attentes réalistes et une mise en œuvre prudente sont nécessaires. Il est donc capital de comprendre les limites de chaque flux de travail et de varier les technologies en fonction du contenu de votre jeu.
De la traduction automatique (MT) à la traduction assistée par IA dans la localisation de jeux vidéo
Concernant les flux de travail de localisation réalisés par IA, deux principales technologies de traduction sont utilisées aujourd'hui : Grands modèles de langage (LLM) et traduction automatique neuronale (NMT). Chacun de ces modèles présente des avantages et des défis uniques. Laquelle est adaptée au contenu de votre jeu?
Traduction automatique neuronale (NMT)
Les moteurs de traduction automatique neuronale comme DeepL et Google Translate présentent plusieurs avantages clés qui en font le choix privilégié pour certains types de contenu. Prévisibles et cohérents, vous pouvez y traduire le même texte plusieurs fois et vous obtiendrez des résultats identiques. Leur fiabilité les rend idéaux pour les menus, les éléments d'interface utilisateur statiques (UI), la documentation d'assistance et d'autres contenus où la cohérence est plus importante que la créativité.
Ces moteurs sont également hautement personnalisables pour des flux de travail et des paires de langues spécifiques, avec Intégration de la mémoire de traduction. Ils sont donc particulièrement puissants pour les suites de jeux et les mises à jour de contenu en cours. Grâce à leur rapidité, à leur rentabilité ainsi qu’à la sécurisation des données qu’ils offrent, les NMT sont un maillon essentiel des processus de localisation modernes.
Cependant, leur efficacité peut devenir une faiblesse pour traiter des contenus créatifs. Les textes traduits par les moteurs NMT ont tendance à l’être littéralement avec un rendu robotique, car ces systèmes ne peuvent pas être instruits ou guidés comme les LLM. Ils sont basés sur des ensembles de données spécifiques et produisent des traductions basées sur des modèles statistiques, sans contextualisation.
Si les NMT jouent toujours un rôle clé dans les flux de travail de localisation, les exigences en matière de contenu deviennent de plus en plus créatives et complexes et de nombreux développeurs se tournent donc désormais vers les grands modèles linguistiques pour la traduction d’éléments narratifs et de dialogues.
Grands modèles de langage (LLM)
Les grands modèles de langage comme GPT-4, Gemini et Claude, en revanche, excellent dans la gestion des dialogues créatifs, du contenu narratif et des traductions culturellement nuancées. Ils peuvent suivre des instructions détaillées et adapter leur ton et leur style à la voix de personnages spécifiques ou aux directives d'une marque.
Cependant, ils ne sont pas sans limitations. La cohérence reste un obstacle majeur. Malgré des invites et des glossaires soigneusement préparés, les LLM peuvent traduire le même terme différemment d'une page à l'autre. Il est vrai que les LLM gèrent mieux les textes créatifs que ne le font les moteurs de traductions automatiques conventionnels, mais les textes qu'ils produisent ne sont pas toujours naturels. Dans de nombreux cas, les traductions sont correctes et suivent les instructions, mais elles semblent toujours avoir été réalisées par une machine.
Matrice d'adéquation de contenu pour les NMT et les LLM, avec post-édition humaine
| Type de contenu | Intégrations technologiques possibles | Remarques |
| Texte de l'interface utilisateur (UI)/Messages système | ✅ NMT | Texte court, fonctionnel et contextuel |
| Instructions propres au jeu | ✅ NMT | Structurées, récurrentes et didactiques |
| Descriptions de missions/tâches | ⚖️ NMT + LLM | Contenu structuré, nécessite un léger perfectionnement |
| Noms d'objets/compétences | ⚖️ NMT + LLM | Exige une relecture de cohérence |
| Dialogue/Contenu narratif | ⭐ LLM | Besoin de références sur les personnages et sur l'univers, pour former le LLM, afin de garantir la profondeur émotionnelle et les nuances |
| Scénarios de doublage | 👤 Humain uniquement | Doit paraître naturel et respecter les contraintes de temps |
| Contenu publicitaire/promotionnel | 👤 Humain uniquement | Nécessite créativité et transcréation |
Les deux approches ayant des limites évidentes, l’évaluation automatisée de la qualité devient cruciale pour la mise à l’échelle de la traduction par IA, et c’est là qu’intervient l’estimation de la qualité.
Estimation de la qualité (QE)
L'estimation de la qualité (QE) est un algorithme d’IA qui évalue automatiquement la qualité des traductions sans réviseurs humains ni traductions de référence. Ce système attribue des scores de confiance et signale les problèmes potentiels. Ainsi, les traductions de haute qualité peuvent être publiées tandis que celles qui posent problème sont acheminées vers un humain pour être révisées.
Cette technologie est déjà exploitée dans certains secteurs : le commerce électronique par exemple a mis en œuvre avec succès l’assouplissement quantitatif basé sur des modèles établis et des modèles de contenu prévisibles. La QE a suscité une attention considérable dans l’industrie du jeu avec des modèles classés et comparés lors de conférences comme LocWorld.
Exemple du processus d'estimation de la qualité
Cependant, la localisation des jeux présente des complexités uniques que les systèmes QE actuels ont du mal à gérer. La grande diversité des contenus, combinée à différents styles de travail, fait que chaque jeu requiert un calibrage QE personnalisé plutôt que l'utilisation de modèles uniformisés. Il en résulte un nombre trop élevé de faux positifs, car les systèmes QE signalent des problèmes inexistants ou omettent des problèmes contextuels que les évaluateurs humains détecteraient immédiatement.
Le défi le plus important réside dans la gestion des données. Les systèmes QE s'appuient sur des LLM entraînés sur des ensembles de données généralisés et non sur des contenus spécifiques aux jeux. Les modèles entraînés sur mesure peuvent certes offrir de meilleures performances, mais ils soulèvent des questions juridiques et commerciales concernant la légalité des données utilisées pour l'entraînement.
Pour l’instant, la QE dans la localisation des jeux reste plus une perspective prometteuse qu'une réalité. La complexité et les exigences de créativité liées au contenu des jeux vidéo font que l'expertise humaine reste irremplaçable pour l'assurance qualité, c'est pourquoi…
La touche humaine demeure incontournable
Bien que les systèmes d'IA présentent des performances prometteuses, l'expertise et la supervision humaines restent essentielles dans les processus de localisation de jeux vidéo. Vous avez besoin de personnes pour former et améliorer les systèmes d’IA, communiquer entre les équipes et fournir une assurance qualité de localisation (LQA).
Les textes sont remplis de références culturelles et de nuances que l'IA est incapable de reproduire. L’humain comprend le contenu dans son contexte, détecte les problèmes que les systèmes automatisés laisseraient passer et peut déterminer quand la localisation d’un jeu semble vraiment naturelle pour les joueurs de chaque marché cible.
🔍Une approche unifiée : RESOLVE
Les flux de travail de localisation les plus performants allient efficacité de l’IA et expertise humaine. Notre solution RESOLVE pour l’assistance aux joueurs localisée est un exemple qui intègre les flux de travail agentiques, les LLM, les NMT, l'estimation de la qualité et la supervision humaine dans un système unifié.
RESOLVE sélectionne de manière dynamique le moteur de traduction le plus adapté (Google Translate, DeepL, ChatGPT, etc.) en fonction de la combinaison linguistique. Le système surveille en permanence la qualité de la traduction grâce à un système de notation BLEU et à des algorithmes propriétaires, et achemine automatiquement les résultats de mauvaise qualité vers la post-édition humaine. Lorsque les seuils de qualité automatisés ne sont pas atteints, des experts humains corrigent les traductions et fournissent des commentaires qui améliorent les résultats à venir.
Plus important encore, RESOLVE gère la complexité organisationnelle qui fragilise les flux de travail agentiques. Plutôt que d'exiger des équipes qu'elles coordonnent plusieurs agents spécialisés, le système gère automatiquement la sélection des outils, l'estimation de la qualité et le recours à l'intervention humaine. Ceci permet d’offrir les gains d'efficacité de l’IA sans les frais généraux qui entravent généralement la mise en œuvre.
Pour en savoir plus sur la technologie derrière notre solution RESOLVE, cliquez ici.
Découvrez comment procéder
Les perspectives qu’offre l’IA dans la localisation des jeux sont réelles, mais ses limites actuelles le sont tout autant. Les flux de travail agentiques s'effondrent lorsque les tâches deviennent plus complexes. Les LLM sont créatifs mais irréguliers. Les NMT excellent dans leurs domaines restreints. Les systèmes d'estimation de la qualité ne sont pas encore adaptés au contenu des jeux. Malgré ces limitations, chaque système présente des avantages. Plutôt que d’attendre que ces technologies arrivent à maturité isolément, une solution possible réside dans une intégration réfléchie.
Les studios et les équipes qui réussissent dans la localisation par IA ont adopté exactement cette approche : ils n'utilisent pas tous les nouveaux outils, mais allient de manière stratégique l'efficacité de l'IA à l'expertise humaine.
Comment localiser au mieux votre jeu?
Nous sommes spécialisés dans la technologie de localisation par IA, la création de flux de travail personnalisés et l'intégration efficace d'outils pour un large éventail de clients, des indépendants aux AAA. Si vous avez des questions sur les outils, les délais ou la faisabilité technique, contactez notre équipe!