Sie erhalten eine lange E-Mail auf Englisch von einem Kunden im Ausland. Sie haben keine Zeit, eine Antwort zu verfassen. Also werfen Sie sie kurzerhand in DeepL oder, in letzter Zeit, in ChatGPT, um sie ins Japanische zu übersetzen und auf Ihrem Bildschirm zu lesen. Sie verstehen den Inhalt. Sie können eine Entscheidung treffen. Oder zumindest haben Sie das Gefühl, eine getroffen zu haben.
Das Gegenteil ist auch der Fall. Sie müssen eine englische Ansage intern versenden, also lassen Sie einen Entwurf auf Japanisch durch eine maschinelle Übersetzung laufen, überfliegen das resultierende Englisch, denken sich „sieht okay aus“ und drücken auf „Senden“. Die Antwort der anderen Seite wirkt nicht besonders seltsam. Also denken Sie: „Diesmal muss es wohl gut gelaufen sein.“
Das Problem ist, dass niemand auf dieser Seite überprüft hat, ob es tatsächlich gut gelaufen ist. Der Prozess, den Ausgangs- und den Zieltext nebeneinanderzulegen und zu beurteilen, ob „dieser Teil in Ordnung ist“, „dieser Teil riskant ist“ oder „dieser Teil fatal ist“, fehlt in modernen Übersetzungspipelines.
Dies beschränkt sich nicht auf persönliche E-Mails. Marketingtexte, interne Mitteilungen, Vertragsentwürfe, IR-Materialien, Support-FAQs – in den letzten Jahren wurden alle Arten von Dokumenten maschinell übersetzt. Das Volumen ist explodiert. Dennoch hat sich die Ebene der Qualitätskontrolle kaum vergrößert. Manche Leute glauben, sie würden prüfen. Sie nennen es eine Prüfung, wenn sie „es lesen und kein Unbehagen verspüren“. Das ist keine Prüfung. Das ist Wunschdenken.
Und was viele hier übersehen: Dies betrifft nicht nur maschinelle Übersetzungen. Selbst bei Übersetzungen, die von professionellen Übersetzern in Auftrag gegeben wurden, gibt es derzeit für den Kunden so gut wie keine Möglichkeit, unabhängig zu überprüfen, ob die Übersetzung durchgängig mit seiner Absicht übereinstimmt. Man liest die gelieferte Übersetzung, denkt „sie liest sich wie Japanisch“ oder „sie ist als Englisch akzeptabel“, und damit hat es sich. Niemand führt die Aufgabe aus, Punkt für Punkt zu verifizieren, ob die Arbeit gemäß den Vorgaben für das gesamte Manuskript erledigt wurde – aus Kostengründen. Es ist vielleicht genauer zu sagen, dass es keine Möglichkeit dazu gibt.
Das Gebiet der Übersetzungsevaluation hat sich zur Aufgabe gemacht, dieses Problem zu lösen. Allerdings läuft es in diesem Bereich nicht so gut, wie Außenstehende denken mögen.
Maschinelle Übersetzung ist nicht so perfekt, wie alle glauben
Zunächst muss ein Mythos entkräftet werden.
Die Ausgabe maschineller Übersetzung und von LLMs im Jahr 2026 befindet sich sicherlich auf einem anderen Niveau als noch vor einigen Jahren. Das ist eine Tatsache. Für 80 % der alltäglichen Nutzung müssen Menschen die Arbeit nicht mehr wiederholen.
Was jedoch folgt, wird missverstanden. In den verbleibenden 20 % – insbesondere in Situationen, in denen die Übersetzung einen bestimmten „Zweck“ hat – arbeiten aktuelle Systeme noch immer nicht zuverlässig. Konkret passieren zwei Dinge.
Das eine ist die Schwankung der Übersetzungsabsicht. Selbst wenn Sie denselben Ausgangstext zweimal in dasselbe Modell werfen und es beide Male anweisen, „als Rede zu übersetzen“, werden die beiden resultierenden Übersetzungen keinen einheitlichen Ton haben. Eine könnte aufrührerisch sein, während die andere eher zurückhaltend ist. Der Zielpunkt in Bezug auf die Absicht wird nur probabilistisch bestimmt.
Das andere ist die Konsistenz in langen Texten. Ein Dokument übersetzt „contract“ in der ersten Hälfte vielleicht mit „Vertrag“, aber in der zweiten Hälfte wird daraus „Vertragsdokument“. Ein Ton, der in der ersten Hälfte formell war, kann sich in der zweiten Hälfte subtil zu lockerem Stil verschieben. Eigennamen können in drei verschiedenen Schreibweisen auftauchen. Einzeln betrachtet sind diese nicht fatal. Aber für das Dokument als Ganzes zehren sie wie Körpertreffer an der Qualität.
Darüber hinaus sind diese Probleme schwer zu bemerken, wenn man nur die Ausgabe liest. Wenn Sie sich jeden Satz ansehen, sind es alles „ordentliche Sätze“. Die Quelle des Unbehagens liegt auf der Dokumentenebene, nicht auf der Satzebene. Leser, die kein Unbehagen empfinden, klicken beruhigt auf „Senden“. Ob sie sich in diesem Zustand sicher fühlen sollten, ist eine andere Frage.
Die gleichen strukturellen Probleme treten bei menschlichen Übersetzern auf. Ermüdung oder Urteilsschwankungen schleichen sich bei einem langen Dokument ein. Details des Genres oder Registers stimmen möglicherweise nicht perfekt zwischen der ersten und der letzten Seite überein. Veteranen sind sich dessen bewusst, weshalb sie Zeit für die Selbstkontrolle aufwenden. Allerdings gibt es auch keine Möglichkeit, von außen zu überprüfen, ob diese Selbstkontrolle vollständig ist.
Kurz gesagt: Ob Maschine oder Mensch – der gesamten Branche fehlt ein Mechanismus, um unabhängig zu überprüfen, ob die Qualität einer Übersetzung „im Verhältnis zum Zweck“ und „durchgängig im gesamten Stück“ konsistent ist. Das ist die derzeitige Situation.
Die Metriken, die wir haben, messen nicht das, was uns wichtig ist
Es gibt durchaus Überprüfungsmechanismen. Das Problem ist, was sie messen.
Die beiden wichtigsten automatischen Evaluationsmetriken in der maschinellen Übersetzungsforschung sind BLEU und COMET. BLEU vergleicht die Ausgabe mit einer Referenzübersetzung und zählt übereinstimmende Wortsequenzen. COMET verwendet ein vortrainiertes Modell, um die semantische Ähnlichkeit zu bewerten. Beide sind für ihre jeweiligen Zwecke nützlich. Und beide teilen dieselbe Grundannahme, der das Ingenieurswesen nicht entkommen kann: die Annahme, dass es eine „richtige Antwort“ gibt und dass diese richtige Antwort die im Testset platzierte Referenzübersetzung ist.
Übersetzung als Tätigkeit funktioniert so nicht.
Nehmen wir einen Satz aus der japanischen Kinderliteratur: „Ano otokonoko wa marude Momotaro mitai da.“ Für jemanden, der in Japan aufgewachsen ist, ist Momotaro ein Volksheld, der mit einem Hund, einem Affen und einem Fasan Ungeheuer besiegt. Ein Kind „wie Momotaro“ zu nennen, trägt die Nuance, dass es für sein Alter mutig ist, Schneid hat und nicht unterschätzt werden sollte, selbst wenn es klein ist.
Wenn Sie dies für einen englischen Leser übersetzen, der noch nie von Momotaro gehört hat, gibt es mehrere Optionen.
Sie könnten es wörtlich schreiben: „That boy is just like Momotaro.“ Die Oberfläche des Originals ist perfekt erhalten. Falls die Referenzübersetzung zufällig dieselbe ist, wird BLEU hocherfreut sein. Aber dem englischen Leser wird so gut wie nichts vermittelt. Die Bedeutung des Satzes ist vollständig in einem Namen eingeschlossen, den sie nicht kennen.
Sie könnten auch schreiben: „That boy is so brave for his age.“ Sie verwerfen die kulturelle Besonderheit, aber die Bedeutung kommt sofort an.
Oder Sie könnten einen mutigen Schritt wagen: „That boy's another little Hulk.“ Dies ist eine gewagte Wahl. Sie ersetzt eine kulturell unverständliche Referenz durch eine andere, kulturell verständliche. Es ist eine Adaptation, die eher die „Funktion“ als den „Inhalt“ der Referenz verpflanzt. Je nach Auftrag (den Bestelldetails) könnte dies der beste Schritt oder unangemessen sein.
Welche ist die richtige Antwort? Es kommt auf die Bedingungen an. Es hängt vom Leser ab, vom Medium, vom erlaubten Ermessensspielraum, vom Register des umgebenden Textes und etwa zwölf anderen Faktoren. Und all diese Faktoren liegen oberhalb der Satzebene, unsichtbar für Metriken, die nur Sätze betrachten.
BLEU belohnt Entscheidungen, die zufällig mit der Referenzübersetzung übereinstimmen, und bestraft alles andere, unabhängig davon, was überlegen ist. COMET bewertet nach semantischer Distanz und überspringt die gesamte Frage, welche Wirkung die Übersetzung auf den Leser haben soll. Keine der beiden sagt Ihnen, „welche Wahl zu diesem Auftrag passt“. Erst recht ist der Gedanke, es durch den Hulk zu ersetzen, ein Sprung, den ein menschlicher Übersetzer machen könnte, aber eine Metrik, die auf Nähe zu einer Referenzübersetzung trainiert ist, wird ihn nie belohnen.
Lassen Sie mich etwas Wichtiges zur Übersetzung sagen. Es gibt nicht die eine richtige Antwort. Für jede Zeile öffnen sich gültige Optionen wie ein Fächer. Welche man nimmt, ist das Urteil des Übersetzers. „Wie Momotaro“, „mutig für sein Alter“, „ein kleiner Hulk“ – alle sind vertretbare Entscheidungen. Die Aufgabe der Evaluation ist nicht, die einzig richtige Übersetzung zu erraten. Es ist, das getroffene Urteil des Übersetzers zu betrachten und ehrlich zu sagen, ob es für diesen Auftrag funktioniert.
Was passiert, wenn Sie direkt ein LLM fragen
Wenn Sie es modern machen wollen, können Sie Metriken überspringen und direkt ein LLM fragen. „Hier ist die Quelle, hier ist die Übersetzung – wie ist sie?“
Das funktioniert besser als erwartet und schlechter als erhofft.
Es funktioniert besser als erwartet, weil LLMs prinzipiell über Dinge wie Register, Zielpublikum, kulturelle Bezüge und rhetorische Effekte nachdenken können – Dinge, die BLEU und COMET nicht erreichen. Es kann bemerken, wenn ein Satz seinen Rhythmus verloren hat. Es kann darauf hinweisen, dass die Momotaro-Übersetzung undurchsichtig ist.
Die Gründe, warum es schlechter funktioniert als erhofft, sind zweifach, und in der Praxis haben sie einen verstärkenden Effekt.
Erstens verschieben sich die Evaluationsachsen. Wenn Sie demselben Modell zweimal dieselbe Frage stellen, werden Sie Antworten mit unterschiedlichen dimensionalen Konfigurationen erhalten. Beim ersten Mal könnte der Fokus auf Flüssigkeit liegen, beim zweiten Mal auf Genauigkeit, und beim dritten Mal könnte ein Modell halb durch eine neue Kategorie erfinden. Sie können Evaluationen über mehrere Dokumente nicht vergleichen, weil das, was gemessen wird, von vornherein nicht konsistent ist. Während Sie messen, bewegt sich das Messinstrument selbst.
Zweitens ist da die Schmeichelei (Sycophancy). LLMs sind ziemlich stark darauf trainiert, ihrem Gesprächspartner zu gefallen. Wenn Sie eine Übersetzung übergeben und fragen „Ist das gut?“, ist die Wahrscheinlichkeit hoch, dass es „Es ist gut“ sagt. Wenn Sie nachhaken, wird es Ihrem Nachhaken zustimmen. Das Modell optimiert darauf, „vorzutäuschen, zuzuhören und den Benutzer zu respektieren“, nicht darauf, „ein kaltblütiger Bewerter zu sein“. Für risikounempfindliche Anwendungen ist das in Ordnung. Aber für jemanden, der Übersetzung als Produkt ausliefert, der Übersetzung benotet oder der Übersetzung mit echtem Geld kauft, ist diese Eigenschaft das genaue Gegenteil von dem, was benötigt wird.
Infolgedessen hat sich eine seltsame Situation gehalten. Das, was wir wollten – ein Mittel für Laien, Übersetzungen tatsächlich zu überprüfen – existierte nicht richtig. Wenn Sie Übersetzungen auslagerten, mussten Sie dem Anbieter einfach vertrauen. Wenn Sie maschinelle Übersetzung nutzten, mussten Sie einfach die Daumen drücken und hoffen. Die einzigen Leute, die zuverlässig eine Übersetzung prüfen konnten, waren erfahrene Redakteure, die beide Sprachen bereits auf einem Niveau beherrschten, auf dem sie die Übersetzung gar nicht brauchten.
Was CATER zu erreichen versucht
Es gibt ein Tool namens CATER. Ich bin an der Entwicklung beteiligt. Ich glaube, dies ist der erste ernsthafte Lösungsversuch für dieses Problem, also lassen Sie mich erklären, was es tut.
CATER bewertet Übersetzungen anhand von sechs expliziten Achsen: Grammatikalische Präzision (GP), Semantische Integrität (SI), Faktische Konsistenz (FC), Terminologische Konsistenz (TC), Diskurskohärenz (DC) und Kommunikative & Stilistische Angemessenheit (CSA). Die Achsen bewegen sich nicht von Durchlauf zu Durchlauf. Sie sind jedes Mal dieselben. Wenn Sie Evaluation A und Evaluation B vergleichen, hat dieser Vergleich eine Bedeutung.
Die Bewertung selbst wird nicht dem LLM überlassen. Das Modell ist für die Identifizierung und Charakterisierung von Fehlern verantwortlich, und eine deterministische Pipeline berechnet numerische Werte basierend auf Schweregrad, Verbindlichkeit und Achsenempfindlichkeit. Wenn Sie dieselbe Eingabe zweimal ausführen, erhalten Sie dieselben Zahlen. Das mag wie ein kleines Implementierungsdetail klingen. Ist es aber nicht. Dies ist die Grenze, die ein „Instrument“ von einer „Atmosphäre“ trennt.
Und worüber ich ein wenig sprechen möchte, ist der Übersetzungsauftrag (Translation Brief).
Der Auftrag teilt CATER mit, wofür die Übersetzung ist. Wer ist der Leser, was ist das Medium, welche Wirkung soll erzielt werden, was kann geopfert werden und was muss unbedingt erhalten bleiben? Mit einem Auftrag ist die Evaluation nicht mehr die Frage: „Wie nah ist dies an einer abstrakten richtigen Antwort?“ Sie wird zur Frage: „Erledigt diese Übersetzung die Arbeit, für die sie engagiert wurde?“ Soweit ich weiß, ist dies die einzige Frage, die wirklich zählt.
Wenn Sie einen Auftrag bereitstellen, ist das Momotaro-Beispiel gelöst. Wenn der Auftrag lautet: „Kinderbuch für amerikanische Kinder, Lesbarkeit hat oberste Priorität“, dann wird „That boy is just like Momotaro“ auf der CSA-Achse markiert, weil die Referenz nicht ankommt. „That boy's another little Hulk“ könnte eine hohe Punktzahl erhalten. Wenn der Auftrag lautet: „Literarische Übersetzung für eine akademische Anthologie, bewahre kulturelle Spezifität“, wird das Urteil umgekehrt. Die Momotaro-Zeile wie im Original zu belassen, ist richtig, und sie durch den Hulk zu ersetzen, ist übermäßige Domestizierung. Gleiche Quelle, gleiche Optionen, anderer Auftrag, andere richtige Antwort. Der Evaluator kann dies sehen, weil der Auftrag eine erstklassige Eingabe ist.
Wenn Sie keinen Auftrag bereitstellen, ergänzt CATER ihn durch Inferenz. In der tatsächlichen Praxis sind Übersetzungen mit einem schriftlichen Auftrag in der Minderheit. Aber es gibt immer einen impliziten Auftrag. Genre, Register und Zielgruppe begrenzen die Grenzen einer „guten Übersetzung“. Ein erfahrener Redakteur liest und rekonstruiert gleichzeitig den Auftrag im Kopf. CATER macht dasselbe explizit und zeigt den inferierten Auftrag auf dem Bildschirm an. Wenn er falsch ist, kann ein Mensch ihn korrigieren.
Anwendung von CATER auf eine Übersetzung auf Nobelpreis-Niveau
Lassen Sie mich ein konkretes Beispiel geben. Dies ist keine maschinelle Übersetzung. Ich wechsle zur menschlichen literarischen Übersetzung aus der Zeit lange vor dem Aufkommen maschineller Übersetzung.
Yasunari Kawabatas „Snow Country“, übersetzt von Edward Seidensticker. Erstmals 1956 übersetzt und später überarbeitet, war diese Seidensticker-Übersetzung diejenige, auf die sich das Auswahlkomitee bezog, als Kawabata 1968 den Nobelpreis für Literatur erhielt. Man kann sie als den Höhepunkt der englischen Übersetzung japanischer Literatur im 20. Jahrhundert bezeichnen. Es ist ziemlich schwierig, eine menschliche Übersetzung zu finden, die diese übertrifft.
Ich ließ dessen ersten Abschnitt durch CATER laufen. Es wurde kein expliziter Auftrag bereitgestellt; ich ließ den Evaluator ihn inferieren.
Gesamtpunktzahl: 58,8/100. Das Urteil lautete: „Umfassende Überarbeitung erforderlich.“ Hier ist die Aufschlüsselung nach Achsen:
Bitte ziehen Sie keine voreiligen Schlüsse. CATER sagt nicht: „Seidensticker ist schlecht.“ Grammatik, Fakten und logische Struktur erhalten alle perfekte Punktzahlen. Was kaputt ist, sind die Kernbedeutung und literarischen Effekte – begrenzte, aber kritische Teile. Und CATER zeigt genau auf, wo dieser Bruch liegt.
„Yoru no soko ga shiroku natta“ (Der Boden der Nacht wurde weiß) wird von Seidensticker übersetzt mit „The earth lay white under the night sky.“ CATERs Diagnose lautet: Der metaphorische und perzeptuelle Ausdruck „Boden der Nacht“ wurde durch eine andere Szene ersetzt, „der Boden ist weiß unter dem Nachthimmel“. Der semantische Effekt des Originals, bei dem Weiß aus der Nacht aufsteigt, ist nicht erhalten. Als minimale Korrektur wird „The bottom of the night turned white“ vorgeschlagen. Dies ist der Hauptgrund, warum die SI-Achse auf 25 gefallen ist.
Noch eines. Eine Szene, in der ein Mädchen, das ein Fenster öffnet, ruft „als ob es in die Ferne schreien würde, ‚Herr Stationsvorsteher! Herr Stationsvorsteher!‘“ Seidenstickers Übersetzung lautet: „Leaning far out the window, the girl called to the station master as though he were a great distance away.“ Die direkte Rede selbst wurde durch eine zusammenfassende Beschreibung ersetzt. CATERs Kommentar: „Die Resonanz des Rufs selbst und die Unmittelbarkeit der Szene gehen verloren. Da der gesprochene Inhalt gelöscht wurde, wird das Gefühl der Präsenz als literarische Reproduktion geschwächt.“ Dies brachte die CSA-Achse auf 0.
Die richtige Art, diese Punkte aufzunehmen, ist, dass Seidensticker seine eigenen Gründe für diese Entscheidungen gehabt haben muss. Als literarische Übersetzung für englischsprachige Leser in den 1950er Jahren wählte er dies bewusst im Rahmen der damaligen Übersetzungsnormen. CATERs Kommentar selbst bezeichnet dies nicht als „Fehlübersetzung“, sondern behandelt es als „eine Frage der Interpretation, bei der sich das Urteil je nach Auftrag ändert“. Wenn Sie jedoch denselben Ausgangstext für ein modernes japanisches Literaturübersetzungsprojekt in Auftrag gegeben und einen Auftrag geschrieben hätten, der besagt: „Priorisiere die Wiedergabe der poetischen Atmosphäre des Originals“, wäre das Urteil, dass diese Übersetzung ihren Zweck nicht erfüllt. Gleiche Übersetzung, anderer Auftrag, andere Schlussfolgerung.
Was ich Ihnen mitnehmen möchte, ist nicht die Punktzahl selbst, sondern drei Dinge.
Erstens: Selbst eine Übersetzung, die in der Weltliteraturgeschichte ihre Spuren hinterlässt, kann unter einem bestimmten Auftrag ein „Überarbeitungs“-Urteil erhalten. Dies ist der Beweis, dass es keine absolute Obergrenze für Übersetzungsqualität gibt, und gleichzeitig eine Demonstration, dass Evaluation eine Aufgabe relativ zu einem Auftrag ist.
Zweitens: CATER sagt nicht einfach „dies ist schlecht“, sondern liefert spezifische Alternativen für „repariere es so“. Diagnose und Vorschlag sind integriert. Dadurch kann die Seite, die die Evaluationsergebnisse sieht, den nächsten Schritt unternehmen.
Drittens: Selbst wenn Grammatik, Fakten und logische Struktur perfekt sind, kann der Job als literarische Übersetzung scheitern. Fehler, die durch „Lesen und kein Unbehagen verspüren“ nicht auffallen, tauchen auf anderen Achsen ordentlich auf. Wie schwach eine Überprüfung ist, die die Ausgabe maschineller Übersetzung mit „es war okay, weil ich kein Unbehagen verspürte“ prüft – dies wird sichtbar, indem man rückwärts rechnet von der Tatsache, dass selbst eine Übersetzung auf Seidensticker-Niveau schwankt, wenn sie in explizite Achsen aufgeschlüsselt wird.
Warum dies auch für Nicht-Übersetzungsforscher wichtig ist
Das meiste, was ich bisher gesagt habe, mag für Leute außerhalb der Lokalisierungsbranche wie Insiderwissen klingen. Hier ist, warum es trotzdem wichtig ist.
Übersetzung ist derzeit eine der Hauptanwendungen von LLMs. Die Anzahl der Unternehmen und das Verkehrsvolumen, das Kundensupport, Produkttexte, interne Mitteilungen, juristische Dokumente und Verträge durch maschinelle Übersetzungspipelines schleust, hat eine Größenordnung, die es vor drei Jahren nicht gab. Die wirtschaftliche Aktivität, die auf diesen Pipelines reitet, ist enorm. Die Verifizierungsschicht, die darauf sitzt, ist nahezu null. Leute liefern Übersetzungen aus, die sie nicht überprüfen können. Sie senden rechtliche Klauseln hinaus und beten, dass das Modell keine Zahlen erfunden hat, dass es „muss“ nicht zu „sollte“ abgeschwächt hat und dass es den Ton nicht hat fallen lassen, der den Marketingtext funktionieren ließ.
Und ich wiederhole: Dies ist kein Problem der maschinellen Übersetzung. Übersetzungen, die an professionelle Übersetzer ausgelagert wurden, werden ebenfalls in derselben Abwesenheit von Verifizierung geliefert. Der Kunde liest die gelieferte Übersetzung und bestätigt „sie liest sich wie Japanisch“. Das ist keine Qualitätsprüfung der Übersetzung; es ist eine Bestätigung, dass die Lieferung auf Japanisch ist. Die lange Distanz, die zwischen den beiden bestehen sollte, wurde bis jetzt von niemandem durchschritten.
Automatische Übersetzung im Jahr 2026 befindet sich auf einem Niveau, das für die meisten Anwendungen „praktisch ausreichend“ ist. Das ist wahr. Aber „ausreichend für die meisten Anwendungen“ ist keine Verifizierungsstrategie. In Situationen, in denen Fehler fatal sein können – klinische Dokumente, Verträge, öffentliche Stellungnahmen, literarische Übersetzungen – sind „ich habe beim Lesen kein Unbehagen verspürt“ oder „ich habe einen zuverlässigen Übersetzer gefragt“ keine akzeptablen Antworten mehr.
Was uns lange gefehlt hat, ist eine Schicht für Laien, um die Ausgabe zu verifizieren. Keine einzelne Zahl. Kein Gummistempel. Eine strukturierte, lesbare Diagnose, die sagt: „Die Stärke dieser Übersetzung ist hier, das Risiko ist hier, und wenn Ihnen X wichtig ist, reparieren Sie diesen Teil.“
Das ist CATER. Sie können es kostenlos testen unter cater.erudaite.ai. Die Methodik und die dahinterstehende Theorie sind verfügbar unter about.erudaite.ai.
Versuchen Sie, eine Übersetzung, die Sie zur Hand haben – zum Beispiel eine E-Mail vor dem Versenden, internes Material, einen Vertragsentwurf oder ein gerade von einem Dienstleister geliefertes Manuskript – hineinzuwerfen, und sehen Sie, was herauskommt.
Sie sollten in der Lage sein, die Qualität und die Merkmale der Übersetzung mit CATER zu bestätigen.
