Перевод видео в реальном времени для e-learning: полный гид по глобальным онлайн-классам

Почему компания Фора Софт написала это руководство по e-learning

Фора Софт выпускает продукты для e-learning с 2005 года. В нашем портфолио — глобальные виртуальные классы, корпоративные LMS, школьные платформы и инструменты адаптивного обучения. И у каждого из них в какой-то момент возникал один и тот же вопрос: «Можно ли запустить этот курс для испаноязычной, индийской, португалоязычной или арабоязычной аудитории, не переписывая контент?» Перевод видео в реальном времени — кратчайший путь к «да».

Основа этого руководства — BrainCert, глобальный виртуальный класс на HTML5, обслуживающий студентов в более чем 190 странах. Мы перестроили стек живых занятий так, чтобы он держал тысячи одновременных участников, AI-субтитры, глоссарии под курс и хуки перевода, открывающие новые рынки без найма локальных контент-команд. Наша инженерная практика в e-learning — это место, где живут эти паттерны.

Это руководство уже, чем стратегические и интеграционные гайды этой серии. Оно для продуктовых лидеров e-learning-компаний, руководителей глобальной экспансии и инженерных лидов, которые вот-вот будут оценивать «добавить перевод» в роадмапе. Внутри — что реально двигает completion, что подводит на live- и записанных конвейерах и как должен выглядеть ваш процесс работы с глоссарием, чтобы медицинский и технический контент оставался корректным.

Что перевод реально делает с метриками e-learning

Бизнес-кейс для перевода в реальном времени в e-learning — не «расширим TAM». Это слайд, а не план. Бизнес-кейс — это три конкретные метрики, которые стабильно растут, если перевод выпустить правильно:

1. Доля завершивших курс. Студенты, для которых английский не родной, заканчивают англоязычные курсы со скоростью 30–50 % от носителей. Точные переведённые субтитры этот разрыв сильно сужают — в проектах, где мы это измеряли, прирост completion на ранее непокрытых языках обычно укладывается в диапазон 15–35 % за два квартала.

2. Удержание выручки (NRR). Для B2B-LMS поддержка нескольких языков регулярно становится блокирующей функцией на переговорах о продлении контракта с корпоративным клиентом. Запуск перевода продвигает сделки через закупки, которые иначе зависли бы на формулировке «нам нужно покрыть всю международную команду».

3. Соответствие требованиям доступности. WCAG 2.2 уровня AA требует субтитры на живом видео. Раздел 508 в США, EN 301 549 в Европе и AODA в Онтарио опираются на то же требование. Перевод в реальном времени — небольшая надстройка поверх живых субтитров: вы уже наполовину сделали обязательный минимум.

Все три результата усиливают друг друга: продукты, соответствующие требованиям, проходят больше закупочных процессов; лучший completion двигает NRR; растущий NRR оправдывает добавление новых языков. Команды, которые делают это правильно, относятся к переводу как к двигателю удержания, а не как к функции в списке.

Живой класс, лекция в записи, гибридная сессия — три разных конвейера

Одна из первых ловушек в e-learning-переводе — относиться ко всем видеоматериалам одинаково. Это не так. Три формата контента вашей платформы — live, запись, гибрид — требуют разных конвейеров:

Рис. 1. Форма конвейера зависит от типа контента — live требует скорости, запись выигрывает на качестве, гибридные сессии используют оба и сверяют результаты после.

Live: где задержка убивает обучение

Для живых классов цель — субтитры на экране в пределах 500 мс от начала слова, стабильные в пределах 1 с. Дальше студенты обгоняют преподавателя по чтению, а когнитивная нагрузка от сверки переведённого текста с рассинхроном по губам убивает запоминание. Стек: потоковый ASR (Deepgram Nova-3, Azure Speech или AssemblyAI Universal-Streaming) → потоковый MT (DeepL, Google Translation, Azure) → WebRTC data channel.

Запись: где качество важнее скорости

Для записанных лекций задержка не важна, а важна точность. Прогоните faster-whisper large-v3 на полной аудиодорожке за ночь, прогоните MT с глоссарием курса, затем запланируйте ручную проверку для флагманского контента. Дополнительная стоимость проверки невелика, а прыжок качества с 93 % до 99 % окупается снижением оттока студентов.

Гибрид: типичный случай

Большинство реальных e-learning-продуктов — гибридные: живые сессии, которые записываются для последующего пересмотра по запросу. Запустите live-конвейер для тех, кто смотрит синхронно; поставьте в очередь пакетный прогон после сессии для записи. Когда студенты пересматривают, они получают более чистую расшифровку. Глоссарий на обоих конвейерах должен быть один и тот же — иначе студент увидит разную терминологию в live и записи, и доверие просядет.

Конвейер для живого класса, который запускается за 12 недель

Стек, к которому мы по умолчанию приходим для e-learning-платформ в 2026 году:

Транспорт. LiveKit Cloud или self-hosted LiveKit в роли SFU, Cloudflare впереди — для TURN и глобального edge. Подписка на отдельные аудиотреки для серверных агентов — критично для диаризации, без неё придётся платить за неё дважды.

Подавление шума. Клиентский Krisp или open-source RNNoise. В живых классах преподаватели сидят в офисах, студенты — в общежитиях, и где только не сидят. Фоновый шум — норма, а не исключение.

Потоковый ASR. Deepgram Nova-3 для основных языков, Azure Speech для длинного хвоста. LiveKit Agent присоединяется к каждой сессии, подписывается на аудиотрек преподавателя (и треки студентов, когда они говорят), стримит в ASR и выдаёт частичные результаты каждые 150 мс.

Сервис глоссариев. Курсовой словарь доменных терминов подключается как ASR-подсказки перед стартом сессии и как MT-глоссарий во время неё. Огромный прирост точности на техническом контенте при нулевой нагрузке на инфраструктуру.

Потоковый MT. DeepL для европейских языков, Google Translation для остальных, Azure Translator для корпоративных арендаторов, которым нужна одна история по compliance.

Доставка субтитров. WebRTC data channel с полезной нагрузкой, размеченной по RTP-таймстампам. Выбор языка на уровне отдельного студента — одна комната может выдавать субтитры на пяти языках одновременно без пяти параллельных конвейеров.

Конвейер записи. Как только сессия заканчивается, запись уходит в пакетный конвейер: faster-whisper large-v3, тот же глоссарий, MT, VTT-файл прикрепляется к записанному активу в LMS. Флагманский контент проходит ручную проверку.

Работа с глоссарием: единственное, что отделяет 88 % от 96 % точности

Универсальные модели перевода справляются с обычной речью в классе. На доменной лексике они проваливаются. Два примера, с которыми мы сталкиваемся регулярно:

Медицинский курс. «Холецистэктомия» превращается в «холески эктомия». «Инфаркт миокарда» — в «мой кардинальный инфекшн». Студенты-медики смеются, потом отписываются. Курсовой глоссарий на 50–200 терминов закрывает большую часть таких ошибок.

Буткемп по программированию. «Git rebase» становится «get the base». «Kubernetes» — «cue bernities». Имена функций и библиотек — nginx, Redis, pnpm — коверкаются с пугающей стабильностью. И снова курсовой глоссарий плюс ASR-подсказки решают большую часть проблемы.

Процесс загрузки глоссария

Собирается один раз, переиспользуется на каждом курсе. Преподаватели присылают CSV с терминами (исходный язык, целевые языки, предпочтительный перевод, запрещённые переводы, подсказка по произношению, если оно нестандартное). Сервис заливает данные в три места: ASR-подсказки для потокового провайдера, MT-глоссарий для API перевода и таблицу подмен на рендере субтитров — для случаев, когда ASR расслышал слово правильно, а MT перевёл неверно. Курс выходит в эфир с предзагруженным глоссарием: 30 минут времени преподавателя экономят часы путаницы у студентов.

UX субтитров: студент выбирает, вы доставляете

UX-решения, которые значат больше, чем кажется на первый взгляд:

1. Выбор языка на уровне студента. Не на уровне комнаты. В одной комнате могут сидеть студенты, читающие субтитры на испанском, португальском и арабском одновременно. Один конвейер перевода кормит все три через data channel.

2. Субтитры на исходном языке как настройка. Многие студенты, у которых английский не родной, всё равно хотят английские субтитры на английской лекции — параллельное чтение резко улучшает понимание. Не навязывайте перевод; предложите оба варианта.

3. История из 2–3 строк. Однострочные субтитры исчезают слишком быстро для тех, кто читает на втором языке. Последние 2–3 предложения на экране дают студенту возможность перечитать.

4. Метки говорящих. В дискуссионных классах знание, кто из студентов задал какой вопрос, полностью меняет понимание. ASR по отдельным трекам делает это бесплатно — не прячьте.

5. Выгрузка расшифровки. Сессия с субтитрами оставляет после себя расшифровку. Предложите её и на исходном языке, и на выбранном студентом. Студенты сохраняют для подготовки, преподаватели — для отчётности.

Compliance для e-learning: FERPA, COPPA, GDPR, доступность

FERPA (школы и вузы США). Записи и расшифровки занятий со студентами — это образовательные данные. Чтобы передавать аудио сторонним обработчикам, нужно письменное согласие учебного заведения. Список поставщиков должен быть раскрыт офису по управлению данными. На практике работают Azure, Google и Deepgram — у всех трёх есть FERPA-совместимые контракты.

COPPA (студенты до 13 лет). Для любых идентифицируемых данных нужно родительское согласие. Обработка аудио по умолчанию выключена для аккаунтов младше 13, включается только после подтверждённого родительского согласия. Политики хранения субтитров должны быть строже — не сохраняйте аудио, минимизируйте хранение расшифровок.

GDPR (студенты и учебные заведения в ЕС). Голос — это биометрические персональные данные; нужно правовое основание. Для институциональных клиентов (университеты, корпорации) опирайтесь на DPA; для индивидуальных студентов — явное согласие при регистрации. До запуска: DPIA на руках, список субпроцессоров опубликован.

Доступность (WCAG 2.2 AA, Section 508, EN 301 549). Живые субтитры на исходном языке — уже обязательное требование. Переведённые субтитры — дополнение поверх. Убедитесь, что рендер субтитров соответствует базе по доступности — контраст, масштабируемый шрифт, возможность переместить слой субтитров.

Интеграция с LMS: SCORM, xAPI, LTI и куда уходят данные перевода

Если вы продаёте в институциональные LMS (Canvas, Moodle, Blackboard, D2L, корпоративные SCORM-плееры), конвейер перевода должен говорить на их языке.

LTI 1.3. Ваш инструмент живого класса запускается из LMS по LTI; предпочтительный язык студента приходит в launch claim. Используйте его как язык субтитров по умолчанию. После окончания сессии возвращайте расшифровку как приложенный ресурс.

xAPI / cmi5. События перевода («студент включил испанские субтитры», «расшифровка выгружена») — это xAPI-заявления, которые ваш инструмент отправляет в LRS. Это даёт корпоративным клиентам нужную аналитику без отдельного слоя отчётности.

SCORM 1.2 / 2004. Старые корпоративные LMS потребляют SCORM-пакеты. Переведённые дорожки субтитров кладутся в пакет как боковые VTT-файлы; плеер подбирает нужную дорожку по локали браузера.

Перевод VOD-библиотеки: faster-whisper, ручная проверка и экономика

У большинства e-learning-каталогов — от десятков до тысяч часов записанного видео. Пакетный перевод обходится дешевле, чем большинство команд ожидает.

Faster-whisper large-v3 на ноде с A10G транскрибирует примерно в 6–10× быстрее реального времени, то есть час лекции отнимает 6–10 минут GPU при стоимости около 9 ₽/час за A10G — считайте, 1 ₽ на час лекции. Перевод добавляет около 18 ₽ за час через DeepL. Ручная проверка флагманского контента по профессиональной ставке 60–112 ₽ за минуту видео обойдётся примерно в 3 750–6 750 ₽ за час проверенной лекции.

Для библиотеки в 500 часов, идущей на 5 языков, это около 9 750 ₽ на машинный перевод плюс 1,8–3,3 млн ₽ на ручную проверку только флагманского контента. «Только флагман» — типичный выбор; длинный хвост уходит с чисто машинным переводом и апгрейдится по запросу, если просмотры это оправдывают.

Переведённый голос поверх субтитров: когда он реально помогает учиться

Субтитры поднимают понимание у большинства студентов. Переведённый голос — следующий шаг: студент слышит урок на родном языке, а не читает с экрана. Кажется очевидным, что голос лучше, но данные, которые мы видим, тоньше.

Где голос помогает. Совсем маленькие ученики (до 12 лет), у которых скорость чтения не поспевает за субтитрами. Визуально насыщенный контент (анатомия, демонстрации по физике), где глаза смотрят на видео, а не на ленту субтитров. Мобильные студенты на маленьких экранах, где слой субтитров перекрывает видео.

Где голос мешает. Само изучение языка (студенты хотят слышать целевой язык). Бренд преподавателя-эксперта (голос преподавателя — часть ценности; синтезированный голос её размывает). Лекции с плотной лексикой, где студенты хотят сопоставить звучание со написанием.

Наша рекомендация: субтитры — всем, голос — как премиум-SKU или опт-ин на уровне студента. Измеряйте attach и образовательные результаты по когортам, прежде чем расширять.

Масштабирование на сессию экзаменов и сентябрьский пик

Нагрузка в e-learning неравномерная. Сентябрь и начало учебного года, январский набор, экзаменационные недели. Конвейер перевода, спокойно работающий во вторник днём, может развалиться в понедельник утром, когда одномоментно прилетает 50× обычной нагрузки.

Размер пула воркеров. Запас на 5× устойчивой нагрузки. Автоскейл агрессивный, но с минимальным дном, чтобы холодные старты не били по первым студентам. Диспетчеры LiveKit, Kubernetes HPA по кастомной метрике (количество активных ASR-потоков) и буфер «горячих» подов.

Квоты провайдеров. У Deepgram, Azure и DeepL есть лимиты конкурентных запросов на аккаунт. Договоритесь о повышении заранее, до пика — обычно идут навстречу, если предупредить. Держите запасного провайдера на готове, чтобы при упоре в лимит первого мгновенно переключиться.

Диапазон стоимости. При устойчивой нагрузке 500 000 переведённых минут в месяц с пиками до 2 миллионов ежемесячный счёт за managed-API укладывается в диапазон 600 тыс.–1,1 млн ₽. Перенос устойчивой части на собственный faster-whisper на зарезервированных мощностях A10G сокращает эту цифру примерно вдвое, а managed-API закрывает только пики.

Мини-кейс: субтитры и перевод на глобальном виртуальном классе

Ситуация. Долгосрочный партнёр Фора Софт держит глобальный виртуальный класс, которым пользуются школы и корпоративные L&D-команды в более чем 190 странах. На живых занятиях англоязычные преподаватели регулярно встречаются со студентами из Восточной Азии, Южной Азии, Латинской Америки и MENA-региона. Completion в неанглоязычных регионах заметно отставал от англоязычных; сделки с корпоративными клиентами тормозили на формулировке «нам нужны языки, чтобы покрыть всю международную команду».

План на 12 недель. Недели 1–2: бенчмарк Deepgram, AssemblyAI, Azure и faster-whisper на размеченной выборке собственного аудио платформы с акцентным английским. Выбрать двух лидеров. Недели 3–5: построить LiveKit Agent, который присоединяется к каждой сессии, гоняет ASR по треку каждого участника и выдаёт переведённые субтитры через data channel. Недели 6–8: интерфейс — выбор языка для студента, многострочная лента субтитров, выгрузка расшифровки на обоих языках. Недели 9–10: процесс загрузки глоссариев для трёх крупнейших корпоративных арендаторов; нагрузочный тест на 3× от текущего пика. Недели 11–12: поэтапная раскатка под фича-флагом, еженедельная выборка WER ручной проверкой, материалы для обучения преподавателей.

Результат. Первое частичное распознавание укладывается в ~700 мс на P50, ~1,1 с на P95. Покрытие субтитрами одного занятия дошло до 92 % сказанных слов (оставшиеся 8 % — паузы, музыка и оговорки). Completion в ранее непокрытых регионах за два следующих квартала вырос ощутимо. Две корпоративные сделки на неанглоязычных рынках закрылись с прямой ссылкой на эту функцию в ответе на RFP. Конкретные KPI под NDA — спрашивайте напрямую, расскажем детально.

Фреймворк решения для e-learning-перевода — пять вопросов

1. Какие языки первыми? Смотрите три сигнала: географию вовлечённых, но не доходящих до конца студентов; языки в корпоративном пайплайне; пробелы относительно конкурентов. Запускайте топ-3, дальше расширяйтесь.

2. Только субтитры или ещё и голос? Субтитры — всем в v1. Голос — как премиум-SKU или опция для визуально насыщенного контента. Не запускайте оба варианта на старте — сложность удваивается, attach-данные становятся зашумлёнными.

3. Глоссарии от преподавателей или от платформы? Оба. Платформенный глоссарий по предметной области — для длинного хвоста; преподавательский — для флагманских курсов. Постройте процесс загрузки на первом дне — переделывать потом больно.

4. Live, запись или гибрид первыми? Если платформа в основном живая — начинайте с live. Если в основном записи — начинайте с пакетного: потолок качества выше, инженерно проще. Гибрид — это оба конвейера; планируйте единый сервис глоссариев.

5. Кто проверяет? Решите заранее. «Без ручной проверки» — нормальный выбор для длинного хвоста; для флагманских курсов и всего медицинского, юридического и технического — закладывайте ручную проверку, иначе качество разочарует.

Пять подводных камней, специфичных для e-learning

1. Запуск без обучения преподавателей. Преподаватели, не доверяющие субтитрам, будут повторяться громче и ломать темп. Пятнадцатиминутный onboarding-ролик плюс предварительный просмотр собственных субтитров до урока решают проблему.

2. Забывать про тесты и материалы для скачивания. Перевести живые субтитры и оставить тест на занятии на английском — это решить половину языковой проблемы. Полный путь — включая слайды, тесты и задания — вот цель.

3. Одинаковые субтитры для разных возрастов. Восьмилетки и двадцативосьмилетние читают с разной скоростью. Рендер с учётом уровня чтения (крупнее шрифт, медленнее продвижение частичных результатов) для школы важнее, чем кажется на старте.

4. Глоссарий, заведённый один раз на старте курса. Глоссарии устаревают по мере итераций. Сделайте их версионированными, редактируемыми посреди курса и видимыми преподавателю — а не закопанными в одноразовом онбординге.

5. Нет аналитики по языкам. Attach rate — общий показатель; рост completion — на каждый язык. Стройте дашборды с разбивкой по языку с первого дня, иначе не поймёте, какие рынки реально работают.

KPI, специфичные для e-learning-перевода

KPI качества. Еженедельная выборка WER по каждому языку (цель: ≤ 8 % на live, ≤ 3 % на проверенных записях). Доля попадания глоссария по курсу (цель: ≥ 95 % доменных терминов отрендерены правильно). Покрытие субтитрами (цель: ≥ 90 % сказанных слов).

KPI обучения. Рост completion в когорте каждого языка после запуска перевода (измеряется квартал к кварталу). Время на задаче в переведённых сессиях (должно держаться или расти; если падает — проблема с UX). Разница в оценках за тесты между англоязычной и переведённой когортами (закрытие разрыва — это победа).

Бизнес-KPI. Attach rate по языку (цель: ≥ 30 % в течение двух кварталов после запуска для маркетируемых языков). Сделки с корпоративными клиентами на продление, в которых перевод фигурирует как обязательное требование. Скорость закрытия сделок на неанглоязычных рынках.

Когда перевод запускать ещё рано

Три обратных ситуации. Если ваша платформа — продукт для изучения языка (как Duolingo), перевод целевого языка в реальном времени посреди урока ломает всю петлю продукта: студентам нужно сопротивление. Если каталог контента совсем небольшой (несколько десятков часов) и состоит в основном из флагманского материала, профессиональные субтитры от человека на VOD-библиотеке обходят AI-субтитры в реальном времени и стоят дешевле. Если 95 %+ аудитории — англоязычная, перевод — не следующая функция, которую стоит запускать: ищите реальный рычаг удержания первым.

Реалистичная 12-недельная дорожная карта для e-learning-платформы

Что дальше с переводом в обучении

Три тренда, за которыми стоит следить образовательным командам. Перевод с сохранением голоса — синтезированный вывод, в котором сохраняется голос преподавателя — выходит из демо в продакшен; это важно для брендовых преподавателей. Синхронный перевод с wait-k-политиками сокращает разрыв задержки между субтитрами и речью — полезно в школьном сегменте, где субтитры обгоняют скорость чтения. Малые модели, дообученные под предметную область — медицина, юриспруденция, программирование, школьные предметы — становятся достаточно дешёвыми, чтобы дообучать под каждый курс. Скачок качества на специализированной лексике большой.

Архитектуру, которую мы рекомендуем сегодня, это не меняет. Но это значит, что конвейер, который вы строите в 2026, должен оставлять границы ASR, MT и TTS взаимозаменяемыми, чтобы вы могли подменить модель на любом этапе, не переписывая остальное.

FAQ

Сколько стоит перевод в реальном времени в расчёте на студента?

Для типичного 60-минутного занятия с субтитрами и 20 студентами стоимость managed-API — примерно 30–45 ₽ за занятие целиком (не на студента — один конвейер перевода обслуживает всех слушателей). Переведённый голос увеличивает эту цифру примерно втрое. Разработка — разовая инвестиция в 4,5–9 млн ₽ на 12-недельный запуск; инфраструктура при умеренной нагрузке обходится в 112 тыс.–300 тыс. ₽ в месяц.

Перевод в реальном времени реально поднимает completion?

По нашему опыту на глобальных платформах — да, но величина зависит от того, насколько недообслужен сейчас конкретный язык. Если запускаешь перевод на рынке, где студенты упирались в языковой барьер, completion в этой когорте обычно растёт на 15–35 % за два квартала. На рынках, где разрыв уже небольшой, прирост скромнее.

Брать готовый SDK для перевода или интегрировать несколько API напрямую?

Если вы — событийная платформа, которая раз в год проводит конференции, готовый сервис (KUDO, Interprefy, Wordly) быстрее и дешевле. Если перевод — постоянная функция внутри вашего продукта (живые классы, репетиторство, обучение по compliance), интегрируйте ASR + MT + TTS напрямую. Получите лучшую экономику на минуту, более тонкий контроль качества и тот процесс работы с глоссариями, который вам нужен.

Что делать с курсами, где много математики или кода?

Технический контент сильнее всего выигрывает от глоссариев — и это самое быстрое место получить рост качества. Имена переменных, библиотек и формулы должны быть защищены глоссарием так, чтобы они проходили без перевода. Заодно зафиксируйте экранные блоки кода как непереводимые: устные имена кода преподавателя обрабатывает глоссарий, а сам код остаётся каноническим.

Как закрыть FERPA, если аудио студентов уходит во внешние API?

Подпишите FERPA-совместимые контракты с поставщиками ASR/MT (у Azure, Google и Deepgram такие есть). По умолчанию не сохраняйте аудио. Задокументируйте список процессоров в институциональной документации по управлению данными. Для школьного сегмента отдельно проверьте флоу родительского согласия для учеников младше 13 — COPPA и FERPA здесь складываются.

Как преподаватели управляют глоссариями на масштабе?

Массовый CSV-аплоад, плюс UI правки во время сессии для разовых случаев (преподаватель помечает неверно переведённый термин — система добавляет его в глоссарий курса). Платформенные глоссарии по предметной области закрывают длинный хвост. Версионируйте глоссарии, чтобы итерации не ломали тихо то, что раньше работало.

Можно ли переводить асинхронные форумы обсуждений?

Да, и это самое лёгкое расширение. Тот же MT-сервис и глоссарий, что использует live-конвейер, переводит форумные посты на рендере. Кэшируйте агрессивно. Многие студенты впервые встречают функцию перевода именно в форуме — запускайте её рядом с живыми субтитрами.

Какие реалистичные сроки запуска?

10–14 недель на продакшен-запуск с командой Фора Софт, использующей Agent Engineering-инструменты — включая бенчмарк, серверный агент, UX студента, сервис глоссариев, конвейер записи, аналитику и обучение преподавателей. LMS-встраиваемые инструменты добавляют 2–4 недели на LTI и xAPI.

Что читать дальше

Готовы открыть e-learning-рынки, которые перевод пока закрывал?

Перевод видео в реальном времени в e-learning — самый высокий рычаг удержания, который большинство платформ ещё не выпустило. Сначала субтитры, голос потом. Курсовые глоссарии впереди, платформенные по умолчанию — следом. Live-конвейер и пакетный конвейер, подключённые к одному сервису глоссариев. Выбор языка для каждого студента, многострочная лента, метки говорящих. FERPA, GDPR и WCAG заложены с первой недели.

Побеждают продукты, которые меряют attach и completion по каждому языку и итерируют, пока attach не пересечёт 30 %. Останавливаются те, кто выпускает перевод как галочку и не смотрит цифры в разбивке. Продакшен-запуск укладывается в 10–14 недель с командой Фора Софт, использующей Agent Engineering-инструменты; мы уже выпускали такое на глобальных виртуальных классах, корпоративных LMS и школьных платформах.