Penerjemah foto: lewat kamera atau dari berkas

«Terjemahkan lewat kamera» membuka jendela bidik: bidikan dikenali langsung di peramban, dan terjemahan digambar sebagai papan kecil di atas tulisan. Satu putaran memakan sekitar 0,13 detik pada perangkat ber-WebGPU dan sekitar 0,29 detik pada wasm biasa, ditambah penerjemahan baris baru — tulisan yang sudah pernah terlihat muncul tanpa jeda. Bila satu putaran lebih lama dari 2,6 detik, mode berkelanjutan mati sendiri dan diganti tombol «Baca gambar»: pada perangkat seperti itu bidikan berganti sebelum terjemahannya tiba. Pada deteksi otomatis, bahasa sumber ditetapkan sekali, dari bidikan pertama yang terbaca. «Ambil gambar» menyimpan bidikan saat ini dan menyerahkannya ke alur biasa, tempat terjemahan dipasang ke dalam fotonya.

Sebelum pembacaan pertama, peramban mengunduh model: 4,5 MB untuk menemukan teks ditambah 7,5–15,8 MB sesuai aksara yang dipilih. Ukurannya ditampilkan sebelum unduhan dimulai. Setelah itu model diambil dari singgahan dan foto berikutnya langsung mulai. Berpindah aksara hanya menambah pengenal baru — pencarian teksnya sama untuk semua.

Biasanya soal ukuran huruf: kalau satu goresan lebih tipis dari dua piksel, tidak ada yang bisa dibaca. Bidikan lebih dekat atau resolusi lebih tinggi menyelesaikannya. Penyebab umum kedua adalah “deteksi otomatis” pada tulisan dua kata — deteksi tidak punya bahan, jadi pilih bahasanya manual. Ketiga adalah sudut yang terlalu miring: di atas sekitar empat puluh derajat hasil bacaan turun jelas.

Teks diperkecil dan dipindah baris agar muat di ruang aslinya — bahasa Jerman dan Rusia biasanya sekitar sepertiga lebih panjang daripada Inggris. Kalau jadi terlalu kecil, pendekkan terjemahannya secara manual: ketuk tulisan di fotonya atau barisnya di daftar — suntingan langsung menggambar ulang.

Bisa, dan justru pada tangkapan layar pengenalan paling akurat — huruf rata, tanpa pantulan dan tanpa perspektif. Pesan dibaca sebagai potongan terpisah, sehingga percakapan tetap baris demi baris.

Bahasa Jepang dibaca model Tionghoa: kanji mereka sama dan terbaca akurat, sedangkan hiragana dan katakana lebih buruk karena model itu tidak pernah dilatih khusus untuknya. Model Jepang tersendiri akan menambah sekitar 13 MB pada unduhan; kalau bahasa Jepang ternyata banyak diminta, model itu akan ditambahkan.

Tulisan ditutup dengan warna yang diambil dari cincin piksel di sekelilingnya — itulah sebabnya sambungannya tidak terlihat pada latar rata sebuah papan nama atau dokumen. Pada latar yang ramai, isian dilembutkan ke arah tepi dan terjemahan diberi garis tipis berwarna latar agar tetap terbaca. Aslinya tetap tersimpan: sakelar “Tampilkan aslinya” mengembalikan foto yang utuh.

Menu, papan nama, atau petunjuk terdiri dari blok teks pendek, dan satu per satu blok itu diterjemahkan secara harfiah: “Grilled” dan “salmon” menjadi dua kata terpisah, bukan nama hidangan. Dalam mode presisi semua blok teks di foto dikirim ke model bahasa sebagai satu tugas sesuai urutan baca, lalu diterjemahkan sebagai teks yang runtut. Untuk itu teks yang dikenali dikirim ke server kami dan ke model (penerimanya tercantum di halaman penyedia AI); fotonya sendiri dikenali di browser.