Ano ang Itinuro sa Akin ng Shipping DIALØGUE Tungkol sa Multilingual AI Products

Isa sa pinaka-seductive na bagay na pinapayagan ng AI ngayon ay ang magdagdag ng mga wika nang mabilis. Alam ko ito dahil paulit-ulit ko itong ginagawa. Nagdagdag ako ng 5 wika sa DIALØGUE sa loob ng 48 oras, tapos tinranslate ko ang buong blog archive ko sa 10 wika sa loob ng 4 na araw.

Yung mga post na iyon ay tungkol sa speed side. Itong post na ito ay tungkol sa lahat ng hindi nasasaklaw ng speed.

Translation ang pinakamadaling i-demo, at ang pinaka-delikadong i-overestimate.

Kayang ilipat ng machine ang text mula sa isang wika papunta sa isa pa sa nakakagulat na bilis. Hindi ibig sabihin nun na native na agad ang pakiramdam ng product. Sa experience ko, lumalabas ang totoong multilingual work sa apat na lugar: oras, boses, UI systems, at fallback behavior. Doon nagiging thoughtful ang product, o doon siya nagsisimulang magmukhang peke.

Ganito iyon sa actual practice:

	Translation Work	Product Work
Ano ang sakop	Strings, copy, labels	Dates, layout, boses, fallbacks
Sino ang makakapansin kapag mali	Bilingual reviewers	Bawat user sa locale na iyon
Paano tumutulong ang AI	Mabilis gumawa ng translations	Hindi nito kayang husgahan ang fit sa level ng produkto
Effort para ayusin	I-retranslate ang string	I-redesign ang component
Kailan mo natutuklasan	Sa code review	Pagkatapos may gumamit talaga ng app

---

Ang Unang Bug ay Hindi Translation. Time Siya.

Isa sa mga fixes na lalo kong ikinumbinsi nito ay walang kinalaman sa copy.

Para sa recurring shows, awtomatikong gumagawa ang DIALØGUE ng episode titles. Mukhang harmless ang straightforward na version: show name plus ang date ngayon.

Mukhang okay iyon hanggang nasa Tokyo ang audience mo at ang server mo ay nag-iisip pa rin sa California time.

Kapag may Japanese listener na nagbukas ng daily show at March 14 na sa Tokyo, pero March 13 pa rin ang nakalagay sa episode title dahil iyon ang iniisip ng server, biglang off ang pakiramdam ng product. Hindi broken. Basta careless lang.

Kaya ang ending, binago ko ang episode titles para gamitin ang local date ng audience, sa locale at timezone ng audience, hindi ang default ng server.

Maliit na implementation detail iyon. Pero iyon mismo ang punto.

Ang multilingual products ay hindi lang tungkol sa mga salita. Tungkol sila sa context.

Ang language na walang local context ay madalas mas maayos na version lang ng pagiging mali.

---

Lesson 1: Bahagi ng Product ang Boses

Mas luminaw ito habang mas lumalalim ako sa DIALØGUE.

Naka-build ang product sa dialogue, pacing, personality, at audio. Ibig sabihin, mas mataas ang quality bar nito kumpara sa normal na SaaS interface.

Noong nagdagdag ako ng bagong templates, mabilis kong natutunan na ang multilingual support ay hindi lang:

• i-translate ang pangalan ng template
• i-translate ang landing page copy
• tapos shipping na

Para sa isang template, kailangan kong pag-isipan ang lahat ng ito:

• host profiles
• audience profiles
• dialogue guides
• voice instructions para sa TTS
• localized naming conventions per language

May existing na work na iyon sa English, pero kailangan din nito ng Japanese at Vietnamese versions dahil bahagi ng product ang chemistry sa pagitan ng hosts, hindi lang decorative layer sa ibabaw.

Kung ang product mo ay gumagawa ng content, hindi dekorasyon ang voice. Infrastructure ito.

Puwedeng tama sa grammar ang isang bagay pero dead pa rin ang pakiramdam.

Ramdam ko ito lalo na sa Chinese variants at sa spoken content sa kabuuan. Puwedeng technically tama ang Standard Mandarin pero masyadong formal pa rin sa isang context. Ang casual conversational rhythm sa English puwedeng maging bureaucratic kapag literal na isiniksik sa product language sa ibang wika. Ang joke na nagla-land sa isang market puwedeng maging flat exposition sa iba.

Kaya ganoon ako ka-seryoso ngayon sa tone guides at host profiles. Hindi dahil gusto kong maging "branded" ang lahat ng output. Kundi dahil ang voice drift ay isa sa pinakamabilis na paraan para magmukhang generic ang isang multilingual AI product.

At mahal ang generic.

---

Lesson 2: Product Problem ang UI Length, Hindi Translation Problem

Mukhang maliit ito hanggang sa mag-ship ka talaga ng actual app.

Pagkatapos, bigla na lang siyang nasa lahat ng lugar.

Noong nilocalize ko ang DIALØGUE iOS app, hindi lang ito usapin ng pag-translate ng ilang screens. Naging 253 strings ito across 7 languages.

At kahit noon, hindi pa tapos ang trabaho.

Kailangan kong i-rewire ang input components para talagang makontrol ng app language picker ang UI language nang consistent. Placeholders, buttons, pricing labels, status text, lahat. Kung hindi, makukuha mo ang half-translated app problem:

• isang screen, nirerespeto ang napiling language
• may ibang screen na English pa rin ang placeholder
• ang status labels, nananatili sa original language
• technically may support ang app sa maraming wika, pero ang experience wala

Ang malinis na English button puwedeng maging awkward sa German. Ang tidy na pricing line puwedeng mag-wrap sa French. Ang punchy na settings label puwedeng iba ang ikilos sa Japanese.

Kung nagtatapos ang localization workflow mo sa text generation, huli at medyo nakakahiya mo nang matutuklasan ang mga problemang ito.

Kaya lalo kong iniisip na ang multilingual work ay kailangang tratuhin bilang isang buong product system:

• copy
• layout
• spacing
• truncation rules
• component behavior
• screenshot QA

Kayang gawin ng machine ang words. May tao pa ring kailangang magbukas ng Simulator.

---

Lesson 3: Ipinapakita ng Fallback Behavior Kung Gaano Ka-Mature ang Product

Mas mahalaga ito sa audio products kaysa text products.

Isa sa mga pinaka-useful na DIALØGUE fixes na ginawa ko kamakailan ay mukhang boring mula sa labas: TTS thresholding at per-segment consistency.

Masyadong optimistic ang original whole-script TTS gate. Tinatawid ng mahahabang podcasts ang totoong input limit, nagsasayang ng ilang failed retries, bago pa mag-fallback. Sa ilang runs, humantong iyon sa humigit-kumulang 12 seconds na avoidable latency bago naitama ng system ang sarili niya.

Nakakainis na iyon sa English.

Mas malala sa multilingual flows dahil mas mahirap nang hawakan ang voice consistency.

Hindi "gumamit ng mas magandang model" ang fix. Product work ang fix:

• babaan ang threshold para sa whole-script synthesis
• ilipat nang mas maaga ang mahahabang episodes sa per-segment mode
• magdagdag ng opening / middle / closing guidance para sa energy ng bawat segment
• magpasa ng ilang linya ng previous dialogue bilang continuity context para hindi magmukhang bagong show ang susunod na segment

Fallback behavior iyon. Maturity iyon.

Kung mali ang tunog ng language-specific TTS voice, ano ang mangyayari? Kung naghahalo ng mga wika ang generated answer, ano ang mangyayari? Kung may untranslated error message sa gitna ng localized flow, ano ang mangyayari? Kung lumampas sa model limit ang isang mahabang script, ano ang mangyayari?

Sa mga sandaling iyon mo malalaman kung feature lang ba ang multilingual support o foundation talaga ito.

Madalas forgiving ang users kapag kitang-kitang tumutulong ang system. Mas hindi sila forgiving kapag careless ang pakiramdam ng product.

---

Lesson 4: Alamin Kung Kailan Hindi Sulit ang Coverage

Ang business question ay hindi "Kaya ko bang suportahan ang isa pang language?"

Ito ang question:

• mag-uunlock ba ang language na ito ng totoong usage o totoong distribution?
• kaya ko bang panatilihin ang believable na quality bar sa UI at output?
• kaya ko bang suportahan ang failure cases nang hindi lumilikha ng support debt?

Kung hindi ang sagot, ang ili-launch mo ay hindi multilingual capability. Multilingual surface area iyon. At ang surface area na walang quality ay tahimik na nagpapahina ng tiwala.

---

Lesson 5: Kailangan ng Sariling Eval Layer ng Multilingual Products

Ito marahil ang pinakamalaking takeaway ko mula sa DIALØGUE at sa blog archive ko.

Hindi mo kayang i-judge ang multilingual quality gamit lang ang instinct, lalo na sa scale.

Kailangan mo ng explicit checks:

• locale-specific na date at timezone behavior
• consistency ng terminology
• UI overflow
• fallback language rules
• TTS consistency across segments
• host/personality drift
• output quality sa real user flows

Sa madaling salita, kailangan din ng multilingual products ng evals.

At dito ko nakikitang puwedeng ma-trap ang AI builders. Nafo-fascinate tayo sa dami ng kayang i-produce ng model at mas kaunting oras ang ginugugol natin sa pagde-define nang durable kung ano ba talaga ang ibig sabihin ng "good."

Sa maliit na scale, manageable pa iyon.

Sa mas malaking scale, nagiging delikado na iyon.

---

Saan Ako Dinadala Nito

Mas optimistic ako kaysa dati tungkol sa multilingual AI products.

Talagang binabago ng AI ang economics. Talagang pinalalawak nito ang kayang i-ship ng isang tao o maliit na team. Talagang ginagawa nitong posible ang product ambitions na dati ay mukhang unrealistic.

Pero itinataas din nito ang standard para sa product judgment.

Dahil kapag naging madali ang language expansion, quality na ang differentiator. At ang quality sa multilingual products ay hindi nanggagaling sa translation lang. Galing ito sa context, voice, interface fit, fallbacks, review loops, at sa napakatapat na definition ng kung ano talaga ang ibig sabihin ng "native enough."

Iyan ang itinuro sa akin ng DIALØGUE. Habang mas maraming language ang sinu-support mo, mas marami kang product management na talagang ginagawa, tawagin mo man iyon o hindi.

Kung tunay na multilingual ang product mo, hindi natatapos ang trabaho kapag translated na ang strings. Doon pa lang talaga nagsisimula ang totoong trabaho.

Kung gusto mong makita ang resulta ng pag-iisip na iyon, live na ngayon ang DIALØGUE sa 7 wika. At feeling ko patuloy pa akong tuturuan ng multilingual layer habang mas maraming tao ang gumagamit nito. Kadalasan yung humbling na klase.

Kung gumagawa ka rin ng multilingual products, gusto ko talagang malaman: kailan mo na-realize na ang pinakamahirap na bug ay walang kinalaman sa translation?

Cheers, Chandler

---

Mga Madalas Itanong

Ano ang pinakamahirap na bahagi sa pagbuo ng multilingual AI product?

Hindi translation. Kaya na iyon ng AI nang nakakagulat na husay ngayon. Ang pinakamahirap ay lahat ng nasa paligid ng translation: timezone-aware formatting, voice consistency across TTS segments, UI components na nasisira sa iba-ibang haba ng strings, at fallback behavior kapag may sumablay sa isang specific locale. Mga product problems iyon, hindi lang language problems.

Dapat ba akong magdagdag pa ng mga language sa AI product ko?

Oo lang kung kaya mong panatilihin ang quality. Bawat language na idaragdag mo ay may tuloy-tuloy na product work: layout QA, voice tuning, locale-specific date at number formatting, at fallback paths. Kung umaasa ang product mo sa nuance at generated content tulad ng podcasts, long-form writing, o conversational AI, mas mataas ang bar kaysa sa simpleng transactional interface.

Paano mo tine-test ang multilingual AI features?

Mag-build ng explicit na eval layer. Para sa DIALØGUE, ibig sabihin nito ang pag-check ng locale-specific dates, TTS segment consistency, UI overflow sa lahat ng 7 languages, at personality drift sa generated host dialogue. Hindi ka puwedeng umasa lang sa instinct kapag lampas dalawa o tatlong wika na ang sinu-support mo. Masyadong malaki ang surface area para i-spot-check nang mano-mano.

Pinapadali ba o pinapahirap ng AI ang localization?

Pareho. Pinapabilis at pinapamura ng AI ang initial translation. Pero nagbibigay rin ito ng false sense of completion. Tama ang words, tapos iisipin mong ready na ang product. Ang totoong trabaho, context, voice, UI fit, at fallbacks, kailangan pa rin ng human judgment. Itinaas ng AI ang floor para sa multilingual coverage, pero product craft pa rin ang ceiling.