可扩展的本地化质量保证：企业团队框架

如果翻译错误的标语在区域网站上发布，直到客户在社交媒体上分享后才有人发现错误，这并不意味着本地化团队粗心大意。

它只是缺少一个质量评估系统，以便在出版前发现问题。

翻译量的增长速度超过了大多数团队扩大审校能力的速度。越来越多的内容需要经过机器翻译和人工智能翻译，而让一名语言学家在发布前审核每一条文本字符串的做法，在大规模应用后已不再可持续。

本地化质量保证必须作为一个持续的系统，贯穿机器翻译、人工智能翻译和人工翻译工作流程。

本指南涵盖了本地化质量保证目前衡量的内容、如何构建涵盖每个工作流程层级的质量保证框架，以及如何证明每个市场的质量。

为什么本地化质量保证比以前更难了

翻译量增长速度超过了审校能力。产品团队不断发布新的字符串，营销团队在各个市场开展活动，支持团队更新知识库的速度比本地化经理对每个资产进行完整语言审核的速度还要快。

翻译质量问题也会因内容翻译方式的不同而呈现出不同的表现形式。人工智能输出结果出现幻觉或意义发生意想不到的转变。 机器翻译 缺乏上下文，仓促的人工审核忽略了术语、格式或品牌声音的不一致之处。

大多数团队仍然是在事后通过客户投诉、内部升级或偶尔的抽查来发现质量问题。如果没有结构化的流程，质量就会变成组织发现缺失的东西，而不是本地化团队积极管理的东西。

可扩展的质量保证模型通过根据风险路由内容来解决不平衡问题。风险较低的内容会经过自动检查和抽样，而风险较高的内容则会进入更深入的语言或利益相关者审查流程。

本地化质量保证实际衡量的是什么

本地化质量保证评估翻译内容是否准确、自然、一致，以及是否能够在目标环境中正常运行。

完整的质量评估方案会从多个维度进行衡量，而不是仅仅做出一个主观的合格或不合格的判断。

准确性

准确性 衡量翻译内容是否保留了原文的含义和意图。审校人员会查找误译、遗漏、添加、错误引用以及其他会改变内容所传达信息的错误。

即使译文流畅易读，准确性也至关重要。一个句子听起来完全自然，但却传达了错误的信息，这使得在没有结构化评估的情况下，很难发现流畅表达中的错误。

流利度

流畅度衡量的是译文对于母语人士来说是否读起来自然流畅。语法、句法、用词、句子流畅性和当地惯例都会对结果产生影响。

流畅的翻译不应该让人感觉像是将源语言内容重新排列成目标语言的词汇。内容应该听起来像是从一开始就用该语言为目标受众创作的。

术语和风格

术语评估检查翻译人员和人工智能系统是否始终如一地使用已批准的产品名称、技术术语和首选短语。风格评估衡量翻译是否符合组织的语气、语调、语域和市场特定标准。

词汇表 风格指南和 翻译记忆库 （TM）为一致性奠定了基础。质量保证数据表明译员和翻译系统是否在生产环境中遵循这些资产。

格式和功能

有些质量问题并非纯粹的语言问题。损坏的占位符、缺失的标签、截断的字符串、错误的变量、布局问题和格式更改，使得原本准确的翻译无法使用。

本地化质量保证必须包含自动化检查， 语言学评价以及根据内容类型需要进行的功能性或视觉性审核。

企业通过结构化的误差记分卡来衡量这些维度，这些记分卡通常围绕以下几个方面构建： 多维质量指标（MQM） 框架。基于 MQM 的评估对每个错误进行分类并分配严重程度，从而为团队提供一致的分数或错误密度指标，而不是依赖审阅者的总体印象。

传统学习质量保证流程的问题

传统的 语言质量保证 （LQA）通常作为与翻译工作流程分开的一项活动进行。

内容离开翻译平台，进入独立的评估工具或电子表格，并在制作工作已经推进之后以报告的形式返回。

一些独立的语言质量保证工具每年花费高达 5 万美元，这还不包括组织的翻译预算。如果评估仅涵盖孤立的项目，而没有改进生产工作流程，那么额外的成本就很难证明其合理性。

脱节的审查会造成数据问题。本地化经理发现评估人员发现了术语或准确性问题，但这些发现并不总是能传达到生产内容、翻译记忆库、词汇表、工作流程规则或供应商指南中。

之后的项目中也出现了同样的错误。团队反复花钱查找和纠正问题，却没有从根本上解决导致问题的过程。

当高质量数据存在于翻译平台之外时，本地化团队就失去了根据数据所揭示的信息采取行动的能力。集中式质量保证将评估结果与负责输出的工作流程、语言资源、供应商和翻译方法联系起来。

Smartling 的 LQA 套件 其翻译管理系统包含专用评估员工作流程、可自定义的评分卡、抽样、AI 驱动的评分以及生产往返流程。

评估人员在稳定的 LQA 环境中工作，审查来自多个项目的内容，并在需要时将批准的更正发送回生产环境。

如何构建现代本地化质量保证框架

可扩展的质量保证框架不需要对每个字符串进行相同级别的审查。它定义了可接受的质量的含义，持续衡量输出，并根据业务风险分配内容。

使用结构化评分卡规范评估

用标准化错误评分卡取代非结构化的审稿人反馈。基于 MQM 的评分卡将错误分为准确性、术语、流畅性、风格和语言习惯等类别，然后根据严重程度对每个问题进行加权。

严重的翻译错误对质量评分的影响应该比细微的标点符号偏好更大。严重性权重使审校人员专注于影响含义、可用性、合规性或客户信任的错误，而不是将每次修改都视为同等重要。

根据贵组织的内容和质量要求定制评分卡。例如，医疗保健公司可能更重视准确性和合规性，而电子商务品牌则更注重术语、语气和面向客户的流畅性。

评分卡还需要在评估人员、供应商和语言方面保持一致。只有当每个人都采用相同的类别、定义和严重性规则时，质量评分才能支持有意义的比较。

翻译工作流程中的示例内容

企业级翻译量下，逐字逐句地审核翻译是不现实的。抽样可以在不将整个翻译程序完全交给人工审核的情况下，提供具有代表性的性能视图。

根据语言、内容类型、供应商、翻译方法或项目，制定常规的抽样节奏。高风险市场和新工作流程会接受更大或更频繁的抽样，而成熟的工作流程则会接受较轻的监测。

抽样也应涵盖多个项目。一次只评估一个文件，很难识别供应商、语言对或工作流程中的重复模式。

Smartling 的 LQA 套件允许团队从多个项目中创建样本，并在专用环境中对其进行评估，而不会中断生产内容。该平台支持可自定义的评分卡和往返更新，使评估与翻译过程保持联系。

按风险和质量阈值划分路线内容

并非所有资产都需要相同的质量提升路径。法律协议、产品安全说明或高关注度宣传活动需要比内部知识库更新或低流量支持文章更严格的控制措施。

内容层级定义了按风险划分的审查级别。低风险内容通过自动质量检查和抽样审核，而中等风险内容在机器或人工智能翻译的基础上，还会增加人工后期编辑或内部审核。

高风险内容需经过完整的语言和利益相关者审查。受监管或关键内容需要专业语言学家、正式审批步骤和有据可查的质量标准。

Smartling 的 翻译工作流程管理 使这些路径可重复执行。内容在同一个集中式平台内进行自动化处理、翻译、编辑、审批和质量控制等步骤，而不是依靠项目经理手动协调每一次交接。

Personio 引入了 Smartling 的机器翻译工作流程，用于处理大量支持内容，这些内容可以直接移交给内部审校人员。这种流程优化将内部审核时间缩短了 50%，并释放了人力资源，用于需要更多品牌或创意关注的内容。

闭合反馈回路

质量评估应该比抽样内容有更大的改进空间。每个反复出现的问题都应该为塑造未来翻译的资产和流程提供信息。

术语错误触发术语表更新。反复出现的语气问题有助于形成更清晰的风格指导。与某个工作流程相关的准确性问题需要更高的审核门槛，而供应商反复出现的错误会影响指导或服务水平讨论。

更正内容也应同步到生产内容和翻译记忆库中。 Smartling 的 LQA 套件 支持批量审核翻译更改，并将选定的更新发送到生产项目中，将评估结果转化为更正后的内容。

国际商业机器 结合 Smartling 的 AI 人工翻译 (AIHT)、集中式词汇表和工作流程自动化，将平均上市时间缩短 50% 以上，并将翻译质量提高 40%。翻译数据、术语、人工验证和工作流程自动化相互加强，而不是各自独立存在于不同的系统中。

人工智能在本地化质量保证中的作用

人工智能并不能取代人工质量保证。它扩大了本地化团队评估的内容量，并将人力投入到风险最大的产出上。

语言质量评估 Smartling 的人工智能工具包 预测将每篇译文翻译成人类水平所需的努力。本地化团队会将难以处理的字符串交给经验丰富的语言学家，同时允许质量较高的输出绕过不必要的审核。

Smartling 的 LQA Agent 增加了一个评估层，它使用 MQM 类别自动对 AI、机器翻译、后期编辑和人工翻译的内容进行评分，并跟踪跨语言、内容类型和翻译方法的质量趋势。人工评估者可以保持控制权，因为代理程序会在不修改翻译的情况下对输出进行评分和分类。

AI控制也需要在评估之前启动。Smartling 的 AI Hub 为团队提供 20 多个大型语言模型 (LLM) 和机器翻译引擎，以及自定义提示、提供商控制、自动回退、幻觉缓解和检索增强生成功能，该功能在翻译过程中参考翻译记忆库和词汇表数据。

这些控制措施减少了进入工作流程的不可预测的输出量。质量评估会标记出哪些翻译仍然需要人工审核。

人工智能辅助审核并不能取代人类对品牌关键内容、受监管内容或高风险内容的判断。它减少了人工需要检查的内容量，因此审阅者可以专注于细微差别、文化相关性、风险和最终验证。

治疗体 利用这种平衡，将一些仅由人工完成的工作流程转移到 Smartling 的 AIHT，该技术将 AI 翻译与人工验证步骤相结合。该组织在不降低质量的前提下，将翻译成本降低了 60%，并加快了产品上市速度。

独立式 LQA 与集中式企业 QA

独立式LQA将质量评估视为一个单独的项目。集中式企业质量保证将其视为翻译操作的持续组成部分。

Smartling Analytics 为本地化团队提供了一个衡量翻译绩效的共享框架。该报告涵盖工作流程性能、语言质量保证、质量信号、翻译记忆节省、成本估算以及翻译工作发生的同一平台上的瓶颈。

集中化使得高质量数据能够被本地化团队以外的人员所利用。管理者通过以下方式展现领导力：哪些工作流程达到质量标准，审核时间花在了哪里，以及供应商、语言或翻译方法是否随着时间的推移而改进。

如果本地化质量保证流程没有内置到工作流程中会发生什么？

错误没有在发布前被发现，而是直接传递给了用户。单个问题可以迅速纠正，但反复出现的问题会削弱人们对该组织在不同市场提供一致体验能力的信任。

质量问题也常常被归咎于“翻译”。如果没有结构化数据，本地化经理就无法确定问题是来自某个供应商、某个语言对、人工智能模型、缺少上下文、术语管理不善，还是错误的审核路径。

复习资源的管理变得越来越困难。团队要么审查太少，放任有风险的内容通过；要么审查所有内容，导致内部利益相关者成为本地化的瓶颈。

预算方面的讨论也受到影响。如果领导层只看到翻译成本和客户投诉，本地化经理就无法为工作流程选择或质量投资辩护。

将质量保证融入工作流程的团队可以在问题影响客户之前将其发现并解决。它们还向领导层展示了各个市场的质量标准，哪些工作流程达到了要求的门槛，以及额外的投资在哪些方面能带来最大的改进。

在内容发布前，确保本地化质量可衡量。

本地化质量保证必须随着翻译量的增加而扩展，而不是滞后于翻译量。Smartling 为本地化团队提供评分卡、抽样工具和质量数据，以便在产品发布前发现问题并大规模证明质量。

看看如何 国际商业机器 使用 Smartling 的 AI 人工翻译，翻译质量提高了 40%，上市时间缩短了 50% 以上。