翻译准确性：衡量、挑战与改进

翻译准确性是本地化质量最重要的因素之一，但人们常常误解它。准确的翻译能够保留意义和意图，但客观正确性和风格偏好之间经常会出现分歧。

组织需要清晰的框架来持续衡量准确性，并大规模地提高翻译质量。

本文定义了翻译准确性，介绍了如何衡量翻译准确性，将其与风格偏好区分开来，并展示了随着内容和语言规模的扩大，您的团队如何保持翻译质量的一致性。

什么是翻译准确率？

翻译准确性是指翻译内容与原文的含义、意图和语境的忠实程度。

准确的翻译能够传达相同的信息，同时保持清晰易懂，并适合目标受众。翻译准确性通常通过质量保证流程、语言审核和术语一致性来评估。

翻译准确性与翻译偏好

翻译准确性和翻译偏好经常被混淆，但它们代表的是不同类型的审校决定。

准确性问题有正确答案，但偏好问题没有。本质上，这些争论是关于哪个正确选项听起来更好。将两个摊位评论混为一谈，陷入无休止的风格争论，而真正的准确性风险却未加控制。

例如，将产品的“年度计划”翻译成“月度计划”是一个准确性错误，因为意思发生了变化。

除非公司词汇表或风格指南要求使用某个版本，否则用另一个同样有效的短语替换“年度计划”的一个正确翻译是一个偏好问题。

Smartling等平台帮助组织规范审核标准，以区分准确性问题和风格偏好。

翻译准确性的决定因素是什么？

意义的传承是基础。如果翻译改变了原文的意思，无论译文读起来多么流畅，都无法通过准确性测试。

上下文感知功能可以识别出同一个源词在不同位置需要不同翻译的情况。UI 按钮标签、法律免责声明和营销标题可能共享同一个源词，但需要三种不同的目标渲染。

术语一致性保证了经批准的产品名称、品牌术语和专业词汇每次都能以相同的方式呈现。如果没有统一的术语表，不同内容类型和市场中的术语就会有所不同。

语法和流畅度决定了译文在目标语言中是否读起来自然流畅。即使词语对应正确，语法有误的翻译在技术上也是不准确的。

文化适宜性使整个过程更加完整。直译虽然在语言上行得通，但在目标文化中读起来却很别扭，这是在意图层面上的准确性失败。

如何衡量翻译准确性

准确度测量结合了四种可大规模协同工作的方法。

人类语言评论

人工语言审核是指由语言专家对译文进行评估，对照原文进行翻译。审校人员会考察意义保留性、语境恰当性和目标语言自然度，利用领域专业知识来发现自动化工具遗漏的细微差别。

Smartling 审校模式为审校人员提供了一个专注的环境，用于在工作流程中评估翻译，并在源内容支持时提供视觉上下文。

自动质量保证检查

自动化质量保证检查能够大规模地检测出各种模式。常见的自动检查包括：

• 内容缺失或未翻译
• 拼写错误和重复词语
• 标签和占位符不匹配
• 数字和日期不一致
• 词汇表合规性
• 格式和长度限制

现代翻译程序处理的内容量巨大，需要自动化来检查每个字符串。Smartling 质量检查会在语言学家工作时在CAT 工具（计算机辅助翻译工具）中运行，如果检查结果被判定为高严重性，则会阻止翻译进入下一个工作流程步骤，直到问题得到解决。

基于误差的评分

基于误差的评分将审查结果转化为相应的数据。评估人员按类别对每个问题进行分类，并根据其对意义、可用性或风险的影响程度来分配严重性。

常见严重程度级别包括：

• 严重错误：翻译有害、具有危险误导性或无法使用。
• 严重错误：该错误显著改变了预期含义或阻止用户完成预期任务。
• 次要问题：该问题降低了质量，但并未实质性地改变其含义。
• 中立：反馈意见会被记录下来以供参考，但不会降低质量评分。

加权误差会产生一个质量分数，团队可以跨语言、内容类型、供应商和时间段进行比较。多维质量指标（MQM）框架是对这些错误进行分类和评分的行业标准。

混合评估

混合评估结合了可覆盖所有字符串的自动化检查和以细微差别最为重要的内容类型为重点的人工审核。

Smartling 的语言质量评估代理添加了一个机器学习信号，可以预测每个机器翻译字符串的质量，并估计需要多少人工编辑，从而使团队能够将置信度较低的内容路由到额外的审核中。

单独使用任何一种方法都无法捕捉到所有信息；将它们结合起来使用，就能形成一种能够随着数量增加而扩展的测量方法。

Smartling 结合了自动化质量保证检查、术语强制执行和结构化审核工作流程，以大规模提高翻译准确性。

常见的翻译准确性问题

直译保留了原文的词语，但却丢失了词语背后的含义。成语、行业术语和与上下文相关的短语如果逐字翻译，就会产生读起来像胡言乱语或完全没有表达原意的输出结果。

当翻译人员无法访问已批准的术语表，或者术语表没有自动强制执行时，就会出现术语错误。已批准的产品名称、品牌术语和技术词汇逐渐演变成同义词和变体，导致品牌声音分裂。

缺少上下文会导致翻译在字符串层面上技术上正确，但在实际应用场景中却不准确。一个词如果用作菜单标签效果很好，可能就不适合用作按钮标签，而没有视觉上下文的翻译人员就无法知道这一点并进行相应的调整。

目标语言中的语法问题是准确性方面最明显的失误。主谓一致、时态一致和正确的词形变化都很重要，但那些只关注意义而不关注形式的审稿人往往会忽略这些。

文化不匹配是指翻译过于直译原文，而没有根据目标市场的习惯进行调整。

日期格式、货币、图像引用和习语都需要反映目标语言环境，而不是源语言环境。

如何在不降低工作效率的前提下提高翻译准确率

使用每个译员、审校人员以及 LLM 或机器翻译 (MT) 引擎都会自动参考的术语表和风格指南。经批准的术语不再需要查找，而是成为默认输出。

通过 Smartling Visual Context、屏幕截图或 CMS 预览为译员提供上下文信息。译者如果能看到自己的译作最终呈现的效果，就能在投入生产之前发现准确性问题。

实施将自动化检查与结构化人工审核相结合的质量保证流程。自动化工具大规模处理基于模式的问题；人工审核做出判断。

使用翻译记忆库（TM）在类似内容中重复使用已批准的翻译。重复的字符串每次都以相同的方式翻译，从而降低成本并消除一类一致性错误。

规范工作流程，使每种内容类型都遵循从源头到发布的既定路径。准确性不再是临时性的，而是一个可重复的过程。

Smartling 通过术语管理、翻译记忆库和自动化质量保证工作流程来提高翻译准确性。

人工翻译与机器翻译的翻译准确性比较

人工翻译和机器翻译从不同的出发点追求准确性。

人工翻译能够带来机器翻译目前还无法企及的语境理解和细微差别，但人工翻译的效率与人员数量呈线性增长。机器翻译的处理能力是任何人类团队都无法比拟的，但代价是需要投入大量质量保证工作来发现它遗漏的模式。

既需要准确性又需要规模的程序，会在合适的地方使用准确性和规模，并辅以适用于两者的一致质量保证。

为什么大规模翻译难以保证准确性

随着项目规模的扩大，内容量超过了人工审核的带宽。一个每周生成数千条字符串的本地化程序无法将每条字符串都交给高级语言学家审核，而那些跳过审核的字符串很可能在以后出现准确性问题。

当不同的审稿人对同一内容给出不同的评分时，就体现了审稿人一致性问题。如果没有共同的框架和校准，一个审阅者的小问题可能就是另一个审阅者的关键错误，程序级别的准确性指标也就失去了意义。

多种语言会使问题更加复杂。适用于西班牙语的准确度标准不能直接应用于日语，而且每增加一种语言，都会增加审核、评分和校准的额外工作量。

工作流程碎片化是根本原因。当翻译、审校和发布使用不同的工具，且质量标准各不相同时，准确性问题就会在系统之间出现漏洞。

Smartling 通过集中式工作流程、管理和自动化，实现了大规模、一致的翻译准确性。

翻译准确性差的风险

品牌不一致是显而易见的风险。当获批准的产品名称、品牌术语和信息在不同市场之间存在差异时，品牌在每个市场给人的感觉就不同，营销支出产生的品牌认知度也会低于预期。

客户的困惑会造成更深远的影响。当翻译内容不能准确传达产品功能、定价或政策时，客户会根据错误的信息做出决定，并在体验与预期不符时责怪品牌。

合规风险存在于受监管的行业中。法律、医疗、金融或安全内容的翻译不准确会造成法律责任，包括客户投诉和监管处罚。

信任的丧失是其他三个风险背后叠加的复合风险。如果客户遇到多个准确性问题，他们就会不再信任该品牌用他们母语发布的内容，而重建这种信任所需的时间比一开始就避免出现问题的时间要长得多。

常见的翻译准确性错误会影响翻译质量

将个人偏好视为准确性是最常见的错误。当风格上的分歧被判定为准确性错误时，审校周期永无止境，译者对审校过程失去信心，而真正的准确性问题也被淹没在各种干扰之中。

缺乏术语表管理意味着每个译者都独立解释已批准的术语。产品名称、品牌术语和专业词汇都在不断变化，而且没有一个统一的权威来源可以自动强制执行。

省略质量保证流程，将准确性完全取决于审核人员的个人判断。如果没有自动检查来发现基于模式的问题，也没有结构化审查来发现判断问题，准确性就只能靠运气了。

过度依赖机器翻译而不进行审核，会将机器的原始输出当作已完成的翻译作品发布。人工智能翻译质量已显著提高，但模式问题、术语偏差和文化不匹配等问题仍然需要人工验证，尤其是在准确性至关重要的内容方面。

将翻译准确性转化为可衡量的学科

当你的团队将翻译准确性与风格偏好区分开来，应用结构化的评分方法，并为每位审校人员提供相同的框架时，翻译准确性就是可以衡量的。Smartling LanguageAI 平台通过质量保证工作流程、术语管理和自动化来提高翻译准确性，这些流程和自动化功能可以随着内容量和语言覆盖范围的扩大而扩展。

请花2 分钟时间观看 Smartling 的功能演示。