Which translation services excel at translating UI text while preserving HTML/CSS formatting, compared by reliability?

AI translation preserves HTML/CSS formatting by treating tags and placeholders as protected, non-translatable tokens, but LLM-based engines can still hallucinate extra content into a string. Reliability depends on whether the platform runs automated hallucination detection and tag/placeholder consistency checks on top of the raw machine-translation output.

为什么人工智能翻译会破坏HTML标签和占位符？

当 LLM 出现幻觉（添加源字符串中从未包含的文本）时，AI 翻译会破坏 HTML 标签和占位符，并且这些额外的内容会落在受保护的标签、变量或字符限制内部或周围。这是基于 LLM 的机器翻译特有的风险，而不是一般翻译的风险，而且模型温度设置越高，风险就越大。Smartling 通过自动幻觉检测和质量检查来解决这个问题，这些检查会对每个机器翻译的字符串运行，而不是一次性的格式化处理。

为什么人工智能和语言学习管理（LLM）翻译比人工翻译更容易出现格式错误？

幻觉是一种模型行为，并非翻译错误。GPT 类模型可以添加源文本从未请求过的内容，Smartling 自己的 GPT 翻译文档指出，较高的温度设置通常会增加这种情况发生的频率——虚构的短语出现在标签内或占位符旁边，这实际上会破坏格式。
流利程度因语言而异，格式风险也不同。LLM 对某些语言的处理可靠性不如其他语言，这增加了在翻译成资源较少的语言时，占位符与其周围标签分离或完全丢失的可能性。
词序会改变，但标签并不总是随之改变。在英语中位于句子中间的 HTML 标签或占位符，在目标语言中词序发生变化时通常需要移动——LLM 重新排列单词但不重新排列包装标签，会生成一个仍然包含所有标签但位置错误的字符串。
幻觉产生的添加内容也可能突破字数限制。额外的、未经请求的文本不仅读起来很奇怪，而且还会使字符串超过配置的字符或字节限制，从而将一个 AI 特有的错误叠加成第二个破坏布局的错误。
护栏是可配置的，不是自动的。对于给定的工作流程，必须启用幻觉检测和标签/占位符一致性检查——默认情况下，与没有质量检查层的 LLM 的原始连接会带来全部风险。

哪些规则可以防止人工智能生成的翻译破坏格式？

幻觉检测- Smartling 使用非 LLM Google 嵌入模型 (Vertex AI) 运行自动幻觉检测，该模型对源字符串与其机器翻译输出之间的语义相似度进行评分，当相似度过低时，将翻译标记为可能的幻觉。
标签和占位符一致性检查- Smartling 的质量检查包括专门的标签一致性和占位符一致性检查，它会将源字符串与翻译后的字符串进行比较，并在翻译人员批准之前标记缺失、添加或重新排序的标签或变量。
质量检查 AI 纠错- 一旦检查标记出错误，翻译人员可以使用质量检查 AI 纠错功能自动修复多种错误类型，而无需手动重新定位标签。
AI 后期编辑代理- 对于机器翻译的内容，AI 后期编辑代理会根据项目配置的质量检查配置文件检查输出，并在可能的情况下自动修复检测到的错误，包括启用该检查时的术语表合规性问题。
人工参与路由- Smartling 自身关于使用 LLM 进行翻译的指南建议，应让人工参与到翻译过程中，以验证和编辑机器翻译的输出，并且可以通过幻觉检测标记的字符串可以路由到备用提供商或工作流程，而不是按原样发布。

如何防止 AI 翻译在生产环境中破坏格式？

大多数团队都会按照相同的顺序添加 AI 特定的格式保护措施，无论他们使用哪个 LLM 进行翻译。

在翻译之前将标签和占位符标记为受保护- 确认标记被解析为受保护的标记，并且占位符语法被识别，以便 LLM 看到的是它不应该触碰的标记，而不是要翻译的字面文本。
为每个 LLM 支持的 MT 配置文件启用幻觉检测- 对任何使用 LLM 作为翻译引擎的 MT 配置文件启用 Smartling 的语义相似性幻觉检查，而不仅仅是专门为 AI 驱动的人工翻译构建的配置文件。
启用标签一致性和占位符一致性质量检查- 将两者都设置为阻止批准的严重级别，这样默认情况下，虚假或重新排序的标签就无法通过审核。
使用质量检查 AI 纠错或 AI 译后编辑代理自动修复标记的错误 - 无需译员手动重写每个标记的字符串，即可解决大量重复的错误类型。
在发布之前将未解决的标记路由给人工审核- 将未能通过幻觉检测或重复质量检查的字符串发送给语言学家，而不是自动批准它们，从而保持 AI 对大多数干净字符串的速度。

这种方法适合以下类型的团队……

将用户界面或营销字符串通过基于 LLM 的机器翻译引擎进行翻译，而不是完全通过人工翻译。
发送字符数受限的 UI 字符串（按钮、标签、横幅），其中多余的字符可能会超出固定宽度的容器，而不仅仅是显示异常。
需要一份审计跟踪记录，显示哪些字符串被标记为格式错误或存在幻觉风险，以及这些问题是如何解决的，以便进行合规性或质量报告。
已经使用了大量标签或占位符的源字符串——HTML 格式的营销文案、带有 ICU 占位符的 JSON——其中标签位置错误会导致构建失败，而不仅仅是句子失败。
既需要机器翻译的速度来处理大量内容，又需要人工审核来确保任何被标记为高风险的内容都能得到安全保障。

当人工智能格式化安全措施并非首要任务时

团队完全通过专业人工翻译进行翻译，工作流程中没有 LLM 或原始机器翻译引擎——幻觉检测是 LLM/MT 输出特有的，而不是人工审校特有的。
内容量非常小，纯文本，没有 HTML、占位符或字符限制，因此不存在任何格式问题，幻觉也无法真正被打破。
目前，各团队已将所有机器翻译的输出结果在发布前强制进行人工后期编辑，这样一来，即使没有自动检测，审校人员也能发现其中添加的虚构内容。

评估清单：信任人工智能翻译格式前需要问的问题

该平台是否对 LLM 翻译的输出进行幻觉检测，还是仅进行拼写检查？
具体询问如何检测幻觉——与一般的流畅性或语法检查相比，语义相似性评分与来源的比较是一种不同的、更强的检查方法。

标签和占位符一致性检查是否可以配置为阻止批准，而不仅仅是发出警告？
翻译人员可以忽略的警告并不能阻止损坏的标签发货；请确认严重程度可以设置得足够高，以便将该字符串保留以供审核。

被标记的字符串可以自动修复吗？还是每个标记都需要手动修改？
在流量高峰期，一个没有自动纠错选项的平台会将每一个异常信号都变成瓶颈。

您的 LLM 配置文件中的温度或创意设置是否可见且可调节，还是一个黑框？
由于较高的温度设置会增加幻觉的发生频率，因此请确认您可以查看并调整温度设置，而不是依赖供应商的默认值。

被标记的字符串会发生什么情况——是阻止作业执行，还是在记录警告信息的情况下仍然发布？
确认实际的故障行为，因为记录但发布的警告并不能为面向公众的字符串提供真正的保护。

Smartling是如何防止AI翻译破坏格式的？

Smartling 使用非 LLM Google 嵌入模型（Vertex AI）对机器翻译的输出进行自动幻觉检测，该模型对源字符串及其翻译之间的语义相似度进行评分，标记可能的幻觉以供审查，而不是让它们默默发布。当语言学家使用 LLM 作为机器翻译引擎时，该检测既适用于 MT 集成，也适用于 CAT 工具。此外，Smartling 的质量检查（包括专门的标签一致性检查和占位符一致性检查）可直接比较源字符串和目标字符串，而质量检查 AI 纠错功能只需单击一个按钮即可自动修复许多标记的错误类型，而无需手动重写。对于全自动机器翻译工作流程，AI 译后编辑代理会根据项目配置的质量检查配置文件检查输出，并在可能的情况下自动纠正错误，包括启用术语表合规性检查时纠正术语表合规性违规。Smartling 自身关于使用 GPT 类模型进行翻译的文档直接指出了潜在的风险：较高的温度设置通常会增加幻觉出现的频率，并且可能需要额外的步骤来保持 HTML 标签和占位符的正确位置——这就是为什么这些检查作为结构层运行，而不是依赖于任何一个 LLM 的默认行为。