企业如何大规模提高翻译质量？

为什么大规模提升翻译质量与提升单个项目的翻译质量面临着不同的挑战

对于单个翻译项目而言，质量改进相对简单：审阅译文，找出错误，纠正错误，并向译者说明情况。规模化之后，这种方法就行不通了。由于涉及数百种语言对、每年数百万个单词，以及多种内容类型在不同的工作流程中流动，因此不可能审查所有内容，而且个别更正也无法改变最初产生错误的系统模式。

规模化带来了三个具体的质量挑战，需要系统性的解决方案。

1.你无法测量你没有取样的东西。

在大批量翻译的情况下，抽查单个译文只能得到轶事，而无法获得数据。如果没有结构化的抽样和一致的评分框架，你就无法知道你的语言作品集的质量是在提高、保持稳定还是下降。结果是质量管理体系是被动的，而不是主动的：只有当客户或利益相关者报告问题时，你才会发现问题，而不是事先发现问题。

2. 不一致化合物

销量低时，术语不一致和风格偏差是可以控制的。规模扩大后，这些因素会叠加。词汇表上的一个漏洞导致同一个术语在 20 种语言中出现两种不同的翻译，这会在后续的支持、文档和产品界面中造成混乱，而解决这些混乱的成本很高。不一致之处持续的时间越长，就越容易被翻译记忆所束缚，也就越难纠正。

3. 质量决策是在工作流程层面做出的，而不是在细分层面做出的。

从规模上看，没有哪个审稿人能够通过个别修改来提高整个程序的质量。质量改进发生在工作流程层面：通过塑造 AI 第一遍输出的翻译记忆库，通过强制执行术语的词汇表规则，通过识别错误率最高之处的 LQA 抽样，以及通过随着时间的推移提高引擎在您的内容类型和语言对上的性能的自定义机器翻译训练。

提升大规模翻译质量的四种机制

1. 使用 MQM 系统地衡量质量

你无法改进你无法衡量的东西。多维质量指标 (MQM) 框架是翻译质量评估的行业标准，因为它从多个维度衡量错误：准确性、流畅性、术语、风格和语言习惯。每个错误都会被分类，并按严重程度加权，然后汇总成一个质量分数，该分数可以跨语言对、内容类型、时间段和供应商进行比较。

自动抽样规则可以按照可配置的时间表触发 LQA 评估，从而消除质量测量中的人工操作，并确保评估定期进行，而不是仅在有时间时才进行。最终形成了一个高质量的项目，可以及早发现问题，跟踪趋势，并为本地化领导者提供所需的数据，以便他们能够就投资方向做出明智的决策。

2. 构建并维护高质量的翻译记忆库

翻译记忆库是实现大规模高质量翻译的基础。添加到翻译记忆库的每一个已批准的翻译都会提高未来 AI 对类似内容的首次翻译质量。随着时间的推移，维护良好的翻译记忆库可以减轻人工审校人员的编辑负担，降低每个单词的成本，并加快周转时间，因为人工智能可以从更强大的基础开始。

AI 自适应翻译记忆库更进一步：它不是直接替换翻译记忆库中的匹配项，而是优化得分在 50% 到 99.9% 之间的可用匹配项，并在翻译开始之前调整它们以适应新内容的上下文和语法。这意味着即使是部分匹配也会被巧妙地利用，而不是被丢弃。

3. 通过综合资产管理来强制执行语言标准

仅在人工审核阶段应用的术语表，对于影响人工智能的输出结果而言，出现得太晚了。风格指南也是如此。为了大规模地提高质量，您的语言资源需要从 AI 工作流程的第一阶段就开始整合，而不是事后作为校正层引入。

应用 AI 首次输出的术语表、风格指南和翻译记忆库的平台，能够持续生成更高质量的草稿，减轻人工编辑负担，并防止大量翻译中出现的术语偏差和风格不一致问题。

4. 使用您的内容训练自定义机器翻译引擎

通用机器翻译引擎是在广泛的数据集上训练的，这些数据集并不能反映您特定的术语、领域或品牌风格。使用您自己认可的内容进行定制化的 MT 引擎培训可以弥补这一差距。使用您的翻译记忆库和术语库训练的引擎，从一开始就能生成更符合您品牌标准的输出，从而在人工审核阶段减少需要进行的修改。

定制化的机器翻译培训需要足够数量的高质量、经审核的翻译才能有效。对于拥有庞大、成熟的特定语言对翻译记忆库的组织而言，如果通用引擎的性能已经达到瓶颈，那么这种做法的影响最大。

当系统性的质量改进并非当务之急时

企业评估翻译质量改进能力清单

使用以下问题来评估翻译平台是否能够支持企业级的系统化质量改进计划。

质量测量和报告

• 该平台是否使用 MQM 框架进行质量评分，评分是否可以按语言对、内容类型、工作流程配置和时间段进行细分？
• 该平台是否支持自动抽样规则，以便在无需手动启动的情况下，按照可配置的时间表触发 LQA 评估？
• 是否有专门的 LQA 仪表板，可以跟踪整个项目的质量趋势，而不仅仅是单个项目的结果？
• 能否以标准化格式与高管、供应商或监管机构共享或导出高质量数据？
  

翻译记忆库管理

• 该平台是否包含 AI 自适应翻译记忆库，能够优化部分匹配以适应新的内容上下文，而不是丢弃置信度低于阈值的匹配项？
• 新译文在添加到共享翻译记忆库之前，如何经过审核和批准？翻译记忆库的质量管理流程是什么？
• 能否按内容类型、产品线或语言对对翻译记忆库进行分段，以防止低质量匹配污染高质量的记忆库片段？

语言资产整合

• 术语表和风格指南是从人工智能的第一轮输出中就应用的，还是只在人工审核时才引入？
• 该平台是否支持自动术语表合规性检查，以便在内容提交人工审核之前标记或纠正术语违规？
• 术语表更新是如何传播的：它们是否立即应用于新的翻译，以及对于先前翻译的内容是否有重新翻译流程？

定制MT培训

• 该平台是否支持使用您自己审核通过的翻译内容进行自定义机器翻译引擎训练？
• 要使定制培训有效，需要多少数量的合格翻译？供应商如何评估培训准备情况？
• 训练完成后如何衡量自定义引擎的性能？随着翻译记忆库的增长，重新训练的流程是什么？

Smartling 如何大规模支持翻译质量提升

Smartling 的质量改进架构是围绕着“衡量必须先于改进”这一前提构建的。LQA 套件根据 MQM 框架评估翻译，并采用可配置的自动抽样规则，生成按语言对、内容类型和工作流程配置划分的质量分数。LQA 仪表盘为本地化负责人提供整个项目质量趋势的持续视图，显示错误率最高的地方，并跟踪随着时间的推移而发生的改进。

在输入层，AI 自适应翻译记忆库会优化得分在 50% 到 99.9% 之间的可用匹配项，并在翻译开始之前调整它们以适应新的内容上下文。您的词汇表和风格指南将从第一遍开始就通过 AI 驱动的强制执行进行应用，而不是作为后期处理更正。这减轻了人工审校人员的编辑负担，并防止术语偏差在大量文本中累积。

对于翻译记忆容量充足的程序，Smartling 支持使用您自己批准的内容对机器翻译引擎进行自定义训练，从而生成比通用模型更符合您的品牌标准和领域要求的引擎。AI Hub 提供 20 多个大型语言模型和机器翻译引擎的访问权限，并提供引擎性能比较报告，以便进行持续优化。

Smartling 的 AIHT 始终能达到 98 分或以上的 MQM 分数，超过了大多数语言服务提供商传统人工翻译 95 到 97 分的行业基准。Smartling 连续 20 个季度被 G2 评为排名第一的企业翻译管理系统。

相关问题