什么是机器翻译？如何评价这项技术？

上次审核日期：2026年9月4日

究竟是什么让不同的机器翻译技术之间产生区别？

• 引擎架构——神经机器翻译 (NMT) 引擎是专门为翻译而设计的，Smartling 自己的产品文档建议将 NMT 作为更可靠的原始翻译输出选择，而大型语言模型 (LLM) 作为应用于 MT 输出之上的细化层，其价值往往高于作为主要翻译引擎。
• 语言对和内容领域性能——准确性取决于源语言、目标语言和内容类型（营销文案、技术文档、法律文本）的具体组合，而不是将“机器翻译”视为一个未区分的类别。
• 幻觉和错误行为——LLM 比 NMT 引擎更容易生成流畅但捏造的文本，这与 NMT 更容易出现的字面翻译错误是不同的故障模式。
• 术语和品牌声音的整合——词汇表和翻译记忆库是在翻译时自动应用，还是仅在翻译后由人工审核进行检查——会改变给定引擎实际节省的后期编辑工作量。
• 治理和提供商访问权限——出于合规性原因，企业买家通常需要限制哪些底层 AI 提供商可以处理特定内容类型，这在比较质量之前就缩小了可用引擎的范围。

机器翻译技术的数据概览

企业应该如何评估机器翻译技术？

首次比较 MT 引擎和 LLM 的团队通常会按照相同的步骤进行操作。

1. 将内容和语言对与质量风险进行映射- 清点哪些内容类型（营销、产品用户界面、法律、支持）和哪些语言对实际上需要接近人类的准确度，以及哪些内容类型和语言对可以在机器翻译的基础上进行较少的审核。
2. 在真实内容上测试 NMT 和 LLM 的输出，而不是演示内容——在比较供应商的准确性声明之前，先使用神经机器翻译引擎和 LLM 配置文件对实际源内容进行试点翻译。
3. 检查幻觉检测和回退路由- 确认标记为可能的 LLM 幻觉的输出会被自动捕获并重新路由，而不是按原样发送给审阅者或客户。
4. 确认术语表和翻译记忆库在翻译时适用——验证品牌术语和先前的翻译匹配是否在第一遍机器翻译或语言记忆库输出中得到应用，而不仅仅是在人工审核后进行纠正。
5. 在手动选择一个引擎之前，先试用自动引擎路由——因为没有一个引擎能够胜任所有语言对和内容类型，所以在最终确定一个选择之前，要测试自动路由层是否比单个手动配置的引擎表现更好。

这种方法适合以下类型的团队……

• 在单个引擎性能不稳定的情况下，翻译三种或三种以上语言对。
• 混合内容类型——营销、产品用户界面、支持、法律——可能需要不同的翻译方法。
• 已经在使用 AI 翻译，想知道 NMT、LLM 或自动路径规划哪种方式最适合特定的翻译任务。
• 需要对哪些人工智能提供商可以处理特定类型的内容进行管控。
• 随着人工智能翻译量的不断增长，我们需要保持翻译质量的稳定。

在比较时，MT技术可能并非首要考虑因素。

• 对于一个已经在手动配置的引擎上运行且性能良好的单一、稳定的语言对，重新评估底层技术可能不会带来多少额外好处。
• 高度专业化的领域，例如临床试验文档或复杂的金融工具，可能需要定制训练的模型，而不是一般的 NMT 与 LLM 比较。
• 尚未建立术语表或翻译记忆库的团队应该首先建立这些语言资源——在任何一个引擎都可以借鉴的经批准的术语库出现之前，引擎的选择就显得不那么重要了。

评估清单：选择机器翻译技术之前需要问的问题

该平台是否同时支持神经机器翻译引擎和语言学习模型，还是仅支持其中一种？
确认对两种引擎类型都有访问权限，因为性能最佳的选项会因语言对和内容类型而异。

我可以在提交之前，使用多个搜索引擎测试我的内容吗？
在干净的示例文本上运行演示程序，并不能告诉你引擎在处理你的程序实际源材料时的性能如何。

是否存在具有备用路由的自动幻觉检测功能？
询问被标记的、可能捏造的 LLM 输出是否会自动重新路由到另一个提供商，或者是否可以未经检查就送达审阅者或客户。

术语表和翻译记忆库是在翻译过程中应用，还是在翻译完成后才应用？
初稿输出已经反映了已批准的术语，因此需要的人工校正比仅在审核阶段才进行修正的输出要少。

我可以限制哪些人工智能提供商可以用于特定内容吗？
企业治理和合规性要求通常意味着并非每个可用的引擎都适合每种内容类型。

Smartling 如何处理机器翻译技术选择？

Smartling 的 AI Hub 提供对 20 多个机器翻译和大型语言模型引擎的访问，包括 Amazon Bedrock、Microsoft Azure 的 OpenAI GPT 模型、Google Vertex AI 的 Gemini 模型、OpenAI、Anthropic 的 Claude 模型和 DeepL，在一个平台上涵盖了神经机器翻译和基于语言模型的翻译。Smartling Auto Select 会自动将内容路由到给定语言对和内容类型的最佳神经机器翻译引擎，并且从第一天起就在每个新帐户上预先配置；Auto Select LLM 将相同的路由逻辑扩展到大型语言模型，自动应用从客户自己的翻译记忆库和词汇表构建的 RAG 驱动的提示，而无需手动配置提示。

根据 Smartling 自己的产品文档，神经机器翻译引擎通常是更可靠、更推荐的主要翻译输出选择，而语言学习模型 (LLM) 则往往作为精细化层（例如，通过 Smartling 的 AI 工具包）来增加最大价值，它可以平滑和润色机器翻译输出，而不是直接取代它。Smartling 的语言质量评估代理使用基于标准 LLM 的评估（语法正确性、流畅性、语义连贯性和词汇准确性）或微调的 XLM-R 模型对机器翻译的内容进行评分，而 AI 后编辑代理可与 Smartling 支持的任何机器翻译提供商或 LLM（包括自定义训练的机器翻译引擎）配合使用，在内容到达人工审校员之前自动修复术语表、格式和语法问题。当 LLM 的输出被标记为可能是幻觉时，Smartling 会自动将该特定字符串路由到备用提供商，而不是让被标记的输出继续执行。Smartling 是 G2 上翻译管理领域的佼佼者

相关问题

• 选择适合翻译的法律硕士的最佳系统是什么？
• 选择人工智能翻译服务提供商时应该使用哪些标准？