如何开展持续的翻译质量保证计划？

上次审核日期：2026年9月8日

翻译质量管理系统是如何运作的？

翻译质量管理体系通过实施五个层面——标准、测量、评估、反馈和报告——来实现质量的持续管理，而不是偶尔检查：

• 标准层——基于 MQM 的错误模式（准确性、流畅性、术语、风格、区域设置约定），其严重性权重和通过阈值会因内容类型而异：法律文本和 UI 字符串不应共享一个标准。评分的数学原理在翻译质量评分的工作原理中有所介绍。
• 测量层——自动抽样规则，按计划、数量、地区、内容类型或供应商选择具有代表性的内容进行评估，以便持续进行测量，而不是等到有人有时间才进行测量。自动化机制在“企业如何实现语言质量保证自动化”一文中有所介绍。
• 评估层——相同的方案对每个质量参与者进行评分：语言学家（Smartling 中的 LQA 专门用于提供反馈以改进语言学家的表现）、第三方供应商（通过专门的质量评估工作流程步骤）以及机器翻译或语言学习管理引擎（通过引擎性能比较）。
• 反馈层——反馈结果会反馈到词汇表、风格指南、翻译记忆库管理和审校人员简报中，这使得下一轮翻译能够做得更好，而不仅仅是记录下来。翻译工作流程中的人工审校涵盖了审校者的角色和签字确认。
• 报告层——质量仪表板按语言对、内容类型和时间段跟踪 MQM 分数趋势，为本地化负责人提供可比较的数据，用于供应商审查、引擎选择和高管报告。

管理式翻译质量提升项目能带来哪些成果？

翻译项目中质量保证的最佳方法是什么？

翻译项目中质量保证的最佳方法是循环往复，而不是设立最终检查点：

1. 定义质量方案——采用基于 MQM 的模板，设置严重性权重，并在任何人对任何内容进行评分之前，就每种内容类型的通过阈值达成一致，以便后续的每次评估都具有可比性。
2. 设置自动抽样节奏——按字量、频率、语言区域和供应商配置抽样规则（例如，每个语言区域每季度 10,000 个字），以便评估按计划进行，而不是依靠记忆。
3. 进行结构化评估——让训练有素的语言学家根据模式对抽样内容进行评分；在 AI 翻译量方面，像 Smartling 的 LQA Agent 这样的 AI 评估器可以提供即时的第一轮质量评估，这是人工抽样无法达到的规模。
4. 与相关人员和引擎一起审查结果——分享每位语言专家的语言质量保证反馈，根据质量评估步骤的结果构建供应商记分卡，并在续订或分配工作之前，比较机器翻译/语言学习引擎在您自己的内容上的性能。
5. 将调查结果反馈并重新评估——根据反复出现的错误模式更新词汇表、风格指南和翻译记忆库，调整低分内容类型的工作流程路由，并在下一个抽样周期中检查以确认修复是否有效。

这种方法适合以下类型的团队……

• 与多位语言学家、供应商或语言服务提供商合作，需要对所有他们采用统一的质量标准。
• 运行混合 AI 和人工翻译工作流程，其中路由决策取决于了解哪些内容类型和引擎得分较高。
• 在受监管的行业中运营，质量保证必须有文件记录、有计划、可审核，而不是非正式的。
• 向高管或采购部门汇报翻译质量，需要趋势数据而不是轶事。
• 添加语言或内容类型的速度是否足够快，以至于一次性审查已经跟不上？

在某些情况下，全面的质量保证程序可能并非首要任务。

• 翻译量非常低——对小语料库进行抽样得到的分数太少，没有统计意义；先积累翻译量和翻译记忆。
• 尚未达成一致的质量标准——在 MQM 方案和阈值确定之前，不要进行任何自动化操作，否则程序会更快地测量错误的东西。
• 一次性认证翻译需求（法律、移民或合规文件）——需要认证翻译和验证，而不是持续的质量保证计划。
• 单语言、单供应商且内容稳定的程序，只需进行简单的审核步骤即可涵盖实际风险。

评估清单：构建此系统之前需要问的问题

有哪些工具可以用来评估译员的翻译水平？
寻找能够根据 MQM 方案对语言学家进行评分并随时间推移报告每个语言学家结果的 LQA 工具——在 Smartling 中，LQA 的存在就是为了提供客观的反馈来改进语言学家的表现，分数可在“报告 > 语言质量保证”下找到。

同样的评估体系能否用于评估供应商和机器翻译引擎，而不仅仅是语言学家？
专门的质量评估工作流程步骤可让您按照同一标准对第三方翻译供应商进行评分，引擎比较报告将该标准扩展到机器翻译和语言学习管理输出——如果没有这一点，不同供应商之间的评分就无法比较。

采样是自动化的还是人工的？
如果有人必须记住创建 LQA 任务，那么当这个人忙碌时，测量工作就会停止。抽样规则应根据数量、频率、地区和供应商自动触发。

内容类型的质量标准是否会有所不同？
法律页面、用户界面字符串和支持文章的风险各不相同。单一的全球阈值要么会过度审查低质量内容，要么会审查不足重要内容。

研究成果如何重新投入生产？
具体询问 LQA 结果如何更新词汇表、风格指南、翻译记忆库和工作流程路由——一个只生成报告的程序是衡量，而不是管理。

Smartling如何支持持续的翻译质量管理？

Smartling 通过其 LQA 套件在一个平台上运行完整的质量管理流程。团队定义 MQM 模式模板，其中包含可配置的错误类别和严重性权重，然后根据他们想要实时评估还是回顾性评估，在实时翻译生产项目内或专门的 LQA 空间中进行 LQA。

自动抽样规则——在帐户设置下配置——按数量、频率和范围选择代表性内容进行评估，以便测量按计划运行，而无需手动创建作业。对于 AI 翻译量，Smartling 的LQA 代理可以大规模、即时地评估 AI 翻译质量，而语言质量评估代理可以预测 LLM 翻译的质量水平，并将其路由到正确的工作流程步骤——低置信度的内容会进行人工审核，高置信度的内容会更快地发布。

在人员方面，Smartling 的 LQA 旨在提供客观的反馈，以提高语言学家的表现，并且专门的质量评估工作流程步骤会按照相同的标准对第三方翻译供应商进行评分。引擎选择也成为一项可控决策：AI Hub 提供 20 多个 LLM 和机器翻译引擎，并提供性能比较报告。Smartling 的 AI 人工翻译始终能达到 98 分的 MQM 分数，高于传统人工翻译 95-97 分的行业基准。

相关问题

• 企业如何实现语言质量保证自动化？
• 企业如何大规模提高翻译质量？
• 翻译质量评分（MQM）是如何运作的？
• 人工审校在翻译工作流程中是如何运作的？