自2016年转向基于神经网络的系统以来,机器翻译有了显著改善,大语言模型现在能够生成更好地保留风格和上下文的翻译。今天,您可以在几秒钟内看懂网页、电子邮件或菜单。但在“勉强能看懂”和“准备好发布”之间仍然存在重要差距。
什么工具适合什么用途?
- 经典翻译工具:谷歌翻译、DeepL和微软翻译速度快,支持多种语言并可翻译文档。
- 聊天助手:您可以向ChatGPT、Claude或Gemini等助手告知风格、受众和首选术语,并请它们解释翻译或提供替代方案。
- 相机和语音翻译:阅读路标和翻译对话在旅行时非常方便。
获得更好结果的技巧
- 提供上下文:例如“这是一封发给客户的正式电子邮件”。
- 添加词汇表:列出您的品牌或领域的专业术语及其首选翻译。
- 使用简短清晰的句子:冗长、含糊的句子会增加错误。
- 回译:将结果翻译回源语言,以检查是否保留了原意。
- 请母语人士阅读:特别是对于将要发布的文本。
常见错误
- 逐字翻译习语和谚语
- 正式程度不当
- 数字、日期和单位格式混淆
- 添加了源文中没有的信息,或者遗漏了句子
什么时候必须使用人工翻译?
合同、法院文件、医疗报告、药品说明书、官方申请书以及用于出版的书籍或广告文案的错误代价高昂。对于这些文本,请使用专业译员,必要时使用宣誓译员。将机器翻译用作由专家校对的初稿(译后编辑)也是一种常见方法。
机器翻译是如何发展的?
计算机翻译的尝试可以追溯到20世纪50年代,但其方法经历了几个主要阶段:
- 规则系统:语言学家逐一编写字典和语法规则;其结果往往生硬且逐字对应。
- 统计翻译:在20世纪2000年代,系统开始通过概率,从人类翻译的数百万个句子对中学习哪个短语对应哪个短语。
- 神经机器翻译:2016年,谷歌宣布转向将句子作为一个整体进行处理的神经网络系统,流畅度显著提高。
- Transformer和大语言模型:2017年推出的Transformer架构构成了当今翻译工具和聊天助手的基础。
为什么使用较少语言的翻译更难?
翻译系统需要大量双语文本来进行学习。由于英语、西班牙语或法语等语言的数据丰富,其翻译质量很高;而对于互联网上文本较少的语言,错误则明显增加。这些被称为“低资源语言”。Meta于2022年宣布的NLLB-200项目等研究正试图通过涵盖200种语言的模型来缩小这一差距。即便如此,如果您将重要文本翻译成低资源语言,由母语人士检查结果比以往任何时候都更加重要。
人工智能工具的功能、计划和价格经常变化。请务必查看工具的官方页面以获取最新信息。
来源与延伸阅读
- Yonghui Wu et al., “Google’s Neural Machine Translation System”, arXiv, 2016.
- ISO 18587:2017, “Translation services — Post-editing of machine translation output”.
- European Commission, eTranslation service and machine translation guidance.
- Wu, Y. et al. (2016), “Google’s Neural Machine Translation System”, arXiv:1609.08144
- Vaswani, A. et al. (2017), “Attention Is All You Need”, NeurIPS
- NLLB Team (2022), “No Language Left Behind: Scaling Human-Centered Machine Translation”, arXiv:2207.04672
发表评论
您的电子邮箱地址不会被公开。必填项已用 * 标注