Keuntungan:
- Keupayaan untuk membezakan kekuatan dan kelemahan terjemahan berasaskan NMT dan LLM dan memilih enjin yang betul mengikut jenis perniagaan
- Keupayaan untuk mengklasifikasikan terlebih dahulu kesesuaian teks untuk mesin dan pra-menilainya untuk masa dan harga yang realistik
- Keupayaan untuk mengukur dengan cepat kualiti keluaran mesin mentah dalam lima dimensi dan menandai risiko tanpa mengelirukan kelancaran dengan ketepatan
Pemecut paling berkuasa yang anda miliki sebagai penterjemah ialah terjemahan mesin (MT) — tetapi menggunakan alat secara sedar bermakna menggunakannya pada tugas yang betul, dalam pasangan bahasa yang betul dan dengan jangkaan yang betul. Dalam unit ini, anda akan mengenali dua keluarga utama MT (terjemahan berasaskan NMT dan LLM), mempelajari yang mana satu lebih baik untuk kerja yang mana, cara mengukur kualiti keluaran mentah terjemahan dengan cepat sebelum penghantaran, dan cara memilih enjin mengikut tugas. Matlamatnya adalah untuk beralih daripada idea "semua sama, tampal-terjemah" dan menjadi pakar yang boleh meramalkan teks mana yang sesuai untuk mesin dan yang memerlukan kerja intensif manusia.
Dua keluarga: terjemahan berasaskan NMT dan LLM
NMT (Neural Machine Translation) ialah sistem yang telah belajar daripada berjuta-juta ayat dwibahasa dan menterjemah ayat tersebut secara keseluruhan; Terjemahan Google, DeepL, Microsoft Translator adalah contoh-contoh ini. Kekuatan: sangat cepat, konsisten, fasih dalam ayat pendek. Kelemahan: selalunya tidak melihat konteks di luar sempadan ayat (maksud daripada keseluruhan teks); Mungkin sukar untuk memutuskan sama ada perkataan "bank" bermaksud tebing atau tebing sungai dengan melihat perenggan dan ia tidak sesuai dengan senarai istilah yang disediakan.
Terjemahan berasaskan LLM (Model Bahasa Besar) ialah penggunaan model dipacu arahan seperti ChatGPT, Claude, Gemini untuk terjemahan. Kekuatan: mengambil arahan — memahami arahan seperti "gunakan nada formal," "ikut senarai istilah ini," "khalayak sasaran ialah kanak-kanak"; melihat konteks yang lebih luas; menangkap idiom dan nada dengan lebih baik. Kelemahan: kadangkala boleh menjadi "terlalu kreatif" dan menambah sumber (risiko halusinasi), kehilangan koheren dalam teks panjang dan kos/kelajuan berbeza-beza bergantung pada pekerjaan.
Peraturan praktikal: dalam teks lurus, berulang, teknikal NMT biasanya pantas dan mencukupi; LLM lebih fleksibel dengan teks yang memerlukan disiplin dalam nada, konteks, perbendaharaan kata dan arahan. Kebanyakan profesional hari ini menggunakan kedua-duanya bersama-sama: draf pantas daripada NMT, pembetulan nada/istilah daripada LLM.
Petua: Kualiti mesin pasangan bahasa (cth. Turki→Bahasa Inggeris) mungkin berbeza daripada arah bertentangan (Bahasa Inggeris→Turki). Bahasa dengan sintaks aglutinatif dan fleksibel, seperti bahasa Turki, secara amnya lebih mencabar untuk MT. Nilai sendiri enjin mana yang lebih baik dalam pasangan anda sendiri dengan beberapa teks sampel.
Keserasian mesin teks: tanya ini dahulu
Tidak semua teks adalah sama sesuai untuk mesin. Sebelum memulakan terjemahan, hantar teks melalui penapis "kesesuaian":
- Sesuai dengan mesin: manual teknikal, penerangan produk, teks antara muka berulang, surat-menyurat standard, jadual/senarai. Bahasanya jelas, istilahnya tetap, kreativiti adalah terhad.
- Sederhana yang sesuai: berita, kandungan korporat, bahan pendidikan. Mesin menghasilkan garis besar yang baik tetapi memerlukan penyuntingan pasca yang serius untuk nada dan aliran.
- Tidak sesuai untuk mesin (berisiko tinggi): kontrak undang-undang, teks perubatan, iklan/slogan, teks sastera, humor, puisi. Di sini mesin hanya memberi idea; Pekerjaan itu sebahagian besarnya jatuh kepada orang.
Jika anda membuat perbezaan ini dari awal, anda berdua akan memberikan masa/harga yang sesuai kepada pelanggan dan melindungi diri anda daripada mempercayai output mentah secara membuta tuli.
Cepat mengukur kualiti keluaran mentah
Apabila anda melihat output MT anda tertanya-tanya "adakah ia baik atau buruk?" Jawab soalan dengan senarai semak yang cepat, bukan intuisi. Lihatlah lima dimensi ini: ketepatan (adakah maksud setia kepada sumber?), kesempurnaan (adakah ayat ditiadakan atau ditambah?), terminologi (adakah ia betul dan konsisten?), kelancaran (adakah ia semula jadi dalam bahasa sasaran?), format (adakah tag, nombor, pemformatan dikekalkan?). Kami akan mendalami dimensi ini dalam unit kualiti seterusnya; Buat masa ini, biarkan ia sebagai refleks pra-penghantaran anda.
Awas: Ralat keluaran MT yang paling berbahaya ialah ralat "fasih tetapi tidak betul". Ayat itu mungkin dalam bahasa Turki yang sempurna, tetapi "diskaun 15%" dalam sumber mungkin telah ditukar kepada "diskaun 50%. Jangan ditangguhkan oleh kefasihan; Sentiasa lihat nombor, negatif dan kata nama khas secara berasingan.
tiga kes mini
Kes 1 — Enjin yang betul memotong separuh masa. Seorang penterjemah memilih untuk menterjemah antara muka perisian 12,000 perkataan dengan NMT dan buku kecil pemasaran dengan volum yang sama dengan LLM. Konsistensi NMT pada antara muka menjadikan kerja lebih cepat; Fleksibiliti tonal LLM dalam buku kecil mengurangkan beban penulisan semula sebanyak 40%. Memberi kedua-dua kerja kepada enjin yang sama akan membuang masa.
Kes 2 — Pra-penilaian menjimatkan harga. Sebuah pejabat akan menawarkan teks undang-undang kerana "ia boleh dibuat dengan mesin, ia akan menjadi murah". Dalam prapenilaian, sampel 500 perkataan telah diterjemahkan; Mesin itu mengembalikan dua istilah undang-undang dengan sistem yang setara. Pejabat itu menilai kerja itu sebagai "penyuntingan pasca berat" dan memberikan tarikh akhir yang realistik; Dia mengelak kehilangan wang kerana tawaran yang salah.
Kes 3 — Perbezaan pasangan bahasa. Sebuah pasukan berpendapat bahawa enjin yang berfungsi dengan baik dalam bahasa Inggeris→Jerman mempunyai kualiti yang sama dalam bahasa Turki→Arab. Ujian 300 perkataan menunjukkan bahawa output bahasa Arab memerlukan lebih banyak pembetulan. Pasukan ini memperuntukkan enjin yang berbeza dan belanjawan pasca penyuntingan yang berbeza bergantung pada pasangan bahasa.
Empat templat yang boleh disalin
1) Penilaian kesesuaian teks:
Peranan anda: pakar MTPE kanan. Nilaikan teks berikut untuk kesesuaian untuk terjemahan mesin: literal/teknikal atau kreatif/kontekstual? Kelaskannya sebagai (1) sangat mesra mesin, (2) sederhana, (3) berisiko tinggi dan tulis justifikasi anda. Anggarkan beban pasca pengeditan yang dijangkakan sebagai ringan/sederhana/berat. Contoh teks: [tampal 200-300 patah perkataan]
2) Terjemahan LLM yang diarahkan (dengan terminologi dan kawalan nada):
Terjemah teks ini [sumber]→[sasaran].Khalayak: [siapa]. Nada: [cth. rasmi]. Medan: [cth. kewangan].Senarai istilah (pastikan digunakan): [A→a, B→b].Peraturan: jangan tambah apa yang tiada dalam sumber, simpan nombor/tarikh/nama, gantikan setiap ayat dengan ayat. Tandai di mana anda tidak pasti dengan [?]. Teks: [...]
3) Perbandingan dua enjin:
Di bawah ialah dua terjemahan berbeza bagi ayat sumber yang sama (A dan B). Bandingkan setiap satu dari segi ketepatan, istilah dan semula jadi, dan beritahu saya yang mana satu memerlukan pembetulan yang kurang, dengan justifikasi. Sumber: [...] | Terjemahan A: [...] | Terjemahan B: [...]
4) Pemeriksaan cepat keluaran mentah:
Di bawah ialah sumber dan terjemahan mesin. Hanya tandai yang berikut:(1) maklumat yang ditinggalkan/ditambah, (2) nombor/tarikh/nama yang salah, (3) ralat penolakan, (4) istilah yang tidak konsisten. Jangan tulis sebarang pembetulan, cuma senaraikan kawasan berisiko. Sumber: [...] | Terjemahan: [...]
Gesaan lemah / Gesaan kuat
Lemah: "Terjemah teks ini dan ia akan menjadi baik." (Untuk enjin, "baik" tidak ditentukan; tiada nada, tiada istilah, tiada jisim.)
Güçlü: "Terjemahkan penerangan produk ini daripada bahasa Inggeris ke bahasa Turki. Bidang: e-dagang. Penonton: pengguna muda. Nada: mesra tetapi meyakinkan. 'checkout' → 'langkah keluar', 'wishlist' → 'wish list'. Tukar nombor dan nama jenama. Bahasa Turki yang fasih tanpa sebarang bau terjemahan."
Perbezaan: gesaan yang kuat memberikan enjin sasaran yang boleh diukur; output menghampiri secara langsung draf selepas diedit.
Carta perbandingan NMT vs LLM
Saiz
NMT (Google, DeepL)
LLM (ChatGPT, Claude)
kelajuan
sangat pantas
sederhana
Terima arahan/nada
lemah
kuat
Mematuhi senarai istilah
terhad
Baik (dengan segera)
Konteks yang luas
lemah
baik
Risiko halusinasi
rendah
Sederhana (kawalan diperlukan)
pekerjaan yang paling sesuai
Lurus/teknikal/berulang
Nada/konteks/kreatif
Kesilapan biasa
- Menggunakan enjin yang sama untuk setiap kerja. Tidak memilih enjin mengikut jenis kerja menyebabkan kehilangan masa dan kualiti.
- Memberi harga/masa tanpa pra-penilaian. Ujian 200-300 perkataan mendedahkan kejutan dari awal.
- Tersilap kefasihan untuk ketepatan. Ayat yang indah tidak bermakna ayat yang betul.
- Mengabaikan pasangan bahasa dan perbezaan arah. Enjin yang baik dalam satu pasangan mungkin lemah pada yang lain.
- Tidak perasan penambahan LLM. LLM kadangkala menambah ayat yang tiada dalam sumber "untuk membantu"; semak ini.
Tetingkap konteks dan konsistensi
Apabila menterjemah teks panjang dengan LLM, adalah perlu untuk mengetahui satu had teknikal: tetingkap konteks — jumlah teks yang model boleh "lihat" dan diingati pada satu-satu masa. Jika teks lebih besar daripada tetingkap ini, anda perlu membahagikannya kepada beberapa bahagian dan model mungkin "terlupa" dalam bahagian seterusnya keputusan istilah atau nada yang anda buat dalam bahagian sebelumnya. Jadi, daripada menterjemah buku atau dokumen yang panjang dalam satu bahagian, mengingatkan setiap bahagian ringkasan termbase dan gaya mengekalkan konsistensi. Masalah ini tidak berlaku dalam teks pendek; Walau bagaimanapun, dalam karya panjang seperti novel dan manual, adalah perlu untuk memeriksa konsistensi dalam petikan. Penyelesaian praktikal: untuk menyediakan "memori projek" (istilah + aksara + keputusan nada) dan tambahkannya pada permulaan setiap bahagian dan imbas untuk konsistensi antara kepingan pada akhir terjemahan. Dalam NMT, masalah ini dialami dengan cara yang berbeza: Memandangkan NMT menterjemah ayat demi ayat, ketekalan panjang perenggan sudah lemah, jadi termbase menggunakan istilah disiplin.
Secara ringkasnya
Terdapat dua keluarga terjemahan mesin: NMT, yang cepat dan konsisten, dan LLM, yang mengambil arahan dan melihat konteks dan nada dengan lebih baik. Penterjemah induk menilai kesesuaian teks untuk mesin terlebih dahulu, memilih enjin mengikut tugas, mengukur kualiti keluaran mentah dengan cepat sebelum penghantaran, dan tidak pernah mengelirukan kelancaran dengan ketepatan. Refleks pra-penilaian ini membolehkan anda memberikan masa/harga yang realistik dan melindungi diri anda daripada kepercayaan buta.
Tugasan permohonan
Terjemah teks 200 perkataan yang sama dengan kedua-dua alat NMT dan LLM. Bandingkan kedua-dua output pada lima dimensi (ketepatan, kesempurnaan, istilah, kelancaran, format) dan tulis sebab yang memerlukan kurang penyuntingan selepas teks ini. Kemudian tandakan isu/kontingensi/risiko jangka pada kedua-duanya dengan templat "semakan pantas keluaran mentah".
senarai semak
- [ ] Saya mengklasifikasikan kesesuaian teks untuk mesin (berisiko rendah/sederhana/tinggi).
- [ ] Bergantung pada jenis kerja, saya memutuskan sama ada untuk menggunakan NMT atau LLM.
- [ ] Saya membuat penilaian awal dengan sampel kecil dan menentukan tempoh/harga sewajarnya.
- [ ] Saya segera memeriksa keluaran mentah dalam lima dimensi.
- [ ] Saya menyemak nombor, tarikh, nama dan negatif secara berasingan tanpa tertipu dengan kefasihan.