从翻译管理到翻译智能
本地化技术用了二十年组织翻译工作。下一个挑战是理解每一个翻译决策背后的上下文。
二十多年来，本地化技术一直专注于一个核心运营挑战：如何大规模管理翻译。
翻译管理系统帮助各组织以结构化工作流程取代电子表格、电子邮件往来、彼此割裂的供应商以及手动文件交换。它们集中管理多语言内容，协调译员和审校人员，维护术语，复用之前的翻译，并跟踪各市场的交付情况。
这是一次重要的演进。翻译变得更易于管理、衡量，并融入更广泛的内容运营中。RWS将翻译管理描述为对人员、流程和技术进行协调，以便高效且一致地跨语言翻译内容。
但本地化所处的环境已经发生了变化。
现代组织不再只翻译已完成的文档或偶尔发布的产品。它们会持续本地化不断变化的界面、营销活动、帮助中心文章、入门流程、定价页面、法律信息、设计系统和客户沟通内容。内容分散创建于代码仓库、设计工具、内容管理系统、支持平台和营销应用中。
因此，挑战不再局限于管理翻译工作。
更大的挑战在于理解每个翻译决策背后的语境。
这是从翻译管理到翻译智能的转变。
翻译管理旨在组织生产流程
传统的本地化工作流程通常遵循一个相对清晰的顺序。源内容进入系统后，系统会分配任务，译员生成目标语言内容，审校人员批准译文，最后将完成的翻译返回给提出请求的团队。
翻译记忆库支持重复使用之前批准的内容。术语数据库有助于保持一致性。工作流规则可自动执行任务分配、审批和交付。集成可减少在系统之间手动移动文件的需要。
这些功能仍然很有价值。它们解决了通过受控流程处理多语言内容的运营问题。
然而，他们主要是在翻译任务已经定义之后开展工作。
它们可以向译员展示类似句子此前是如何翻译的，但并不总能解释为什么做出这样的选择。它们可以提供一个已批准的术语，但未必能确定该术语是否适用于此特定屏幕、功能、受众或市场。
考虑这样一个简短的源字符串：
立即升级
正确的翻译可能取决于文本所出现的位置：按钮、电子邮件主题、定价页面，还是账户通知中。它可能指订阅计划、软件版本、权益或服务级别。翻译可能需要遵循经批准的营销活动文案、符合严格的界面限制，或在特定市场采用不同的语气。
句子很简单。决定却并不简单。
传统系统可以将字符串路由给合适的人员，但它并不总能重建出所需的完整产品和业务上下文，从而无法很好地完成翻译。
工作流程是集中统一的，但知识却是碎片化的
在大多数组织中，本地化所需的知识分散在许多系统中。
产品行为可能记录在问题跟踪器中。最新界面可能存在于 Figma 中。技术限制可能仅在源代码中可见。品牌指南可能存放在演示文稿或文档中。市场偏好可能隐藏在评审者评论中。法律要求可能存储在单独的政策代码库中。
然后，译者需要根据不完整的证据还原含义。
这是传统模式的核心局限之一：翻译工作流程可能是集中式的，但围绕这项工作的知识并不是。
随着产品和内容团队加快节奏，这一脱节的代价也越来越高。产品字符串可能会在发布前多次变更。营销活动可能会在进行期间更新。支持内容会根据客户行为不断演变。团队越来越希望本地化能够持续运作，而不是作为下游的生产阶段。
然而，支持性上下文通常仍需手动处理。
截图添加不一致。描述会过时。译员向产品团队寻求澄清。审阅者反复解释相同的市场偏好。重要的修正仍然被困在评论中，无法改进未来的工作。
该组织可能已经实现了内容迁移的自动化，但知识的迁移基本上仍未改变。
AI 让翻译更快，但未必更准确
生成式人工智能改变了多语言内容的经济模式。
翻译现在可以在几秒钟内完成。模型可以针对不同语气改写内容、生成替代版本、遵循术语说明，并处理比早期系统多得多的上下文信息。
但流利不应与正确混为一谈。
AI 生成的翻译可能听起来很自然，但却误解产品、选用了错误的已批准术语、违反界面限制，或未能保留源消息的意图。
对机器翻译的研究不断表明，翻译质量不仅取决于句子层面的流畅度。文档上下文、领域知识、语篇、术语和预期用途都可能影响译文是否恰当。
随着 AI 输出变得更具说服力，这一区分变得越发重要。
明显的语法错误很容易识别。细微的产品表述错误却不易察觉。一个句子读起来可能完全通顺，却传达了错误的操作、错误的确定程度，或错误的用户与产品之间的关系。
因此，重要的问题并不只是 AI 是否能够翻译。
关键在于系统能否向正确的模型或人员提供正确的证据、指示、约束条件和组织知识。
这就是翻译智能的作用。
什么是翻译智能？
翻译智能是将产品、品牌、语言、市场和审校人员知识转化为更优本地化决策的基础设施。
翻译管理负责协调工作。
翻译智能提升了工作背后的推理能力。
翻译智能系统应帮助确定：
- 一段内容的含义；
- 出现位置；
- 适用对象；
- 适用哪些产品、品牌、语言和市场规则；
- 以往如何处理相似内容；
- 翻译所承载的风险等级；
- 以及需要人工判断时。
这代表了本地化技术更广泛的作用。
传统平台会整理文件、翻译记忆库、术语表、工作流和参考资料等资产。智能系统还会关联截图、产品文档、设计组件、源代码元数据、审校人员反馈、市场偏好、内容表现和历史质量数据。
目标并不是将公司的所有信息都收集到一个大型存储库中，而是在进行翻译决策时检索并应用相关信息。
对于产品标签，这可能意味着最新的屏幕截图、组件名称、已批准的术语和字符限制。对于营销活动标题，这可能意味着目标受众、品牌定位、本地市场预期以及之前的创意反馈。
翻译智能让上下文从可选项变为实际可操作的内容。
正如《什么是翻译智能？》中所探讨的，翻译本身正变得越来越容易生成。更难、也更具防御性的能力在于，理解哪些知识应当影响结果。
从工作流自动化到智能调查
传统的工作流自动化遵循预定义规则。
当出现新内容时，创建翻译任务。翻译完成后，分配审核。收到批准后，将内容返回源系统。
这减少了协调工作，但并未调查翻译所需的内容。
一个更智能的系统可以检查源内容，识别相关功能，获取支持性屏幕截图，查找术语规则，搜索历史决策，检测歧义，选择合适的模型或审校人员，并在交付前评估结果。
这正是 AI 代理发挥独特价值的地方。
与其等待本地化团队手动汇总信息，智能体可以从已连接的系统中收集上下文，并直接在翻译工作流中提供这些信息。
代理可能会帮助回答：
- 此内容出现在哪里？
- 此功能有什么作用？
- 哪些术语适用？
- 之前是否纠正过类似的措辞？
- 内容是否包含变量或界面约束？
- 该翻译是否适合自动化？
- 是否需要进行法律、创意或市场审核？
在 Hyperlocalise，我们认为这一调查层是下一代本地化平台发展方式的核心组成部分。
系统不应仅处理翻译任务，还应帮助理解这些任务。
从静态资产到自我进化的知识
翻译记忆库和术语表保留了宝贵的语言知识，但它们通常作为相对静态的资源进行维护。
产品会变化。品牌语言会不断演进。新功能会引入新的概念。市场团队会形成偏好。审阅者会反复进行一些可能永远不会成为正式指导原则的修改。
翻译智能系统应从此活动中学习。
当审校人员持续将一个术语替换为另一个术语时，系统应识别出这一模式。当某个短语根据产品功能的不同而采用不同译法时，系统应保留这种区别。当模型在特定内容类型或语言对上反复表现不佳时，工作流应进行调整。
目标并不是将每次编辑都转化为通用规则。
有些反馈适用于全局，有些则仅适用于某个市场、营销活动、功能或内容类型。智能本地化基础设施必须理解这种范围。
这将把审阅者的反馈从孤立的更正转化为可复用的组织知识。
系统不再反复解决同一问题，而是在每次获批的决策后变得更加智能。
从统一工作流到基于风险的编排
传统翻译工作流程通常会对大批量内容采用相同的处理流程。
无论业务重要性或语言复杂程度如何，每个字符串都可能经过相同的模型、翻译人员、审校人员和审批流程。
但并非每种翻译都具有相同的风险。
具有高度历史匹配度的导航标签可能适合自动化处理。发布活动可能需要创意改编。受监管的声明可能需要经过法律审核。高可见度的引导流程可能需要进行市场验证。
翻译智能可根据上下文、置信度和影响力来分配工作。
系统可以确定是重复使用已批准的翻译、生成新的建议、比较多个输出、请专家参与，还是将内容升级以进行进一步审核。
这将创建一种更高效的人工参与式模型。
语言学家和市场专家减少了检查可预见内容的时间，将更多时间用于需要文化判断、战略解读或责任担当的决策。
这也是下一代 CAT 体验的方向：不是将人类排除在本地化之外，而是为他们提供更好的上下文、更相关的建议，以及更清晰地了解他们的专业知识在哪些地方发挥作用。
从质量保证到持续评估
在传统工作流程中，质量保证通常在流程接近尾声时进行。
审校人员检查译文、进行修改，并批准最终内容。工作交付完成，但这些修改背后的原因可能不会对未来的工作流程产生实质性影响。
翻译智能将评估贯穿整个流程。
翻译开始前，系统可以评估是否有足够的上下文。在生成过程中，系统可以检查术语、格式、数字、变量和长度限制。生成完成后，系统可以评估含义、语气、一致性和市场适用性。
一旦人工审核员作出决定，系统就可以将生成的输出与已批准的结果进行比较，并确定发生了哪些变化。
随着时间的推移，这会为以下问题提供依据：
- 对于每种语言和内容类型，哪些模型的表现最佳？
- 哪些产品领域最容易产生歧义？
- 哪些术语规则被反复违反？
- 哪些市场需要更多人工参与？
- 哪些上下文来源对质量的影响最大？
- 自动化可以在哪些方面安全地增加？
- 哪些地方仍应强制进行人工审核？
这将本地化质量提升到不再只是检查单个输出的层面。
它变成了一个持续学习的系统。
翻译智能改变了本地化团队的角色
从翻译管理到翻译智能的转变不仅仅是技术上的变化，也改变了本地化职能的角色。
在传统模式下，本地化通常被视为一种下游服务。产品、营销或支持团队创建内容，将其提交翻译，然后等待多语言版本的输出。
在智能模型下，本地化成为组织全球决策基础设施的一部分。
它连接了产品、工程、设计、营销、法务、支持团队以及本地市场知识。它揭示了源内容含义模糊之处、术语造成混淆之处、自动化可靠之处，以及人类专业知识能够创造最大价值之处。
因此，本地化团队不再只负责协调项目和供应商。
他们越来越负责设计多语言决策的制定、评估、治理和改进方式。
这需要在知识管理、AI 治理、上下文工程、质量评估、系统集成和基于风险的工作流设计方面具备更强的能力。
语言专业能力仍然至关重要。但它将融入更广泛的智能层。
翻译管理不会消失
不应将 Translation Intelligence 理解为 Translation Management Systems 的替代方案。
组织仍然需要项目协调、权限管理、术语管理、翻译记忆库、工作流控制、集成和报告功能。这些仍然是基础能力。
平台的预期角色发生了变化。
上一代本地化技术专注于高效地将内容在流程中传递。
下一代技术还必须将知识融入这一过程，为决策提供指导，评估结果，并从人类反馈中学习。
翻译管理询问：
我们如何组织和交付多语言内容？
Translation Intelligence 询问：
我们如何确保每个人类和人工智能系统都具备做出正确本地化决策所需的知识？
全球性组织将两者都需要。
本地化的下一个时代
随着翻译变得更快速、更自动化，竞争优势将不再仅仅来自生成多语言文字。
这将来自对含义的理解。
最强大的本地化系统将了解内容如何与产品、受众、市场、品牌以及组织以往的决策相互关联。它们会自动检索相关上下文，有选择地加以应用，持续评估输出结果，并通过人工审核不断改进。
这正是本地化行业目前正在经历的转变。
从管理文件到理解内容。
从存储翻译到从决策中学习。
从自动化交接到自动化调查。
从静态语言资产到自我演进的知识。
从翻译管理到翻译智能。
Hyperlocalise 正通过AI 代理、下一代 CAT 体验以及自我演进的上下文引擎，朝着这一未来迈进，旨在帮助全球团队减少人工排查，更高效地完成高质量翻译。
下一代本地化软件将不再仅仅管理翻译。
这将使该组织更明智地了解如何在各个市场开展沟通。