什么是翻译智能？

翻译不是瓶颈。缺少上下文才是。

本地化长期以来一直被视为一个翻译问题。

多年来，整个行业一直围绕这一假设进行优化。翻译管理系统帮助团队通过工作流程推进内容。机器翻译可以更快地产出初稿。翻译记忆会重用之前的片段。术语表有助于提升术语一致性。审核步骤让人类有机会在内容上线前纠正错误。

这些系统使本地化更加高效。它们帮助公司翻译更多内容，覆盖更多语言，并实现更强的运营控制。

但他们还没有解决本地化中最难的部分。

最难的部分不再是生成译文。AI 现在可以在几秒钟内生成流畅的多语言文案。更难的问题是，这个译文是否适合产品、品牌、市场，以及它所呈现的客户体验。

翻译即使语法正确，也仍然可能失败。

它可能会使用错误的产品术语。它可能听起来不符合品牌调性。它可能会偏离营销信息的意图。它可能对于按钮来说太长。它在翻译编辑器里可能说得通，但在实际产品中却显得别扭。它可能保留了源文本的字面意思，却丢失了让原文奏效的细微含义。

这就是为什么翻译质量日益受到限制的，不是翻译输出本身，而是其周边的智能。

这就是翻译智能的作用。

翻译智能是将分散的产品、品牌、UI、市场和审校者知识转化为更优本地化决策的基础设施。它帮助人类和 AI 在翻译开始前理解内容的含义、出现的位置、应有的语气，以及必须遵循的限制。

简单来说：翻译智能为翻译提供了使其有用所需的上下文。

为什么仅仅翻译还不够

大多数翻译工作流程都从一段源文本开始。

那段文本可能是产品文案、帮助中心文章、电子邮件、营销活动标题、入门引导消息或法律声明。在许多系统中，翻译人员或 AI 模型会看到源文本、目标语言，以及可能的术语表匹配。

但语言本身很少能单独承载足够的信息。

考虑一个简单的字符串：

创建项目

这看起来很容易翻译。但正确的翻译取决于几个问题。

它是一个按钮、菜单项，还是页面标题？“project” 是正式的产品对象，还是一个通用词？用户是在创建一个空白项目、导入一个项目，还是从模板开始？目标语言是否需要更明确的语法？按钮是否有字符限制？同一个产品对象是否已在其他地方翻译过？语气应该偏技术化、简洁，还是企业级？

没有这个上下文，人与 AI 都必须猜测。

同样的问题也出现在营销本地化中。一个活动标题在英文中可能简短、巧妙且富有情感感染力，但直译到另一个市场时，可能无法传达同样的意图。译者需要理解的不只是词语本身，还包括定位、受众、优惠、语气以及期望引发的反应。

它也会出现在支持内容中。帮助文章可能包含必须与界面保持一致的产品术语。如果文章使用一个术语，而产品使用另一个术语，即使每个句子在语言上都正确，翻译也可能让用户感到困惑。

这些不仅仅是语言问题，而是语境问题。

瓶颈已经从生产转移到判断

AI 改变了翻译的经济学。

生成第一稿现在很快。生成更多多语言内容比以往任何时候都更容易。但这种速度带来了一个新挑战：团队必须决定哪些内容可以信任，哪些需要审查，以及哪些需要更深入的产品或市场理解。

换句话说，瓶颈已经从生产转移到了判断。

关键问题不再只是：

我们该如何翻译这个？

现在是：

这是针对这个特定用例的正确翻译吗？

那个问题需要的不仅仅是流利。它需要上下文。

高质量的本地化决策需要考虑产品含义、用户意图、品牌语气、设计约束、术语规则、市场预期、合规要求以及以往的决策。当这些信息缺失时，本地化团队会通过人工方式进行补充。

译员提出问题。审校人员重写文案。产品经理解释功能。本地化经理收集截图。区域团队讨论语气。工程师修复 UI 溢出问题。同样的术语决策会在各个项目中反复做出。

这并不意味着团队的本地化工作做得不好。这意味着系统没有承载足够的智能。

翻译智能与翻译管理

翻译管理和翻译智能解决的是不同的问题。

翻译管理关乎协调。它帮助团队组织内容、分配工作、管理语言、跟踪进度并审批译文。

翻译智能关乎决策质量。它帮助团队深入理解内容，从而正确地进行翻译、审校和本地化适配。

翻译管理系统可以通知本地化经理某个字符串已准备好供审核。

翻译智能层可以显示，该字符串没有截图、与术语表规则冲突、使用了高风险产品术语、超出了 UI 字符限制，或与先前已批准的译文不同。

这种区别很重要，因为本地化质量不仅仅取决于工作流程是否完成，而是取决于在做出翻译决策的那一刻可获得的知识。

当缺少上下文时，即使是经验丰富的译者和先进的 AI 模型也会产生不一致的结果。有了上下文，工作流程就会更加可靠。

翻译智能包括什么

翻译智能将本地化团队通常必须手动查找的知识整合在一起。

它包含产品上下文：一个功能的作用、用户如何与之交互，以及某个短语所指的具体产品对象或操作。

它包含视觉上下文：截图、UI 位置、组件类型、字符限制和设计约束。

它包含品牌上下文：语气、风格、信息传达原则，以及在不同市场中预期的正式程度。

它包含术语上下文：已批准术语、产品名称、禁用词、词汇表规则以及特定领域语言。

它包括市场背景：文化期望、地区偏好、本地惯例，以及直译与本地化改编之间的差异。

它包括工作流上下文：谁需要审核内容、它涉及什么风险级别，以及是否需要人工批准。

最重要的是，它包括决策历史：更改了什么，批准了什么，审阅者纠正了什么，以及为什么作出某个特定选择。

传统本地化系统往往在这里力不从心。它们可能会存储最终译文，但并不总是保留其背后的推理过程。因此，团队记住了翻译了什么，却不记得为什么这样翻译。

翻译智能改变了这一点。它将本地化知识转化为可重复使用的资产。

从翻译记忆到决策记忆

翻译记忆一直是本地化中最重要的概念之一。它帮助团队重复使用之前的翻译，减少重复工作，并保持一致性。

但是翻译记忆有一个局限：它只记住输出。

它并不总是记住上下文。

它可能会显示某个句子被翻译成了某种方式，但不会说明这一选择是出于品牌语气、界面空间、产品术语、法律偏好，还是审阅者反馈。它也可能不会显示该翻译在生产环境中是否表现良好。它可能也不会解释同样的决定是否应适用于新的功能或活动。

翻译智能将记忆的概念扩展到了已翻译片段之外。

它会创建决策���忆。

决策记忆记录本地化选择背后的推理。它帮助团队不仅了解翻译了什么，还了解为什么要这样翻译。当 AI 参与工作流程时，这一点尤为重要，因为 AI 在能够从结构化上下文和人工反馈中学习时会不断改进。

如果审核员更改了某个术语，系统应从该更改中学习。如果区域专家解释了某个短语为何不适用于当地市场，那么下次就应能获取到这项知识。如果产品经理澄清了某个功能的含义，那么今后相关字符串也应沿用这一解释。

本地化就是这样变得自我优化的。

这在实际中的表现如下

上下文感知的本地化工作流程与传统的基于字符串的工作流程截然不同。

在翻译开始之前，系统会从实际开展工作的工具中收集相关上下文。它可以理解内容的来源，以及它属于产品界面、帮助文章、营销页面还是活动内容。它还可以附加截图、检测术语、识别相关字符串、检索之前的决策，并在译者或审校者看到任务之前提示风险。

在翻译过程中，AI 建议会受产品知识、术语表规则、品牌语调和界面约束的指导。系统不会生成泛泛的翻译，而是可以提供符合实际使用场景的译文。

在审查过程中，不会要求人工从头检查所有内容。他们可以专注于需要判断的决策：歧义术语、高影响力文案、市场本地化、法律风险、语气，或与先前指导相冲突的内容。

审校后，工作流不会只是简单地存储最终译文。它会记录发生了哪些变更，并将这些知识反馈到未来的工作中。

这是从一次性的翻译任务转向作为学习系统的本地化。

Hyperlocalise 为何围绕翻译智能构建

在 Hyperlocalise，我们相信下一代本地化软件的定义不仅仅是翻译速度。

速度很重要。但没有上下文的速度会给审阅者带来更多工作，导致不同市场之间更多的不一致，并在发布前造成更多不确定性。

Hyperlocalise 正在将翻译智能融入本地化工作流程，使团队能够从一开始就将上下文带入流程。我们的做法是帮助 AI 和人工审核人员获取他们所需的信息：产品上下文、截图、术语表规则、品牌语气、UI 约束、工作流要求以及之前的本地化决策。

这很重要，因为大多数公司已经拥有实现更好本地化所需的知识。问题在于，这些知识是分散的。它存在于产品工具、设计文件、支持平台、内容系统、审阅评论、Slack 讨论，以及各个团队成员的脑海中。

Hyperlocalise 帮助将这些知识转化为可操作的实践。

Hyperlocalise 的目标不是让译员和审校人员去费力寻找上下文，而是自动把合适的上下文带入翻译体验中。Hyperlocalise 不把 AI 当作通用翻译器，而是利用上下文引导 AI 做出更好的决策。Hyperlocalise 也不会在任务完成后让审校反馈丢失，而是帮助把反馈转化为记忆，从而改进未来的工作。

目标不是消除人为判断。目标是让人为判断更加聚焦、更加明智，并且更具可复用性。

本地化的未来是具备上下文感知的

在全球取得成功的公司，并不只是翻译最多词语的公司。它们会是在每个市场都能清晰、一致且自然地进行沟通的公司。

这不仅仅需要翻译。

它需要能够理解语言、产品、品牌、设计和客户体验之间关系的系统。

这就是翻译智能之所以重要的原因。

它为本地化团队与 AI 协作提供了更好的基础。它减少了重复收集上下文的工作。它帮助审校人员专注于高价值决策。它提升了产品、营销和支持内容之间的一致性。它保留了翻译选择背后的知识，使团队不必一再解决同样的问题。

翻译不再是瓶颈。

缺少上下文。

翻译智能是现代本地化团队弥合这一差距的方式。

关于从翻译到面向市场的沟通这一更广泛的转变，请参见 Hyperlocalisation: Why Global Growth Needs More Than Translation。