翻译场景最佳实践：从传统机翻到智能语境适配

翻译场景最佳实践：从传统机翻到智能语境适配 🧾 翻译场景最佳实践：从传统机翻到智能语境适配 Modified December 3, 2024 Code block XML Copy {pred} 评测方案分析 总体来讲，自动化评估 Evaluator 对参考答案的遵循非常强，虽然会尝试从不同维度进行思考分析，但基本上是围绕着译文和参考答案的差别来进行的。这就会导致参考答案的质量会很大程度上影响判定的分数。对于不够出彩的参考答案，如果翻译结果跟参考答案一模一样，也会得到很高的分数。对于和参考答案有明显错翻的case，各个维度都会给低分。 对于语义层面的分析，总体来说评估效果不错。对于比较细节的格式问题，如标点缺失，并不能抓住这样的差异。但对于书名号这种，虽然不会主动从英文原文的大小写上去分析，但是如果参考答案中存在，依然会很严格地认定翻译结果缺少书名号是不够优秀的翻译结果。 初步评测结论 整体结果： 细分领域结果： 五、GLM模型语言翻译场景案例 接下来我们来通过几个典型应用场景，探讨下GLM模型在不同领域中的翻译效果与优势。 六、GLM模型语言翻译接入方案 近日，翻译插件 「沉浸式翻译」在接入智谱GLM模型的翻译能力后，凭借优秀的产品体验得到用户青睐。智谱 BigModel 开放平台与“沉浸式翻译”深度合作，将免费模型 GLM 4 Flash 接入并优化，上线后收获大量用户好评，用户留存数据表现佳。以下案例综合官方的优化思路，旨在给到翻译场景的软件服务公司更多启发，也欢迎创业者添加企业微信，与解决方案专家探讨方案细节。 大模型翻译方案 提供一版推荐的 Prompt供大家参考 • 英文版本 Code block XML Copy System prompt: You are an expert in both the source and target languages, with a deep understanding of their respective cultures. user prompt: Source Text: """ {input 1} """ Translation Requirements: 1.Stay true to the “Source Text,” ensuring each sentence is translated accurately and fluently. 2.Ensure that no part of the text is omitted during translation. Every detail must be included. 3.Large numbers must be translated correctly, following Simplified Chinese onventions. Instruction: 1.Carefully analyze and deeply understand the content, context, emotions, and cultural nuances of the “Source Text” in relation to the target language. 2.Translate the “Source Text” into {{input 2}} accurately according to the “Translation Requirements.” 3.Ensure the translation is accurate, natural, and fluent for the target audience. Adjust expressions as necessary to fit cultural and linguistic norms. Requirements: Do not include any additional content. Only output the translation. This is crucial. • 中文版本 Code block XML Copy 您是一位精通「源文本语言」与「目标语言」文化和语言的翻译专家。7 User prompt 源本文 """ {input1} """ 翻译要求: 1.忠实于"源文本"，确保每个句子都得到准确且流畅的翻译。 2.大额数字的翻译需准确无误，符合简体中文的表达习惯。 任务: 1.仔细研究并深入理解"源文本"的内容、上下文、语境、情感以及和目标语言的文化细微差异。 2.根据「翻译要求」将"源文本"准确翻译为{{input 2}}。 3.确保翻译对目标受众来说准确、自然、流畅，必要时可以根据需要调整表达方式以符合文化和语言习惯。 注意:不要输出任何额外的内容，只能输出翻译内容。这一点非常关键。 • 评测结果 网页翻译工程侧方案 方案架构 方案说明： • 内容识别： 沉浸式翻译工具使用智能算法来分析网页的HTML结构，识别出网页的主要内容区域。 • 文本提取： 在识别出内容区域后，工具会提取这些区域的文本内容。这包括从HTML标签中提取可见文本，忽略掉脚本、样式和其他不需要翻译的代码。 • 预处理： 提取出的文本可能会包含一些不必要的空格、特殊字符或者格式信息，需要对这些文本进行预处理，清除格式，标准化空格，以便于进行翻译。 • 翻译调用： 将预处理后的文本拼到Prompt模板中请求智谱模型API。 • 结果整合： 翻译完成后，将原文和译文对照地整合回网页、字幕中，通常是原文保持不变，译文以悬浮框、下划线注释或是平行文本的形式展示。 • 用户界面交互： 用户可以通过鼠标悬停、点击等交互方式来控制翻译的显示与否，工具会根据用户的操作实时显示或隐藏译文。 文档翻译工程侧方案 方案架构 方案说明： • 文件解析： 从用户上传的PDF等格式的文档中解析出文字，智谱开放平台提供了限时免费的文件解析服务API。 • 预处理： 提取出的文本可能会包含一些不必要的空格、特殊字符或者格式信息，需要对这些文本进行预处理，清除格式，标准化空格，以便于进行翻译。 • 片段切分：当页面内容较长时，您可以通过切分片段，并通过高并发请求大模型来减少整体耗时。 • 模型调用： 将预处理后的文本拼到Prompt模板中请求智谱模型API。 • 结果整合： 翻译完成后，将翻译后的译文按照您期望的样式展示在用户交互界面中。 其他效果提升小技巧 自定义专业术语 同一词语在不同行业、场景的含义不同，推荐您以KV对的形式进行专有名词的翻译。 Code block Python Copy "glossaries": [ { "k": "LLM", // v 为空时则不翻译该单词 "v": "" }, { "k": "Tactic", // 将 Tactic 翻译为 策略 "v": "策略" } ], } 未来，随着大模型的不断迭代，我们有理由相信，GLM等大语言模型将成为多语言翻译的主流核心底层技术，为全球用户带来更加精准、流畅的翻译体验。欢迎各位开发者，和我们一起积极探索大模型在翻译应用中的潜力。 沉浸式翻译 评测方案分析 总体来讲，自动化评估 Evaluator 对参考答案的遵循非常强，虽然会尝试从不同维度进行思考分析，但基本上是围绕着译文和参考答案的差别来进行的。这就会导致参考答案的质量会很大程度上影响判定的分数。对于不够出彩的参考答案，如果翻译结果跟参考答案一模一样，也会得到很高的分数。对于和参考答案有明显错翻的case，各个维度都会给低分。 对于语义层面的分析，总体来说评估效果不错。对于比较细节的格式问题，如标点缺失，并不能抓住这样的差异。但对于书名号这种，虽然不会主动从英文原文的大小写上去分析，但是如果参考答案中存在，依然会很严格地认定翻译结果缺少书名号是不够优秀的翻译结果。 初步评测结论 整体结果： 细分领域结果： 五、GLM模型语言翻译场景案例 接下来我们来通过几个典型应用场景，探讨下GLM模型在不同领域中的翻译效果与优势。 六、GLM模型语言翻译接入方案 近日，翻译插件 「沉浸式翻译」在接入智谱GLM模型的翻译能力后，凭借优秀的产品体验得到用户青睐。智谱 BigModel 开放平台与“沉浸式翻译”深度合作，将免费模型 GLM 4 Flash 接入并优化，上线后收获大量用户好评，用户留存数据表现佳。以下案例综合官方的优化思路，旨在给到翻译场景的软件服务公司更多启发，也欢迎创业者添加企业微信，与解决方案专家探讨方案细节。 沉浸式翻译 大模型翻译方案 提供一版推荐的 Prompt供大家参考 • 英文版本 • 中文版本 • 评测结果 网页翻译工程侧方案 方案架构 方案说明： • 内容识别： 沉浸式翻译工具使用智能算法来分析网页的HTML结构，识别出网页的主要内容区域。 • 文本提取： 在识别出内容区域后，工具会提取这些区域的文本内容。这包括从HTML标签中提取可见文本，忽略掉脚本、样式和其他不需要翻译的代码。 • 预处理： 提取出的文本可能会包含一些不必要的空格、特殊字符或者格式信息，需要对这些文本进行预处理，清除格式，标准化空格，以便于进行翻译。 • 翻译调用： 将预处理后的文本拼到Prompt模板中请求智谱模型API。 • 结果整合： 翻译完成后，将原文和译文对照地整合回网页、字幕中，通常是原文保持不变，译文以悬浮框、下划线注释或是平行文本的形式展示。 • 用户界面交互： 用户可以通过鼠标悬停、点击等交互方式来控制翻译的显示与否，工具会根据用户的操作实时显示或隐藏译文。 文档翻译工程侧方案 方案架构 方案说明： • 文件解析： 从用户上传的PDF等格式的文档中解析出文字，智谱开放平台提供了限时免费的文件解析服务API。 • 预处理： 提取出的文本可能会包含一些不必要的空格、特殊字符或者格式信息，需要对这些文本进行预处理，清除格式，标准化空格，以便于进行翻译。 • 片段切分：当页面内容较长时，您可以通过切分片段，并通过高并发请求大模型来减少整体耗时。 • 模型调用： 将预处理后的文本拼到Prompt模板中请求智谱模型API。 • 结果整合： 翻译完成后，将翻译后的译文按照您期望的样式展示在用户交互界面中。 其他效果提升小技巧 自定义专业术语 同一词语在不同行业、场景的含义不同，推荐您以KV对的形式进行专有名词的翻译。 未来，随着大模型的不断迭代，我们有理由相信，GLM等大语言模型将成为多语言翻译的主流核心底层技术，为全球用户带来更加精准、流畅的翻译体验。欢迎各位开发者，和我们一起积极探索大模型在翻译应用中的潜力。 😃 BigModel智谱AI大模型开放平台 BigModel智谱AI大模型开放平台 https://open.bigmodel.cn/ ZHIPU AI OPEN PLATFORM 大模型开放平台 新一代国产自主通用AI开放平台，致力于将产品技术与行业场景双轮驱动的中国先进的认知智能技术和千行百业应用相结合，构建更高精度、高效率、通用化的AI开发新模式，实现智谱大模型的产业化，将AI的好处带给每个人。 场景介绍 在日常生活和工作中，跨语言沟通的需求日益增加。无论是企业在多语言市场中运营，还是个人获取全球信息，翻译已成为不可或缺的工具。然而，传统机器翻译因语境理解不足、表达生硬，常常面临无法准确传达语境、文化差异以及口语化表达等挑战。 随着大语言模型技术的不断成熟，翻译技术也迎来了重大突破。凭借强大的上下文理解能力，大模型能提供更自然、更贴近真实语境的翻译，更能贴合目标语言的表达习惯，真正实现“思维方式”的翻译。这种技术革新让翻译不仅仅停留在字面上的转换，而是可以更好地传达信息背后的意图和文化 一、语言翻译技术的演进 语言翻译技术经历了从传统规则翻译到深度学习翻译的逐步发展，每一次革新都显著提高了翻译的准确性和自然度。 传统机器翻译的局限性 传统翻译技术基于规则和统计模型，能够提供基本的翻译，但常常出现死板和字面化的结果，尤其在遇到多义词、习语或文化差异时，翻译往往不自然，且容易误导。例如，地方性表达或习惯用语常常被错误地翻译，无法传达原文的深层含义，导致译文与目标语言的文化习惯不符。 深度学习翻译技术的崛起 神经机器翻译（NMT）通过大规模语料库学习，克服了传统方法的局限，能够更好地理解上下文和语境，提供更加流畅、准确的翻译。NMT转向了基于语义理解的翻译，不仅仅是简单的词汇替换，为更复杂的多语言翻译应用打下了基础。 大模型翻译的质变 大模型技术的引入使得翻译进入一个新的阶段。这些超大规模预训练模型通过海量数据学习，能够精准捕捉语言的深层语义和文化背景，提供更符合语境的翻译。相比传统方法，大模型具备强大的上下文理解能力，能够在多语言和多文化环境中灵活适配，避免常见的翻译错误，显著提升了翻译的准确性与流畅度。 二、大模型语言翻译的核心优势 大模型突破了传统翻译模型的局限，大幅提升了翻译质量，为翻译技术的广泛应用带来了前所未有的机遇。 语境理解与适配 大模型能够通过深度的上下文分析，理解语言背后的真正含义，而不仅仅是依赖字面意义。这使得翻译不仅符合语法结构，更能够适应不同的语境，避免了传统翻译中常见的词不达意、语境脱节的问题。尤其在处理含有隐喻、习语或文化特征的文本时，大模型能更精准地捕捉并传达原文的意图。 流畅自然的翻译输出 传统机器翻译常常产生生硬的翻译结果，尤其是在口语化表达或复杂句型上。大模型则通过对大量自然语言数据的学习，能够生成更加流畅、自然且地道的翻译，接近母语水平。这种翻译不仅更易理解，还能保持原文的语言风格和情感色彩，使得译文更加亲和力和感染力。 灵活性与多场景适应 大模型的优势在于其强大的适应性，能够根据不同的翻译场景灵活调整策略。无论是文学作品中的创意表达，还是技术文档中的精准描述，大模型都能通过优化其翻译方式，确保译文既准确又符合特定领域的需求。相比传统方法，它在多场景翻译中表现得更具灵活性和精准度。 文化适配与行业专用翻译 在跨文化翻译中，大模型能够深入理解语言背后的文化内涵，避免因文化差异导致的误解或偏差。例如，在法律、医疗和金融等专业领域，大模型能识别并处理特定术语，提供更加专业且符合行业标准的翻译结果。这使得它在需要高度专业性和文化敏感度的翻译场景中，比传统翻译方法更具优势。 三、大模型语言翻译的常见问题 尽管大模型翻译整体上在许多场景下表现出色，但仍面临一些挑战。以下是我们在评测中发现的一些常见问题及可能的改进方向。 部分词语没有翻译 专业术语容易冗长解释 对一些口语化表达理解不正确 语序翻译较为生硬 偶尔出现标点缺失 大小写及格式不够敏感 四、GLM模型翻译效果评测方法 为了全面评估GLM在语言翻译中的表现，我们采用了多种评测方法，并在不同实际应用场景中评测和迭代了其翻译效果。 评测方案探索 为了兼顾高效和高质量，我们综合采用了包括自动化评估和人工评估的方案。自动化评估方案中，我们基于智谱最强大的 GLM 4 Plus（近期链式推理能力国产大模型第一）模型构建了一个用于对翻译结果质量打分的 Evaluator。人工评估则邀请专业译者对翻译结果的流畅性、准确性和语境适配度进行打分，能够提供更直观的质量反馈。通过这两种方式的结合，我们可以全面了解GLM的翻译水平。 GLM 4 Plus（近期链式推理能力国产大模型第一） 自动化评估 Evaluator 的 system prompt 如下：