翻译工作流程的真正价值不再以文本是由人还是由机器生成来衡量，而是以最终输出的效率和准确性来衡量。 随着全球企业扩大本地化项目的规模，传统的语言质量“合格/不合格”评判方法即将终结。
这种方法正被能够量化运营工作量的、基于数据的基准所取代。 为了最大限度地提高现代翻译的投资回报率，组织必须转向编辑时间 (TTE) 和每千字错误率 (EPT) 等指标。
关键要点
- TTE 作为运营基准。 编辑时间 (TTE) 明确衡量了完善自动化输出结果所需的人力投入。 这使它成为计算本地化投资回报率的主要指标。
- EPT 用于监测准确性。 每千字错误率 (EPT) 使质量经理能够跟踪特定的错误模式，并确保可投入使用的内容达到基本的准确性阈值。
- 语境 AI 与通用模型。 Lara 等专门构建的翻译工具通过保持整个文档的语境显著降低了错误率，这一能力使企业解决方案有别于通用 LLM。
TTE 表示专业译者为将机器翻译的句段润色至达到人工翻译质量所花费的平均时间。 与之相辅相成的是，每千字错误率 (EPT) 衡量的是在语言质量保证审核过程中发现的错误频率。 这些指标共同清晰描绘了何时自动化工作流程足以满足需求。
它们还能揭示何时需要人工干预来保护品牌的完整性。 这种战略转变使企业能够胸有成竹地扩大规模。 它确保每一段内容，从内部文档到高风险营销文案，都能得到适当水平的审核。
为什么两种工作流程需要不同的基准
对每一段内容都采用同一质量标准是造成本地化预算浪费的最常见原因之一。 内部软件工具的用户手册不需要像多渠道广告活动那样在文风上进行润色。 通过为自动化工作流程和人类增强型工作流程设定不同的基线，企业可以使质量期望与内容的业务目的保持一致。
我们通过内容分级来确定这些基线。 实用型内容（例如内部维基或客户支持工单）通常在自动化环境中表现出色，因为在这些环境中，速度和基本理解是主要目标。 在这些情况下，略高的 EPT 是可接受的，因为人工审核的成本将超过增量收益。
相反，可发布内容需要采用人在回路的方法，以确保文化细微差别和品牌一致性。 指望未经人工润色的原始自动化输出就能达到高标准的营销要求，会导致品牌偏离。 TranslationOS 专门通过集中和同步全球语言资产来降低这种风险。
为了进一步说明这一点，不妨考虑一下企业软件公司，它们必须在本地化数千篇支持文章的同时，还要本地化引人注目的登录页面。 对支持文章采用“发布就绪”标准会导致严重的瓶颈，并造成不必要的成本增加。 通过对内容进行分级，这些公司可以使用高效的工作流程来处理大部分文本。 这样可以将人类专业知识留给能够创造收入的关键登录页面。 这种分层方法可以最大限度地发挥技术和专业人员的作用。
它们之间的错误类型和频率有何变化
从人工主导的翻译转向机器生成的模型时，错误的性质会发生巨大变化。 虽然人工译者可能会造成文体不一致或术语偏离，但自动化工作流程容易出现过度平滑和错觉等特定模式。 当模型生成的文本在语法上完美无缺，但在文风上平淡无奇，失去了原文的感染力时，就会出现过度平滑。 虽然在专业模型中越来越少见，但幻觉涉及通用语言模型添加或篡改事实。 这在技术或法律文档中构成重大风险，因为这些文档必须做到绝对精确。
通过衡量 EPT（每千字错误率），质量经理可以跟踪不同引擎中的这些模式。 通用大语言模型 (LLM) 通常难以进行分段级思考，它们孤立地处理每个句子，而不理解更广泛的叙事。
相比之下，Lara 等专门构建的模型使用整个文档的语境，以在整个项目中保持术语的一致性。 通过分析单个句段之外的上下文，与通用模型相比，Lara 显著降低了关键准确性错误的发生频率。 正是由于这种错误频率的差异，现代质量评估必须包括对错误类型的深入分析，而不仅仅是简单地统计错误数量。
此外，分析 EPT 有助于组织发现反复出现的问题，并通过更好的训练数据来解决这些问题。 高质量的数据是所有可靠系统的基石。 当组织跟踪所产生的具体错误类别时，就可以完善术语表和翻译记忆库。 这可以不断提高基准质量，并在连续的翻译周期中降低 EPT。
如何为每种方法设定合理的期望
要设定合理的期望，首先要了解机器翻译的原始质量与达到人工翻译水平所需工作量之间的关系。 这项工作通过编辑时间 (TTE) 进行衡量，TTE 已成为新的翻译质量标准。 如果语言工作者需要花费从零开始翻译所需时间的 80% 来编辑机器翻译的输出，那么工作流程就是低效的。 然而，当专用技术将 TTE 缩短 50% 或更多时，人类与 AI 共生的投资回报率就变得无可否认。
对于自动化工作流程，期望应侧重于适用性。 如果目标是快速的内部沟通，那么成功的成果就取决于低延迟和可控的 EPT。 对于人类增强型工作流程，人们的期望是绝对的准确性和文化共鸣。 虽然 TranslationOS 是一个集中式 AI 服务交付中心，而非翻译引擎本身，但它提供了审计所有语言对绩效所需的基本数据可见性。 通过使用平台内的项目分析和工作流程报告，本地化经理可以确保实现效率目标，并确保共生关系带来预期的投资回报率。
设定这些期望还需要与利益相关者进行透明的沟通。 企业领导者必须明白，实用性内容中较高的 EPT 是一项战略性选择，而不是系统的缺陷。 通过将 TTE 和 EPT 数据与成本节约和周转时间一并展示，本地化团队可以证明分层方法所带来的切实价值。 这有助于确保他们的技术投资持续获得支持。
纯 AI 质量在哪些方面最能弥合差距
机器翻译在技术文档以及英语到西班牙语或英语到法语等高资源语言对方面取得了最显著的进步。 在这些领域，内容的重复性以及高质量训练数据的可用性使模型能够产生非常准确的结果。 在语境稳定且语言高度客观的领域，机器翻译与人工翻译质量之间的差距缩小得最为显著。
Lara 等语境感知模型的发展是推动这一进步的催化剂。 通过优先使用 高质量的语境数据，Lara 能够在数千字的文章中保持文档的意义主线。 这项任务此前需要大量的人工监督。 随着我们迈向 翻译“奇点”的概念，即机器输出与人工翻译无法区分的时刻，技术内容的 TTE 不断下降。 这一趋势证明，对于日益增多的企业内容，自动化工作流程不再是一种妥协。 它们已成为速度和可扩展性方面的战略优势。
在电子商务等行业，这一进展尤为明显，因为产品描述遵循可预测的结构。 企业可以即时处理海量产品目录，比以往任何时候都更快地进入新市场。 随着模型不断从人工编辑中学习，无需人工干预即可安全翻译的内容边界将继续扩展到更复杂的内容类型。
决定哪种方法适合哪种内容
在自动化方法和人工辅助方法之间做出选择，需要一个基于三个因素的战略性分级框架。 这三个因素是风险、覆盖范围和使用寿命。 对于具有较长使用寿命的高风险内容（例如品牌宣言或法律合同），需要采用共生模型。 在这种情况下，技术提供初始速度，但人类语言工作者则确保最终的细微差别，而正是这些细微差别决定了专业质量。
对于量大、风险低且有效期较短的内容，如日常支持日志或内部知识库，自动化工作流程是最合理的选择。 关键是要避免陷入完美主义的陷阱，即无论业务价值如何，都对每个词都进行相同水平的审查。 部署 TranslationOS 来管理这些多样化的工作流程，以便在将资源部署到最重要的地方的同时，保持统一的品牌语调。 归根结底，自信地扩展业务意味着为合适的任务选择合适的指标，确保您的翻译策略与您所服务的市场一样灵活多变。
常见问题
TTE 和 EPT 有什么主要区别？
编辑时间 (TTE) 通过跟踪人工为完善自动化输出结果所花费的时间，来衡量翻译流程的效率。 每千字错误率 (EPT) 通过统计每 1000 个单词中语言错误的频率来衡量输出的准确性。 TTE 是一个运营指标，而 EPT 是一个质量指标。
对于技术内容，自动化工作流程能否真正取代人工审校？
对于高资源语言对和语境稳定的技术领域，自动化工作流程可以实现实用级质量。 这种水平足以满足许多内部和支持用例的需求。 然而，对于安全或法律合规性至关重要的内容，人工审核仍然必不可少。
Lara 如何帮助缩短 TTE？
Lara 通过使用整个文档的语境来确保整个项目的术语和风格一致性，从而降低 TTE。 由于 Lara 理解句子之间的关系，因此它避免了基于句段的模型中常见的许多错误。 这大大减少了人工编辑需要进行的校正。
EPT 是衡量创意营销内容的可靠指标吗？
对于创意内容，EPT 的效果较差，因为营销质量往往具有主观性。 虽然 EPT 可以识别语法或术语方面的客观错误，但它无法衡量品牌语调或情感共鸣。 对于这些类型的内容，TTE 和定性人工审核是更可靠的成功指标。
