1. Aurora AI™
橙色和紫色极光背景,叠加 Lionbridge Aurora AI Array 标志的图像,代表全新的客户界面。

人类专业知识结合强大 AI

Lionbridge Aurora AI™ 是一款全球 AI 内容平台,提升多语言内容创作,并通过相关且个性化的内容扩大受众。

mobile-toggle

选择语言:

动态数字背景

生成式 AI 时代,机器翻译的重要性

传统翻译引擎是人工智能 (AI) 驱动的翻译解决方案不可或缺的一部分,构成了快速、高效多语言沟通的基础。

想要淘汰机器翻译?现在还为时尚早。


即便在生成式 AI (GenAI) 蓬勃发展的当下,如果能将机器翻译工具有效地整合到 AI 翻译工作流程中,企业仍能从中受益。

随着各组织不断适应快速演变的翻译环境,他们发现,机器翻译 (MT) 仍是实现全球可扩展沟通不可或缺的基础。

虽然生成式 AI (GenAI) 和大型语言模型 (LLM) 为语境理解开辟了新可能,但先进的神经机器翻译 (NMT) 引擎在速度方面依然一骑绝尘。

通过采用 NMT 或检索增强生成 (RAG) 技术生成机器译文,并结合代理型 AI 译后编辑提示词链及精准的人工监督,企业可以显著加速内容交付速度并降低成本,实现更胜以往的速度与可扩展性。

具体工作流程如下:
— 在流程开始时使用 MT 进行初翻。
— 使用生成式 AI 解决方案/LLM 开展后期编辑和质量保证任务,以提高整体质量。

采用这种方法,组织能够快速满足您的翻译需求,同时提高质量和成本效益。

机器翻译在各个阶段的优势

将 MT 纳入您的 AI 工具集,并将其作为翻译工作的第一步,不仅能大幅提升效率,还能带来诸多好处。

节省成本

MT 减少了人工翻译的时间,降低了成本并让人类腾出时间去做重要的监督工作。

缩短交付时间

MT 处理翻译的速度是人类和 LLM 无法比拟的。

扩大规模

MT 可以轻松处理大量内容。

AI 机器翻译如何支持主要垂直领域

MT 可以帮助克服各个行业面临的业务挑战。了解我们的 MT 和 AI 解决方案如何支持法律、生命科学和电子商务客户。

法律

跨国法律案件可能会产生大量必须快速翻译的多语言法律电子证据文件。他们可能还需要把更多正式的高级别文件提交给法庭,诸如此类。了解在何种情况下,机器翻译可以翻译法律文件,同时做到准确、高效且实惠,以及 AI 翻译应该增强而非取代专业法律翻译服务的 4 个原因。

生命科学

使用 AI 时,必须要控制风险,保护最终用户并确保合规性,这一点毋庸置疑,但这并不妨碍它成为大规模提供生命科学语言服务的关键工具。由 AI 支持、专家主导的语言服务可帮助参与药品和医疗器械开发的公司满足紧迫期限、管理不断增加的文档并打入新市场。了解 MT 和 AI 如何帮助生命科学公司改善患者治疗结果

电子商务

电子商务是企业进入全球市场的重要途径。借助 AI 增强型 MT,这些公司可以为使用各种语言的客户更快、更稳定地创建引人入胜且个性化的内容流。了解零售商目前如何使用 MT 和 AI 与全球客户建立联系

对比四种机器翻译部署策略


部署机器翻译解决方案有以下四种基本策略。

公共 MT

这一策略包括 Google Translate 和 Bing Translator 等服务。这些服务免费开放且方便使用。然而,该策略也存在缺点:安全性欠佳;引擎针对特定领域或特定使用情形的训练不足,某些情况下会产生质量问题。

本地 MT

采用该策略的公司需要在内部 IT 环境中部署 MT 服务器。这一策略安全性高,但成本也较高,难于部署和管理且需要持续维护。重要的是,该情况下针对多种语言对或不同内容类型产出的 MT 质量仍需优化。

云 MT

这一策略与公共 MT 方案的工作原理类似,因为它也是在云中托管的。不过,不同于公共 MT 的是,它可以创建公司专属实例。传输至该服务的所有数据均受到严格保护,不会与第三方共享。该服务还具备其他功能和优势,例如术语定制,但会导致公司只能依赖固定的一家供应商,而且对于有些语言对的互译,机器翻译的质量也较低。

优选 MT

这一策略会利用统一的平台,公司可以通过该平台使用多个引擎。该平台可以针对所有引擎定制一套术语,界面易于管理,且能够针对具体的一对语言、行业/领域和内容类型选出合适的选项。Lionbridge 提供的这一方法旨在实现出色的翻译成果,也是 Lionbridge 的核心竞争优势。

深入了解关于自动化翻译的内容

网络研讨会回顾:AI 能否玩转译后编辑?

了解 Cisco 的真实案例:他们利用 NMT 进行初翻,借助基于 LLM 的 AI 译后编辑来优化输出,并由人工测试人员负责进行功能性上下文审校,在短短三个月内完成了 1,500 万字的翻译工作,覆盖 14 种语言。

Lionbridge Aurora AI

Lionbridge Aurora AI 平台可对全球化内容进行全生命周期编排:从接收客户数据,到通过机器翻译 (MT) 完成翻译,再借助 LLM 开展自动化译后编辑,最终将处理后内容回传至内容存储库。

Smart MT™:企业级机器翻译 + AI

探索 Lionbridge 的企业级机器翻译和 AI 解决方案,这些解决方案利用优质 MT 引擎和 AI 审核来加强全球沟通效果。

机器翻译定制与机器翻译训练

机器翻译定制与机器翻译训练:了解机器翻译定制与机器翻译训练的含义,以及使用两种方法提高自动化翻译质量的适用情形。

基于机器翻译可行性的语言排序助力提升 MT 效果

全球语言多种多样,其复杂程度也不尽相同,因此建议您在部署机器翻译前考虑语言复杂程度。我们的机器翻译可行性排名能为您提供参考,方便您做出业务决策。

翻译及本地化:了解机器翻译,辨析相关术语

使用这份实用备忘单,随时了解与机器翻译相关的重要术语。

认识我们的机器翻译和生成式 AI 专家

Lionbridge 掌握深厚的 AI 专业知识,因此,您可以对我们的机器翻译服务和生成式 AI 语言服务充满信心。

Rafa Moral

创新副总裁

Rafa 负责与语言和翻译相关的研发活动,包括用于机器翻译的定制化 LLM、质量保证 (QA) 助手,以及采用 RAG、微调和其他 LLM 定制技术完成的其他任务。

Share on LinkedIn

机器翻译简史

1954 年 — 乔治城大学的研究人员首次公开演示了早期的机器翻译系统。

1962 年 — 机器翻译与计算语言协会 (Association for Machine Translation and Computational Linguistics) 在美国成立。

1964 年 — 美国国家科学院 (National Academy of Science) 成立了 ALPAC 委员会,旨在开展 MT 研究。

1970 年 — 法国纺织研究院 (French Textile Institute) 开始使用 MT 系统翻译文献摘要。

1978 年 — Systran 开始翻译技术手册。

1989 年 — Trados 率先开发并销售翻译记忆库技术。

1991 年 — 乌克兰哈尔科夫国立大学 (Kharkov State University) 开发出首个商用 MT 系统,该系统可进行俄语-乌克兰语、英语-乌克兰语、德语-乌克兰语翻译。

1996 年 — Systran 和 Babelfish 在网络上提供免费的小文本翻译。

2002 年 — Lionbridge 使用其基于规则的 MT 引擎开展其首个商用 MT 项目。

2005 年左右 — 统计 MT 系统问世。Google Translate 于 2006 年发布,Microsoft Live Translator 于 2007 年面世。

2012 年 — Google 宣布 Google Translate 每天翻译的文本量相当于一百万本书。

2016 年 — Google 和 Microsoft 均采用了 NMT 技术,大幅减少了语序错误,并且显著提高了术语和语法的翻译准确性。

2020 年 — 截至 10 月份,Google 神经网络机器翻译 (GNMT) 可支持 109 种语言的翻译。

2022 年 — Lionbridge 专家分享了以下发现:MT 引擎的输出性能停滞不前,并且所有被跟踪引擎的性能都出现类似问题。这些现象表明神经网络机器翻译范式可能已经达到平台期,新的范式即将应运而生。

2022 年 — OpenAI 于 11 月向公众推出其生成式 AI 引擎 ChatGPT,突显了翻译技术领域正在不断发展和扩展的趋势。

2023 年 — 随着发布的模型日渐增多,新迭代源源不断涌现,以及针对各行各业和各种用例的解决方案层出不穷,GenAI 迎来了爆发增长。

2024 年至今 — 随着生成式人工智能 (AI)的蓬勃发展,MT 的相关性出现转变,并与 LLM 互为补充。

微信扫码咨询

联系我们

Business Email Only