機器翻譯為何失真？Pivot、Zero-shot與MQM

機器翻譯失真，通常不只是單字翻錯，而是語氣、稱謂、指涉、文化資訊和不確定性在轉換過程中被壓縮。譯文可以很流暢，卻把婉拒改成承諾、把推測改成確定，或把人物關係翻成不符合情境的語氣。

失真來源可能是訓練資料不足、Pivot Translation、多語言共享表示、翻譯腔資料、長文件脈絡缺失，或評測只獎勵表面相似。可靠翻譯需要模型、Glossary、Translation Memory、自動指標和人工MQM共同工作。

重點快讀

Direct Translation直接處理語言對；Pivot Translation經過中間語言或表示。
Zero-shot讓多語言模型處理未直接見過的語言方向。
Low-resource Language因平行語料不足更容易出錯。
Translationese是譯文常見的非自然語言特徵，也會污染評測。
BLEU偏表面N-gram，COMET和MetricX更偏語意，但仍可能有偏差。
MQM由人工標註錯誤類型和嚴重度。
Back Translation能發現部分偏移，不能證明翻譯正確。
正式流程應保存術語、版本、Reviewer和修改理由。

翻譯失真最常發生在哪裡？

失真類型	例子
語氣	可能、建議、婉拒被翻成肯定
稱謂	敬語、親屬和職稱被平坦化
指涉	代名詞指向錯誤人物
省略	主詞或條件在目標語言被錯補
文化	成語、雙關和地方語用被直譯
術語	同一產品或法律概念多種譯名
數字	日期、單位、貨幣和小數錯誤

最危險的譯文不一定讀起來很差。流暢但改變條件的句子，反而更容易被直接採用。

Direct和Pivot Translation

direct:
Korean → Traditional Chinese

pivot:
Korean → English representation → Traditional Chinese

Pivot Translation在缺少直接平行語料時，借助資料較多的中間語言。每一段轉換都可能改變語氣、詞義和結構，因此錯誤會沿著鏈條傳播。

中間語言沒有對應敬語。
模糊指涉在第一段被強制具體化。
文化概念被換成近似英文詞。
第二段只能翻譯已失真的中間結果。

現代多語言模型未必真的先產生一段英文文字，但共享表示仍可能受到高資源語言分布影響。

Zero-shot Translation是什麼？

Google在2016年的多語言NMT研究，使用同一模型處理多種語言，並在輸入前加入目標語言Token。模型能在沒有直接看過某一語言對的情況下，利用共享表示進行Zero-shot Translation。

降低為每個語言對建立獨立模型的需求。
讓低資源方向借用其他語言知識。
品質仍受語言相似度和資料分布影響。
可能產生錯語言輸出或高資源語言偏置。
不能把Zero-shot寫成無資料也能高品質翻譯。

Low-resource Language為什麼更難？

可取得數位文字和雙語資料較少。
拼字、方言和書寫標準可能不統一。
專業術語缺少高品質對照。
評測集和母語Reviewer不足。
模型容易依賴高資源語言捷徑。

低資源不代表語言價值較低，而是技術資料和投資分布不均。正式內容應讓母語使用者參與翻譯、評測和術語決策。

Translationese是什麼？

Translationese指翻譯文本常出現的非自然特徵，例如句型更接近來源語言、詞彙變得中性、結構過度明確或缺少目標語言原生節奏。它不一定是錯誤，但可能讓資料分布和評測失真。

測試集若由翻譯文本構成，可能比原生文本更容易。
模型可能學會翻譯腔而非自然目標語言。
Reverse-created Test Data會影響Human-parity宣稱。
自動分數提高，不代表母語讀者更滿意。

相關研究建議在機器翻譯評測中明確標示原生文本和翻譯文本來源，避免測試集偏差。

Error Propagation

source ambiguity
→ wrong entity resolution
→ wrong tense or modality
→ fluent target sentence
→ human accepts without checking

翻譯鏈條中的早期判斷會限制後續選擇。多段摘要、翻譯和改寫串接時，每一階段都可能進一步壓縮資訊。

盡量由原文直接翻到目標語言。
保留原始段落和句子ID。
不要只把上一階段的摘要交給下一模型。
關鍵條件建立自動檢查。
高風險內容逐句人工對照。

BLEU、COMET、MetricX和MQM

方法	優勢	限制
BLEU	快速、歷史廣泛、可重現	偏表面N-gram和單一Reference
COMET	利用來源、譯文和Reference預測人類評分	評測模型本身會有偏差
MetricX	學習式多語言品質指標	版本和分數方向需確認
MQM	人工標記錯誤類型與嚴重度	成本高、需訓練Reviewer

COMET研究顯示，使用跨語言預訓練模型和人類評分資料，可以比傳統表面指標更接近人類判斷。它仍只是代理指標，不能取代高風險人工Review。

MQM怎麼標錯誤？

Accuracy：誤譯、遺漏、添加。
Terminology：術語錯誤或不一致。
Fluency：文法、拼字和自然度。
Style：語氣、品牌和受眾不符。
Locale：日期、數字、標點和地區習慣。
Severity：Minor、Major、Critical。

Critical Error不應被大量小錯誤平均掉。法律條款中的否定、醫療劑量和產品安全指令，只要一處重大錯誤就應阻止發布。

Back Translation有什麼用？

Back Translation把目標譯文再翻回來源語言，可快速發現人名、數字、否定和條件是否明顯偏移，也能用於產生Synthetic Training Data。

相同模型可能把錯誤重新合理化。
語氣損失未必在回譯中顯現。
兩段翻譯會增加新的誤差。
適合做Smoke Test，不是最終證明。

Glossary和Translation Memory

資產	用途
Glossary	固定人名、產品、法律和技術譯名
Translation Memory	重用已核准句段
Style Guide	語氣、標點、數字和地區規範
Do-not-translate	品牌、Code、Placeholder和命令
Review History	保存人工修改和原因

模型不應每次重新決定關鍵詞。高頻和高風險術語應由組織建立Canonical Translation。

長文件如何保持一致？

先建立Document-level Brief和術語。
保存人物、產品和地點實體表。
按章節翻譯但共享Context。
不要讓每段使用不同Prompt和模型版本。
最後執行全文件一致性掃描。
逐條核對數字、標題和Cross-reference。

長Context可以提供更多脈絡，也可能加入無關資料。需要明確的Context Builder和版本控制。

一套Production翻譯流程

識別來源語言、目標語言和地區。
建立Glossary、Style Guide和Do-not-translate。
先查Translation Memory。
由模型產生新譯文。
執行Placeholder、數字、日期和格式檢查。
使用COMET或其他指標初篩。
高風險內容進MQM人工Review。
保存原文、譯文、模型和Reviewer。
核准結果回寫Translation Memory。

具體開放翻譯模型與本地部署可閱讀TranslateGemma是什麼？。

常見問題

所有機器翻譯都會經過英文嗎？

不一定。現代系統可能直接翻譯、使用共享多語言表示或其他路徑。資料不足時，高資源語言仍可能影響結果。

Zero-shot代表不用資料嗎？

不代表。模型依賴其他語言的訓練資料和共享表示，只是沒有直接使用該語言對的平行資料。

COMET高分就能直接發布嗎？

不能。自動Metric無法完全捕捉領域、法律、語氣和低資源語言錯誤，仍需人工抽查。

原始資料

機器翻譯的可信度，不能只看句子是否順。Pivot、共享表示和Translationese會改變語意與評測，Glossary、MQM和人工責任則把翻譯重新接回原文、用途和讀者。

機器翻譯為何失真？Pivot Translation、Zero-shot、Translationese與MQM