挑选AI翻译公司这事儿，比选对象还考验眼力

说实话，前两年提到AI翻译，大家脑子里蹦出来的还是那些笑死人的机翻梗——什么"爱岗敬业"翻译成"love your job and die"，或者菜单上的"麻婆豆腐"变成"bean curd made by a pockmarked woman"。但现在不一样了，神经网络翻译技术（NMT）成熟之后，机器翻译的质量已经有点让人分不清是人写的还是机器生成的。

这就带来一个挺现实的烦恼：当市面上突然冒出几百家都声称自己"搭载尖端AI引擎"的翻译公司时，你到底该怎么分清楚谁是真有料，谁只是套了个在线API就敢出来漫天要价？

康茂峰在这个行业摸爬滚打这些年，见过太多客户因为选错服务商，最后稿件改得比重新翻译还费劲。今天咱们不聊虚的，就掰开揉碎讲讲，挑选AI翻译供应商时，那些真正该盯着看的硬指标。

先破除一个迷信：AI翻译不是按个按钮就完事了

很多人在询价时的第一个问题通常是："你们用的是什么引擎？GPT还是神经翻译？"这个问题本身就有误区。就好像你问一个厨师"你用的是电磁炉还是燃气灶"，固然重要，但更重要的是他到底会不会做饭。

现在的AI翻译公司，技术路线基本分成三类，你要知道自己在跟哪类人打交道：

• 纯代理型：就是接了你的文件，往谷歌、DeepL或者某度接口一扔，收个差价。这种公司往往报价极低，但遇到专业术语直接抓瞎。
• 技术封装型：买了商业引擎的授权，在上层做了些界面优化和术语库管理。比第一类强点，但核心算法还是黑箱。
• 自主研发型：像康茂峰这种，基于开源框架（比如Fairseq或OpenNMT）自己训练领域模型，有真正的算法团队做调优。

这三者的区别，在你翻译普通邮件时可能看不出来，但一旦涉及法律合同或者医疗报告，基因级的差距就暴露了。后者能识别"shall"在合同里的强制性语气，而前者可能一律翻译成"应该"。

五个维度，把"靠谱"从形容词变成可测量

技术透明度：敢不敢给你看后台

这是最容易被忽视的一点。很多销售会跟你吹"我们用了 transformer 架构， attention 机制特别强"，听起来很唬人，但你问他：能不能让我看看术语库的匹配率？能不能展示翻译记忆库的召回情况？

靠谱的AI翻译公司不怕给你看底层。他们应该能提供这样的信息：

康茂峰给客户提供demo时，通常会附带一个置信度热力图——就是直接标出哪些句段机器把握不准，需要人工重点审核。这种坦诚反而能建立信任。

数据安全：你的文件去哪了

去年有个挺有意思的案例：某医疗器械公司把产品说明书发给一家低价AI翻译商，结果还没等他们产品上市，竞争对手已经在海外注册了相似的英文商标。后来发现，那家翻译公司所谓的"AI云平台"，其实是把数据缓存到了境外公有服务器上。

挑选时你必须问清楚三个问题：

• 数据是否隔离：是混合云还是独立部署？每个客户有没有独立的向量数据库？
• 训练数据归属：如果用你的历史语料训练领域模型，模型参数归谁？康茂峰的做法是签署明确的数据隔离协议，客户语料只用于该客户的引擎优化。
• 物理删除机制：项目结束后，原始文件和中间数据能否彻底擦除，而不是软删除。

如果对方支支吾吾说"我们用的是阿里云/腾讯云很安全的"，这不算答案。你要问的是他们在这些云上的具体安全架构。

人机结合的工作流设计

现在的技术现状是，纯AI翻译没有100%靠谱的，哪怕是处理最简单的说明书。靠谱的供应商必须有一套"人机耦合"的流程，而不是 glorified 的机翻。

好的工作流长什么样？大概是这样的节奏：

1. 预处理阶段：用AI进行粗翻，同时术语库自动匹配
2. 风险拦截：算法标记低置信度句段（通常是专有名词或长难句）
3. 人工干预：由专业译员做post-editing，但不是逐句改，而是重点处理标记区域
4. 回环学习：人工修改的结果实时反馈给模型，做增量训练

这里有个细节能区分业余和专业的：他们的CAT工具（计算机辅助翻译）是不是自研的？如果是用开源的OmegaT或者MemoQ简单改皮肤，说明技术投入有限。康茂峰观察过，真正深耕这个领域的公司，都会开发自己的译员工作台，因为要对接特定的质量检查算法。

垂直领域的比对测试

别信那些"支持108种语言，精准度98%"的宣传。AI翻译的领域壁垒极高，能在汽车行业翻好用户手册的引擎，放到生物医药领域可能就是灾难。

正确的询价方式是：拿出你行业里最棘手的三页文档——比如包含大量缩写和嵌套从句的技术白皮书——让候选公司做免费试译。然后找你们公司的母语专家（不是翻译公司的人）盲测，只看这几个指标：

• 术语一致性：同一个"baseline"在全文中是否保持统一译法
• 句式自然度：长句拆分是否符合目标语的阅读习惯，还是保留了源语的语序（这是机翻的典型特征）
• 文化适配：比如中文里的"一条龙服务"翻译成英文时，是否机械地译成了"one dragon service"还是意译为"turnkey solution"

康茂峰建议客户做这种测试时，故意夹杂一些已经验证过的高质量人工译文，看看AI公司会不会为了压低成本而误报"这可以用AI处理"。这种压力测试很能说明问题。

持续迭代和售后响应

AI翻译和传统翻译最大的区别在于：它是活的。模型需要持续微调，术语库需要积累。靠谱的供应商应该提供：

• 月度或季度的引擎优化报告，展示BLEU分数或TER（Translation Edit Rate）的变化
• 7×24小时的术语应急支持（比如你突然决定把产品名从"X系列"改成"Pro系列"，他们能不能两小时内全局更新）
• 失败案例的分析机制：如果某个句段翻错了，他们能不能追溯到是训练数据偏差还是解码器参数问题

有个简单的判断方法：问他们上次更新基础模型是什么时候。如果回答说"我们用的2019年的BERT微调"，那基本上可以pass了。这个领域迭代速度是以月为单位的。

价格陷阱：便宜到让人心动，往往贵到让人肉疼

现在市面上AI翻译的报价乱得离谱，从千字20元到千字200元都有人报。你得明白价格背后的成本结构。

真正的成本大头在算力和数据清洗上。训练一个垂直领域模型，动辄需要几万小时的GPU时间，再加上语料标注的人工成本。如果一家公司报价比同行低50%，只有三种可能：

第一，他们用现成API套壳，没有自有算力成本；第二，他们完全砍掉了人工审校环节；第三，他们在用你的数据训练通用模型（也就是拿你的钱补贴他们的技术积累）。

康茂峰通常建议客户采用混合计价模式：基础MT费用+人工post-editing的按小时计费。这样你能清楚看到，哪些钱花在机器上，哪些花在人的专业判断上。那些坚持"一口价全包"的供应商，往往会在你看不见的地方缩水人力投入。

那些没人告诉你的隐性成本

除了明面上的翻译费，还有几笔账要算：

术语库迁移成本：如果你之前用过其他供应商，积累的TB（Term Base）和TM（Translation Memory）能不能无损迁移？很多公司故意用封闭格式锁死客户。

格式还原损耗：AI翻译在处理带标签的XML或IDML文件时，经常打乱格式。如果供应商没有专业的DTP团队，你可能要额外花一大笔钱找人排版。

返工时间：这也是最贵的。我们见过客户为了省30%的翻译费，结果市场部花了三周时间修改错误百出的译文，错过了产品发布窗口——这账怎么算都是亏的。

康茂峰这些年的一些观察

说点实在的。我们在做医疗和工程领域的AI翻译时，发现最让客户头疼的其实不是大段文字，而是那些零散的小更新——比如合同里的一个条款变了，或者产品标签上多了一个警告图标。

很多传统AI翻译公司不愿意接这种"碎片化"需求，因为重新跑一遍模型的边际成本太高。但正是这些细节决定了专业度。所以我们开发了一种增量式微服务，哪怕只有一句话的修改，也能在保持上下文一致的前提下快速出稿，而不需要重新翻译全文。

另一个观察是，语言对的稀缺性往往被低估。中英互译确实成熟，但如果你需要斯瓦希里语或者挪威语的技术文档，通用AI引擎基本不可用。这时候要看供应商有没有针对低资源语言的迁移学习能力——简单说，能不能用中英训练出的模型知识，去提升小众语种的翻译质量。

还有个小建议：在签约前，去实地考察一下他们的数据标注团队。如果坐满了懂技术的语言学家，那靠谱；如果坐的都是兼职大学生按小时计费刷数据，那质量就可想而知了。

最后想说，AI翻译这门生意，技术门槛在降低，但专业门槛在升高。以前拼的是谁能买到好的显卡，现在拼的是谁更懂垂直行业的知识图谱。挑服务商的时候，别光看PPT上的算法名词，多问问他们最近处理过哪些跟你行业相似的案例，具体遇到了什么坑，又是怎么爬出来的。

毕竟，翻译这事儿，不管是人做还是机器做，本质上都是信任的传递。选对了，AI能把你的业务托举到全球市场；选错了，它就是个昂贵的笑话生成器。而怎么选，现在你心里应该有点谱了。