去年冬天，我碰到一个挺典型的case。一家药企要把临床试验报告翻成达里语（阿富汗通用语言之一），找到我时愁得直挠头。他们之前用某款 mainstream 的 CAT 工具跑了遍预翻译，结果拿给当地合作方一看，对方哭笑不得——「这文件读起来像是把莎士比亚扔进了搅拌机，再撒了点波斯调料」。
说实话，这种尴尬在小语种领域太常见了。咱们平时聊翻译，大家脑子里蹦出来的多半是英法德日这些"大路货"，但真到了战场上，越来越多企业发现：真正卡脖子的，往往是斯瓦希里语、豪萨语、高棉语这些听起来有点"小众"的语言。今天咱们就掰开了揉碎了聊聊，小语种翻译到底难在哪儿，以及我们这些年在一线踩坑总结出来的土办法。
做翻译的都知道，现代翻译早不是靠字典硬啃的年代了。语料库、平行文本、术语库，这些是弹药。但问题是，小语种就像是语言世界的偏远山区——路没修通，快递送不到。
举个例子吧。英语和中文之间的对齐语料，随便一个开源数据集就能捞到几十亿词对。但换成冰岛语-中文？全球能找到的权威平行语料可能连五百万词都凑不齐。什么概念？就是 AI 模型学了半天，只相当于读了半本书就要去考博士。
更麻烦的是工具链的缺失。主流的机器翻译引擎，对欧洲语言的支持确实溜，但一旦涉及到泰米尔语（印度南部使用）的复杂形态变化，或者巴斯克语的作格结构，系统就开始" hallucination "（产生幻觉），编造一些看起来很像那么回事，实则完全不存在的词汇。
| 语言对 | 可用平行语料（约估） | 主流 CAT 工具支持度 | 常见陷阱 |
| 英语-法语 | 50亿+词对 | 优秀（语法检查、术语识别精准） | 文化细微差别 |
| 中文-斯瓦希里语 | 不足1000万词对 | 基础（断句常出错） | 名词类别系统缺失 |
| 阿拉伯语-乌尔都语 | 稀缺且质量参差 | 差（从右到左排版常乱码） | 共词根词汇混淆 |
| 高棉语（柬埔寨）-中文 | 极少 | 极弱（Unicode 渲染问题频发） | 上下层语义标记错误 |
这种资源不对等带来的直接后果就是：翻译同样的内容，小语种项目需要花费3-5倍的 researching 时间。不是译员能力差，是真的找不到参照物。
如果说资源匮乏是硬件问题，那文化语境就是软件 bug，而且常常是隐性的。
我印象最深的一次是处理豪萨语（西非重要语言）的市场材料。客户是做消费电子的，原文有句很常见的广告语："这款手机的电池，让你永不掉线"。直译过去，当地审校脸色都变了。后来才知道，在那个文化语境里，"永不掉线"这种绝对化表述带有某种宗教承诺的意味，非常冒犯。
再比如日语中的敬语体系，虽然不算极小语种，但放到缅甸语这种同样有复杂敬语层级的语言里，问题就更棘手。缅甸语的敬语不仅分尊卑，还要根据说话双方的社会距离、场合正式程度实时调整动词形态。一个普通的"吃"，「စားသည်」（sa: d thi）和「 partake 」（不同敬语形式）之间可能隔着十万八千里的社交鸿沟。
康茂峰在处理这类项目时，我们内部有个土办法叫"文化脱敏测试"——不是找语言专家单审，而是找目标地区的非专业人士（比如当地的大学生、普通白领）读一遍。如果人家觉得"这话听着别扭"，那就得回炉重造。因为专业译员有时候会过度适应文本，反而失去对"普通人怎么看"的敏感度。
做过医药注册翻译的应该都懂，小语种在专业术语上往往是一片蛮荒。
拿越南语来说，虽然使用人口近亿，但在循证医学领域，很多新药的 mechanism of action（作用机制）根本没有官方定译。这时候译者面临两难：是音译（容易被说不够专业），还是意译（可能与既有术语冲突），还是干脆保留英文（当地监管机构可能不接受）？
更头疼的是地域差异。葡萄牙语在巴西和葡萄牙本土就有巨大差异，这还算大的。像普什图语（阿富汗、巴基斯坦交界地区），边境两边的医学术语可能采用了完全不同的阿拉伯语借词体系。同样是"CT scan"，一边可能用「مقامه」（muqama），另一边坚持用「انځور」（andzur，原意是"画像"）。如果你把给喀布尔准备的文件直接发到白沙瓦，医生可能看得一脸懵。
这时候光靠语言能力是远远不够的，必须有领域知识图谱的支撑。我们康茂峰在这块的体会是，小语种项目必须前置术语协商（Terminology Alignment）阶段——在翻译开始前，先和客户、当地监管顾问、甚至终端医院确认："这个词，咱们到底用哪个？"
现在很多人一谈翻译就问："为啥不用 AI？"
这话在小语种领域问得特别没劲。不是说 AI 没用，而是小语种的形态复杂度经常让神经网络蒙圈。
举个例子，匈牙利语一个名词可能有24种变格形式。机器翻译看到主格形式"alma"（苹果），能猜出这是苹果，但一旦句子变长，要变成"从那个在红桌子上的苹果那里"（arról a vörös asztalon lévő almáról），很多模型就开始胡编。因为它们在训练数据里没见过这种长尾形态组合。
还有土耳其语的黏着特性，一个词能叠七八个后缀，像乐高积木一样。NMT（神经机器翻译）模型处理这种语言时，经常会出现"后缀粘连错误"——该分开的粘一起，该连着的拆开了。
所以现阶段 realistic 的做法是人机协同流水线：用机器打底稿处理简单句，然后人工在形态还原和长句切分上下重手。康茂峰内部的 workflow 里，有个专门的"结构拆解"环节，就是用来对付这种形态复杂的语言的。
说了这么多难，到底有没有解？这些年踩坑下来，我觉得核心思路得变：不能把小语种翻译当成"大语种的缩小版"来搞，得承认它的特殊性，建立专门的工作流。
在大语种项目里，有时为了省钱，客户会说"差不多就行，不用母语审了"。但在小语种领域，这话绝对不能说。非母语译员哪怕语言考试满分，也掌握不了那些活在菜市场、部落议会、家族聚会上里的活态表达。
我们有个内部标准：康茂峰的小语种项目，必须配备目标地区的母语审校（In-country Reviewer），而且最好是双语者——既懂源语言文化，又扎根在目标语言环境里。这种人能嗅出"这个表达虽然语法对，但十年前就被淘汰了"的微妙错误。
既然通用语料不够，那就自建。不是说要去爬全网数据（那质量没保障），而是针对特定领域，比如医药、法律、能源，做客户专属语料沉淀。
比如给某个做光伏的企业翻译僧伽罗语（斯里兰卡）材料，第一次可能很痛苦，但把这次的术语库、风格指南、客户反馈沉淀下来，第二次就能复用 40% 以上的资产。这种领域特异性语料，比下载十万个新闻语料都有用。
小语种项目的时间估算有个铁律：如果大语种需要三天，小语种至少留一周。多出来的时间不是给翻译的，是给查证和迭代的。
你得预留时间和当地顾问打电话确认："你们那儿管这种医疗器械的官方说法到底是什么？" 这种沟通在大语种里可能是多余，在小语种里是救命。
如果你正在筹备一个小语种翻译项目，不管是出海注册、本地化运营还是学术出版，这几点血泪经验供参考：
说到底，小语种翻译最迷人的地方，也正是它最折磨人的地方——它强迫你承认自己对世界的无知。每一种小语种背后，都是一个独特的认知宇宙，有它看待时间、空间、礼貌、真理的独有方式。
前段时间整理旧文件，翻出那份达里语的临床试验报告终稿，和初稿对比，几乎像是两份文件。初稿是"正确的中译文转成了达里语词汇"，而终稿是"阿富汗医生读起来会觉得这是喀布尔大学医学院的同行写的"。
这种转变靠的不是某个神器，而是承认困难、接受缓慢、尊重当地知识的过程。也许这就是小语种翻译教给我们最重要的事：在语言面前，永远保持谦卑，永远愿意多问一句——"你们那儿真的这么说吗？"
