基于chatGPT来做翻译，不是什么新鲜事，如果你有使用chatGPT的习惯，很可能你已经在使用chatGPT进行翻译。但本次讨论的，或者说AI翻译需要解决的问题，和我们平常理解的翻译有所不同。

我们需要翻译的内容是游戏内道具、物品、任务、技能、对话、背景介绍等游戏内容的文案翻译，这种翻译。基于此，我们需要对GPT有针对性的优化，才能达成我们的目的。故，本次讨论的翻译，是

尽管我们使用了GPT，加上自己的一些优化和方法论，翻译效果有明显提升。但比较遗憾的是，我们不得不得出，目前纯机翻依然无法替代专业翻译这样子的结果。主要有以下一些问题和难点。

一、前后翻译不一致。

对于同样一个词语，在多个语料中重复出现，但GPT每次翻译都不一致。

二、翻译的准确率，怎么提升？

如果只告诉GPT你需要翻译，那么准确率其实和通用的翻译工具的准确率，没有太大差别，如何发挥出GPT的优势？

三、GPT机翻的效果，怎么快速评定？

当我们尝试使用GPT来做翻译工具，那么它翻译的结果如何？我们每次的调整，效果如何？翻译质量评定的速度，决定了你调优的速度。

一、前后翻译不一致。

1、术语

在翻译中，有个名词–【术语】，指将某个词语固定翻译成某个词。那么这里又会延伸出两个问题：

• 如何快速确定哪些词要作为术语
• 如何让GPT知道术语的存在

将待翻译内容，进行分词（用开源分词工具）之后，统计每个词的词频，之后将词频较高的和词语需要特殊翻译的作为术语，之后由专业翻译人员翻译成对应语言，即为术语。

这里我使用的是jieba分词：

在大批量的翻译中，分词完定出术语表，那么这个术语表其实也挺大的，少的几百个，多的上千，取决于你的语料多少。那么，如此庞大的词库都作为提示词，在prompt中给到GPT，明显是不可行的。所以，我们采用的是，当需要翻译的语料中有出现术语表中的词语时，才将这个词语作为术语，在prompt中给到GPT。大概的形式如下：

2、上下文

由前面可知，定术语其实不是一件容易的事，需要有人工的参与。是否有其它更智能的方法来解决问题呢？答案就是上下文，事实上，不仅仅是翻译，GPT几乎所有的应用场景都可以用上下文来提升效果。

那么何为上下文呢？在中译英的翻译场景中，我举个例子吧。假设你有一批旧语料，其中有，【黄白之术】->【Midas Touch】。那么现在有一个语料：【黄白之术不是万能的，还需要一些其它的办法。】，这个怎么保证【黄白之术】按照之前的翻译结果来翻译呢？最好的方法就是通过将【黄白之术】的翻译结果当成上下文，如下：

以上，就可以让GPT知道【黄白之术】的翻译已经固定，参照之前翻译即可。但，这又引出了一个新问题：我怎么知道待翻译的语料【黄白之术不是万能的，还需要一些其它的办法。】，在已有的旧语料中，已有【黄白之术】

这个翻译呢？这里就需要引入两个概念：

• Embeddings：详情可以看GPT官方的文档(platform.openai.com/docs/api-re…)。说白了就是所有的文本都可以转换出一个向量值，这个向量值在GPT中，由1536个浮点数组成的数组表示。
• 向量数据库：常见的有PostgreSQL 、Qdrant等。可以存储向量值，并且可以检索某个向量值与数据库中已有的向量的关系。

除了旧有已知翻译的语料可以当做上下文意外，为了保持每次翻译的前后一致，其实也可以把先机翻出来的结果，当做上下文。举个例子，如果【黄白之术1】先进行机翻被翻译成【Midas Touch1】，那么在翻译【黄白之术2】时，也可以将【黄白之术1】的翻译结果作为上下文，这样子就可以保证前后翻译一致。

3、热度/概率

如果了解GPT的基础原理，很容易就知道，GPT其实是个文本接龙游戏，它根据已有的文本，推算出下个字出现概率最大的文本集。然后再跟你传参的热度/概率：temperature或top_p从文本集中给出最终一个结果，之后，循环这个过程。

由上可知，在翻译的场景，如果想尽可能保持前后的翻译一致，以temperature为例，则是尽量低为好。推荐为0.1以下。

1、prompt优化

在所有GPT的应用场景中，大家都在说prompt优化，都知道要优化prompt。但是，很少人会告诉你，应该怎么优化，优化到什么程度，怎么验证效果。对于这个，我有以下一些方法：

• 给例子：所有对GPT的要求，尽量给出2~3个例子，GPT会更好的理解。比如我要翻译的时候，注意首字母大写：

• 如果可以，用英文写prompt。

• 调整prompt，最好有现成的语料和正确的翻译，这样子可以在调整prompt后，快速机翻出结果，对比正确翻译，从而知道prompt的调整是否是正向。而，如何评定机翻效果，在下一节会详细讲解。

2、人工抽检

我们已经知道，机翻无法完全替代人工。说白了，机翻更多是提升人工翻译的效率，或者替代部分人工。那么，很容易就可以知道，由人工逐步抽检，比如先机翻出10%，然后再人工校对这10%，然后将这10%作为正确翻译语料，理论上下一次机翻，准确率是会有提升。那么就会引出一个问题，如何最大限度的，提升人工抽检之后的准确率。答案显而易见，让抽检的样本具有代表性。什么意思呢？

假设有9条待翻译语料，如上图所示。理论上来说，红色框的3条语料，如果已经人工校对过，或者说已经翻译准确，那么剩下的所有文本，则可以全部翻译正确。那么红色框中的语料，则称为具有代表性的语料。

那么，在实际的翻译场景中，我们如何实现上面的例子。其实就是将每条待翻译的语料，通过向量，查找与它相似度高的语料，最后做统计。拥有

理论上而言，每次机翻之后都人工抽检一部分之后，得到抽检部分的正确翻译，再应用这部分正确翻译进行下一轮机翻，准确率会一直提升，直到全部翻译完成。

3、合并翻译

对于无关联的语料在进行翻译时，一般都是逐条进行翻译。而对于人物对话、背景介绍、剧情介绍这样子的内容，则最好将整段对话合并一起翻译，GPT能更好的理解前因后果，增加翻译的准确性。

在【prompt优化】部分已经提到，在对prompt进行调优时，提前将待翻译语料，进行人工翻译，得出正确翻译，再将机翻结果与正确翻译进行对比，就可以得出，promept调整是否为正向。那么，机翻结果，如何与正确翻译进行对比呢？

以上是一篇比较专业的论文《关于机器翻译评测研究的综述性报告》。与我们需要解决的问题非常贴合。我总结一下，大概有以下几种方法：

这是文章作者提出的方法,在WMT历年的评测竞赛中屡次获得好成绩。hLEPOR融合了长度惩罚、精确度、召回率、词序差异惩罚等多方面指标,nLEPOR进一步采用n-gram模型。这类方法表现稳定优异。

BLEU方法由于简单易用,已经被广泛应用于机器翻译的评测。尽管有一些已知缺陷,但经过多年发展,仍然是一种比较可靠的评测基准。

基于BERT等预训练语言模型的BERTscore方法,利用神经网络强大的语义建模能力,能够更准确地评估翻译质量。这类预训练模型方法是当前的研究热点。

METEOR同时考虑精确度和召回率,并使用语言学特征,能够相对全面地评估翻译质量。它与人工评价的相关性较好。

COMET方法结合多语言预训练模型与源语言文本,拟合人工评分,是当前效果最好的基于深度学习的评测模型之一。

而目前比较通用的，就是hlepor/nlepor和BLEU。

通过机翻结果与正确翻译结果，跑出hlepor分值或者BLEU分值，对比prompt调优前后的分值，即可知，调整是否为正向。BLEU分值达到多少靠谱呢？这里有一份腾讯的实验报告，仅供参考：arxiv.org/pdf/2301.08…