AI 生成一段流畅译文，已经不是什么新鲜事。真正让语言从业者感受到变化的，是工作本身：客户希望交付更快，平台不断压缩处理时间，越来越多的任务从直接翻译转为审核、修改和验证机器输出。工具在升级，专业能力怎样计价、质量由谁把关，也在随之改变。

面对这样的市场，仅仅讨论“AI 会不会取代译员”，很难解释行业正在经历的调整。更值得追问的是：当多语言内容变得容易生成，谁来判断它是否准确、是否适合使用，谁来识别其中可能造成误解的地方？这关系到译员的职业方向，也关系到语言服务企业接下来能够为客户提供什么价值。

交付更快之后 专业判断的时间去了哪里

翻译工具过去主要帮助译员查术语、复用已有译文和处理格式。如今，机器翻译和生成式 AI 已深入内容生产流程：有些项目先由机器生成初稿，再由译员审校；有些平台则围绕产量和处理速度来分配任务。译员的工作对象、参与环节和自主判断的空间都在改变。

这类流程可以提高效率，但有一点容易被忽略：机器完成了初稿，并不意味着人的判断工作随之减少。核实术语、查清指代、理解上下文、判断一句话是否改变了原意，都需要专业知识和时间。面对读起来很通顺的错误，审校反而需要更加警觉。

如果考核只看每小时处理多少字，这些工作就很难被客户看见，客户也难以判断节省下来的时间是否以牺牲质量为代价。对语言服务企业而言，采用 AI 之后，需要重新说明审校的范围、质量要求和交付责任，让专业判断在流程中有明确的位置。

译文读得顺 不等于意思传得准

在重复性强、表达较规范的内容中，自动化工具能够发挥效率优势。但当含义依赖专业背景、文化习惯和具体场合时，只看字词是否对应、句子是否通顺，就可能漏掉真正的问题。

一个法律术语就能说明这个问题。英文法律语境中的“remedies”，往往关联着普通法和国际法传统下一整套救济方式与程序。换到另一种法律文化中，几个看似接近的对应词，可能分别对应救济、申诉、上诉等不同概念。选哪个词，需要理解它在具体制度中的含义，不能只凭字面相近作决定。

口译中的难点也常常藏在分寸里。原文作者在一场涉及人道援助和治理议题的会议上遇到过这样的情况：一位发言人用英语安抚与会者，说要“管理预期”。在局势高度不确定的时刻，这句话如果按字面译成阿拉伯语，可能被听成官方在敷衍了事，或者有意降低承诺。译员需要结合上下文，准确传达其中务实、审慎的含义，同时避免让听众误以为发言方态度冷漠或准备退缩。

这类判断需要守住忠实传意的边界。理解言外之意，不意味着可以替发言人补充立场、加强承诺或淡化矛盾。专业能力体现在识别歧义、把握语境，并在必要时澄清，让跨语言表达保留原话应有的分量。

市场的压力与需求并不均匀

原文指出了一个值得关注的现象：大批量、低风险内容的翻译越来越强调规模和效率，而在公共服务、人道援助等高风险场景中，合格口译员却常常短缺。技术冲击与专业人才短缺，可以同时存在。

这也说明，不能只用一种价格走势或一种业务模式来概括整个行业。常规内容的生产，与涉及医疗理解、法律程序或外交立场的沟通，对专业人员的要求并不相同。不同领域的变化，需要结合实际任务和出错的后果来判断。

不同语言的情况也不一样。数字资源丰富的语言，通常能够获得更多技术支持；而在处理低资源语言、方言和带有鲜明文化背景的表达时，系统表现往往不够稳定。对使用这些语言的人来说，系统覆盖了某种语言，并不等于他们就能获得同等可靠的沟通支持。

对于服务商和译员，这提示了一个值得探索的方向：把语言能力与具体领域的知识结合起来，理解客户真正需要解决的问题。这样的专业积累仍需接受市场检验，不能简单地认为，只要进入高风险领域，就自然能够获得更多业务或更高收入。

人工把关要进入流程 而不只出现在承诺里

AI 参与的环节越多，责任越容易变得模糊。系统提供商关注模型表现，使用机构关注效率，项目团队负责交付，最终用户却可能无从判断译文是否有误。如果各个环节之间缺少明确的分工，出了问题就很难查清原因并及时纠正。

原文提出，语言专家应当更深入地参与多语言沟通的管理。把这一思路落到项目中，可以从三件具体的事做起。

先判断内容能否使用。除了检查语言错误，还要确认术语是否准确、表达是否贴合语境、能否实现沟通目的；遇到信息不足、原文有歧义或机器输出不可靠的地方，应明确指出，不能用流畅的表述掩盖不确定性。

再判断偏差会带来什么影响。同样一个词的误译，放在一般性介绍里和放在关键说明里，后果可能完全不同。审核投入需要与使用场景和风险高低相匹配，不能只按文本长度或表面难度来分配。

最后，把判断结果落实到工作安排中。哪些内容需要复核，谁有权确认交付，发现问题后如何处理，都应在项目开始时明确。客户也需要提供必要的背景和用途说明，让专业人员有条件作出判断。

译员需要能够说明自己的判断

AI 时代的专业能力，既包括发现问题，也包括把问题讲清楚。只说“这句不自然”或“机器译得不好”，往往不足以让客户理解修改的必要性。说明原译文在哪里偏离了原意、可能引起怎样的误解、为什么改用另一种表达，专业意见才更有说服力。

这要求译员在语言能力之外，持续积累领域知识和工具使用经验。了解 AI 容易在哪些条件下出错，区分原文问题与译文问题，识别需要向客户确认的信息，都会影响最终质量。熟悉工具的价值，也体现在知道什么时候不能直接采用它的输出。

人才培养同样可以围绕实际工作中的判断来设计。除了训练语言转换、术语和记忆等基本功，还可以让学习者评估机器译文、处理有歧义的原文、解释修改理由，并讨论不同用途对质量要求有何影响。这样培养出来的能力，更容易与实际项目接轨。

与此同时，译员要承担更多审核和风险识别工作，就需要获得相应的信息、时间和授权。不能一方面要求译员为质量把关，另一方面又把他们限制在无法查证、无法提问、无法调整的处理流程里。

服务价值需要在客户看得见的地方体现

对语言服务企业来说，这场变化也涉及服务设计。AI 能够加快初稿生产，但客户还需要知道：交付内容适合什么用途，经过哪些检查，哪些问题已经确认，哪些地方仍需进一步核实。把这些事项说明白，有助于客户理解服务差异。

采购方式和质量评价也需要作出相应调整。如果采购时只比较字数和单价，专业审校、术语核实、风险提示等工作就容易被当成附带服务。只有把这些工作纳入明确的交付范围，才有可能为其配置合理的资源。

要把专业判断变成客户认可的服务，需要在实际项目中不断积累：把领域专长、质量要求和责任分工落实到具体工作中，让客户明白这部分投入为什么必要。

当译文越来越容易生成时，真正值得投入的，是判断它能否在具体场景中可靠使用的能力。只有能够查清含义、解释选择、发现风险，并帮助客户建立清晰的质量流程，语言服务才能把效率的提升转化为更可信的沟通。

参考资料：本文根据《MultiLingual》杂志 2026 年 10 月刊的“Translating on Shifting Ground: Reframing Translation and Interpreting in the AI Era”一文改编，原文作者为 Hammouda Salhi。