谷歌、DeepL、ChatGPT 翻译同一段英文:差异、成因与选型建议
用一段眼科科普英文分别交给谷歌翻译、DeepL、ChatGPT、百度翻译,逐句对照能看出机器翻译的三类典型问题:同位语被误读、专业术语未对齐、中文补动词时语义漂移。本文整理这些差异背后的原因,给出按场景选引擎、写翻译提示词、维护术语表和译后编辑的可操作清单,并说明机器译文在什么情况下不能直接用。
机器翻译早就不是“应急工具”了:读外文资料、看论文摘要、处理邮件,很多人第一反应是直接丢进翻译框。但“能看懂大意”和“能直接拿来用”之间,往往差着一整轮人工校对。
有人拿一段眼科科普英文做了实测,分别用谷歌翻译、DeepL、ChatGPT 和百度翻译处理,再逐句比较。结论并不是某一家全面胜出:ChatGPT 和 DeepL 各有胜负,讨论区里又补上了搜狗、有道,还围绕“通顺”和“忠实”谁更重要争了起来。这些分歧其实很有价值,下面把它们整理成可复用的判断方法。
这次对比暴露的三类问题
四家译文整体意思相近,真正拉开差距的是几个关键句。
| 原文要点 | 典型译法 | 问题所在 |
|---|---|---|
| the transparent cover of the eye(角膜的同位语) | “你的角膜是透明的眼睛,它的形状是弯曲的” | 把同位语当成判断句,读者容易理解成“角膜=眼睛” |
| refractive errors | “屈光不正”/“折射误差” | 术语没对齐,专业读者一眼就能看出问题 |
| rely on glasses or contacts for vision | “获得视力”/“维持视力”/“保证视力” | 中文必须补一个动词,补哪个词直接改变语义 |
| cornea isn't perfect | “角膜形状不完美” | 字面没错,但医学语境下“不完整”“形态不规则”更贴切 |
通顺和忠实,在这里真的会冲突
争议最大的是这句:Some people's jobs or responsibilities make it difficult to rely on glasses or contacts for vision.
DeepL 译成“很难依靠眼镜或隐形眼镜来维持视力”,保留了原文“make it difficult to rely on”的结构,主语仍然是“人”。ChatGPT 译成“依赖眼镜或隐形眼镜难以保证视力”,读起来更顺,但主语悄悄从“人”换成了“依赖眼镜这件事”,语义发生了偏移。
所以判断哪种做法更合适,取决于用途:
- 正式出版、医学、法务、合同类文本:优先选“可核对”,宁可句子生硬一点,也不要让主语、否定、情态发生漂移。
- 内部阅读、快速理解、二次加工前的草稿:优先选“读得顺”,后续还会有人重写。
- 双语对照审校场景:所有“为了让中文更顺而改写结构”的句子都要单独标出来核对。
各家引擎的特点与适用场景
与其排座次,不如按特点分工。
| 引擎 | 相对优势 | 相对短板 | 适合的场景 |
|---|---|---|---|
| DeepL | 术语稳定、句子连贯,欧洲语言互译表现均衡 | 对中文表达习惯的把握一般,长句偏直译 | 正式文档初翻、术语密集的技术资料 |
| ChatGPT | 可以一次性给出读者对象、术语表、风格要求;能对话式追问和改写 | 容易“意译过头”,在没人盯着的句子上自作主张 | 需要按风格定制、需要反复打磨的稿件 |
| 谷歌翻译 | 语种覆盖广、速度快、结果稳定可预期 | 倾向逐字对应,中文语序生硬 | 小语种、短句、快速了解内容 |
| 百度/搜狗/有道 | 免费、延迟低,中文语感在部分句子上更自然 | 术语和长难句稳定性不足,偶有理解偏差 | 日常阅读、网页快速浏览 |
几个值得留意的观点:
- “能不能喂上下文”是 ChatGPT 的分水岭。 翻译工具通常只能选一个领域标签,而对话式工具可以补充背景、给出术语表、说明目标读者,效果差别很大。
- “专业翻译引擎”和“聊天模型”不是同一条赛道。 有人据此认为通用聊天模型的翻译不如老牌引擎,但实测中它在语感上反而更好。更准确的说法是:通用模型上限更高,下限也更不稳定。
- 中文母语者的语感判断不可替代。 多份译文放在一起时,往往不是谁“错了”,而是谁的用词更接近中文读者的习惯。
把机器翻译用出接近可用的水平
1. 按文本类型先选一次引擎
技术文档、法律条款优先 DeepL 打底;营销文案、科普、需要口语化的内容优先用 ChatGPT;只有几百字的短内容、小语种,直接用免费引擎看完即可。别指望一个引擎通吃。
2. 给 ChatGPT 一份明确的“翻译任务书”
把要求写进提示词,比反复说“再润色一下”有效得多:
你是专业译者。把下面的英文翻译成简体中文。
要求:
- 目标读者:没有医学背景的普通读者
- 术语表(必须严格遵守):cornea=角膜;refraction=折射;
refractive errors=屈光不正;refractive eye surgery=屈光手术
- 保留原文段落结构与 Markdown 标记,不增删内容,不加解释
- 遇到术语表未覆盖的专业词或有歧义的短语,按字面译出,
并在该句后用【待确认】标注原因
- 只输出译文
原文:
……
关键在于最后两条:要求它标注不确定的地方,比要求它“翻译准确”更可执行——你能一眼看到哪几句需要人工核对。
3. 维护一份自己的术语表
同一个项目里,术语前后不一致比偶发错译更伤。做法很简单:把项目里的核心名词、产品名、缩写整理成两列表格(原文/指定译法),每次翻译都附上;新增术语随时补进去。
4. 多引擎对照只用来“定位问题”
把两三份译文并排看,重点不是选一份照抄,而是找出各家译法不一致的句子——那些句子几乎一定是原文有歧义或结构复杂的地方,正好是需要人工确认的位置。
5. 译后编辑检查清单
- 术语是否全文统一,是否与术语表一致
- 数字、单位、百分比、时间是否与原文一一对应
- 否定词和情态动词(may/can/should/must)强度是否被改写
- 主语有没有在长句中被悄悄换掉
- 长句拆分后,因果、条件关系是否还成立
- 中英文标点、全半角、书名号与引号是否统一
6. 批量处理时的运行环境
如果要翻译整本文档或整站内容,通常会写脚本逐段调用接口。这类任务的特点是耗时长、怕中断:本地机器休眠、网络抖动都会让流程半途而废。除了加重试和断点续跑,也有人把脚本放到一台长期在线的远程机器上跑,比如部署在新加坡机房的独享 Mac,按月租用、远程连接、不依赖本地电脑开机——属于可选方案之一,是否值得取决于任务量和稳定性要求。
几个需要提前说明的前提
- 单段样本不构成结论。 一段科普文本的表现,不能推广到所有语言对和所有领域。文学、口语、代码注释、字幕,各有各的难点,最好用自己手头的真实材料做小规模测试。
- 高风险领域必须人工审校。 医疗、法律、金融文本的机器译文只能作为初稿,最终稿需要具备相应背景的人逐句核对,这一点没有捷径。
- 注意内容外发风险。 未公开的合同、内部资料、含个人信息的文本,上传前先确认服务条款与数据使用方式,必要时改用可私有部署的方案或先做脱敏。
- 走官方渠道获取服务。 共享账号、代充、非官方镜像之类做法存在账号被封、数据不可控和合规风险,长期使用不划算;需要稳定调用时,优先选择官方支持的方式。
- 工具迭代很快。 各家引擎的模型和能力持续更新,具体表现请以官方最新说明和自己实测结果为准。
小结
机器翻译已经足够胜任大量重复性的初翻工作,但它交付的是“草稿”,不是“成品”。比较务实的做法是:按文本类型选一个主引擎打底,用术语表约束关键名词,让模型把不确定的地方标出来,最后按清单做一遍译后编辑。至于哪家最强,与其等一个统一答案,不如准备好自己那套测试材料——毕竟真正决定译文能不能用的,是具体场景,而不是排行榜。