翻译记忆库：定义、原理及其对 AI 本地化的重要性

如果你的团队负责翻译产品内容、技术支持文章、文档资料、营销文案或软件字符串，你一定经常遇到同一个难题：

• 同样的短语反复出现，
• 但每一次都要重新翻译、审校和核准，极其耗时。

这正是翻译记忆库旨在解决的问题。

翻译记忆库（简称 TM）是翻译系统中用于存放团队已审核译文的地方。它将原文与最终译文成对保存，这样下次遇到相似的内容时，你就不必再从零开始了。

传统的翻译工具曾利用它来节省时间。而在 AI 时代，它的作用愈发关键：它能向模型展示您的翻译标准，明确预期的翻译决策。其成效极其显著：

• 交付更迅速（无需重复翻译样板内容、免责声明或重复的 UI 文本）
• 成本更低，不仅是因为可以复用既有译文。通过充分的 TM 引导，Transept 团队成功让成本仅为四分之一的模型达到了旗舰级模型的水平
• 风格更一致（几年前确定的翻译决策，在每个新功能中都能得到沿用）。

但在 AI 翻译中，该如何应用翻译记忆库？

• 术语库和风格指南是否也属于翻译记忆库？又该如何确保它们实时更新？
• 如何界定哪些内容才算相关的翻译记忆库片段？
• AI 需要多少上下文？多少算不足，多少又算过剩？
• 如何确保客户的版权及敏感信息绝不会泄露给其他客户？

这正是我们在 Transept 必须弄清楚的问题。当翻译主体不再仅仅是人类时，翻译记忆库究竟意味着什么？我们又该如何让翻译人员与记忆库的协作变得有意义，而不是让他们整天处理一堆毫无营养的低质内容？

正是这个问题，让我们开启了一场深度的探索。

AI 翻译中的翻译记忆库究竟是什么？

传统上，翻译记忆库是一个由已翻译文本对构成的结构化数据库。每一对通常包含：

• 源片段（原文）。
• 目标片段（译文）。
• 元数据——译者、审核时间、上下文背景。

当翻译人员打开新文档时，TM 软件会扫描文本并与数据库进行比对；一旦发现匹配项，便会推荐之前的译文。

这是传统的 CAT 定义。一旦使用大语言模型和代理式翻译系统，还会涉及其他几种产物：

• 随翻译进度动态生成的术语库，用于确保 AI 术语使用的一致性。
• AI 代理在相互交接工作时生成的交接笔记和摘要。
• 代理在翻译、编辑和校对过程中产生的思考轨迹——即每个决策背后的逻辑依据。
• 代理与人类之间的讨论背景：包括聊天记录、回复串、搜索历史以及 Slack 或 Teams 中的上下文信息。

图 2 · 翻译记忆库记录剖析

现代翻译记忆库存储内容解析

传统 CATAI 时代（智能体）

仅原译文对

原文Pure steel rejects lacquers and paints

译文«Чиста сталь відкидає лаки та фарби»

元数据批准人 · 日期 · 文件与上下文

……以及智能体额外保留的内容

思维轨迹

weighing  "rejects lacquers and paints"
  ├ literal    «відкидає лаки та фарби»   keeps the metaphor ✓
  ├ smoother   «не приймає покриття»      clearer, but flattens it
  └ decision   go literal, the bluntness is the point

术语库

steel → сталь🔒paints → фарби

交接笔记

译者 → 审校

“Kept the steel metaphor literal. Check it reads naturally in UK.”

讨论

Maria is «відкидає» too harsh for a product line?

Literess It mirrors the source’s bluntness. I’d keep it.

切换至 AI 时代，查看智能体流水线新增的产物 →

这些信息对人类依然有用，但对 AI 来说却至关重要。它让模型能够重构出人类译者在文档、大脑和对话中承载的上下文。讽刺的是，大语言模型驱动的翻译比人类更需要 TM 和 CAT 工具——毕竟，人类只需纸、笔和字典就能顺利完成翻译。

翻译记忆库匹配的工作原理

TM 软件将内容拆分为较小的单位，称为句段——通常是一个句子、一个标题或一个按钮标签。接着，它会寻找匹配项。TM 如何搜索匹配项是整个领域中最重要的课题。

• 完全匹配：新句段与数据库中的某个句段 100% 相同。软件可以自动填充译文。
• 模糊匹配：相似但不完全相同。软件会将其标记出来，供人工审核、更新或参考。这通常由“稀疏搜索”驱动——搜索句子中的每个单词或词干，然后根据数据库句段中包含相同单词的数量进行评分。
• 语义匹配：即使没有任何单词重叠，数据库中的某个句段也具有相似的含义。这使用的是稠密搜索——即向量嵌入和检索，也就是常见的 RAG（检索增强生成）玩法。

传统的翻译记忆库依赖于精确匹配和模糊匹配。大语言模型带来了语义层。但仅靠语义搜索还不足以实现良好的性能。

在文学翻译中，模糊术语匹配对于保持专有名词和背景设定的一致性至关重要。在医疗领域，同一事物可以有多种表述方式，语义搜索本应有所帮助——结果却适得其反。对于通用领域的嵌入器来说，回肠（ileum）与髂骨（ilium）之间的差异，就像深红（crimson）与鲜红（scarlet）之间的距离一样微小。

（回肠是小肠的末端；髂骨是髋骨上部较大的部分。这两个词完全不相关，但在通用领域的语义空间中，它们都被归结为“医疗相关内容”。）

因此，护栏机制必不可少。到 2026 年，翻译记忆库的默认配置将包括：

• 混合搜索：整合精确匹配、模糊匹配和语义匹配，从过往翻译历史中筛选出最相关的结果。
• 重排序：根据实际上下文对候选译文的相关性进行重新评分。
• 树遍历：人工或智能体可以从某个匹配项跳转到其最近邻，从而对数据库进行深入探索。

市场上其他工具如何处理翻译记忆库

任何专业的本地化工具都能存储过往的翻译并再次推荐。而真正核心的问题是：系统记住了什么？何时信任这些记忆？以及随后在何处使用这些记忆？

从这个角度看，市场可以划分为三个层级：记忆即复用、记忆即治理、以及记忆即 AI 燃料。Transept 则押注于第四个层级：记忆即决策上下文。

第 1 级：记忆即复用

传统的 CAT 工具回答了翻译记忆库最古老的问题：“这段话我们以前翻译过吗？”

它们并不简陋——许多工具都支持上下文感知匹配、片段召回、机器翻译插件、团队服务器以及强大的编辑器工作流。但记忆库大多只是在编辑器旁充当建议来源。它能帮译者复用旧作，却通常无法记录当初为何在不同译法中做出特定选择。

• Trados / RWS 是 CAT 工具的经典基准——擅长完全匹配、模糊匹配、一致性搜索以及上下文完全匹配，且如今更广泛的 Trados 生态系统已融入了 AI 和 Language Weaver 工作流。但从 TM 层面来看，其核心理念依然是在 CAT 环境下的句段复用。
• memoQ 在上下文处理方面将传统的 TM 发挥到了极致。其 101% 和 102% 匹配功能会判定同一句段是否出现在相同位置——这对于软件字符串、重复标签和结构化文件至关重要。检索固然智能，但系统记住的对象本质上仍是语境中的句段。
• Wordfast 保持了 TM 的便携与实用。Wordfast Anywhere 为译者提供基于浏览器的共享 TM、术语库、QA 和机器翻译。其价值在于便捷性与复用，而非对决策过程的深层记忆。
• OmegaT 和 CafeTran 证明了专业级的复用并非企业级软件的专有功能——它们提供免费开源的模糊匹配、匹配传播、多重翻译记忆库和术语库支持，并为高级用户配备了面向团队的翻译记忆库服务器。

因此，行业门槛已经很高了。即便是低成本和独立开发的工具，在记忆与复用翻译方面也表现出色。真正的商业竞争，在于如何超越单纯的复用。

第 2 级：记忆即治理

接下来的一组工具提出了一个不同的问题：“针对特定的客户、团队、项目或工作流，哪些记忆内容是值得信赖的？”

• Phrase TMS 将记忆库视为大型平台中的一种受控资源——涵盖了 TM、术语库、机器翻译引擎配置、Phrase Language AI、质量评分及 QA。虽然覆盖面广，但 TM 本身主要存储的依然是可复用的句段。
• Crowdin 在项目层面提升了记忆库的实用性：自动创建项目 TM、可选仅存储已审核的译文，并区分了普通的 100% 匹配与“完美匹配”（文本与上下文均一致）。它能预填充字符串，但记住的仍是审核通过的文本，而非背后的决策逻辑。
• Smartcat 围绕协作关系（客户、部门、工作区、AI 翻译配置）来组织记忆库，能自动关联相关的记忆库和术语库，并支持设置一个可写 TM 及多个只读 TM。其优势在于自动路由与权属管理。
• XTM Cloud 将记忆库视为需要状态管理与保护的资源：条目可标记为已审核或未审核，原始机器翻译不会被自动保存，带有修订记录的句段在被接受或拒绝前处于待定状态，且可以通过设置决定是否推荐未审核的记忆内容。其核心在于对信任机制的管控。
• Wordbee 将持久化翻译记忆库与临时项目记忆库区分开来。项目记忆库会捕获实时工作内容，并在翻译过程中即时提供句段建议；随后，有价值的部分会被整合进主记忆库。这种方式贴近实时文档语境，但本质上仍是句段存储。
• Bureau Works 侧重于管控——记忆库与部门关联，并设有读写权限（普通译者可以使用，但只有语言负责人可添加条目），且提供一个融合了 TM、大语言模型 (LLM)、传统机器翻译和术语库的统一推荐流。其功能强大，偶尔令人应接不暇，且最终判定仍取决于审阅建议的人员。
• MateCat 是一款接入了 MyMemory (TM) 和 ModernMT (MT) 的 Web CAT 编辑器。公有和私有记忆库共同驱动机器翻译建议，译者的实时更正也会在工作过程中不断优化输出——这更接近于“TM 驱动的自适应机器翻译”，而非简单的“TM 与机器翻译并行”。即便如此，这里的记忆库指的依然是句段、匹配项和更正记录。

第 3 级：记忆即 AI 燃料

最新的一组工具探讨的是，当 AI 生成、编辑或从翻译中学习时会发生什么。机器输出的内容能否转化为记忆？是否需要先经过审阅？质量评分能否取代人工审核？TM 能否直接驱动引擎本身？

• Lilt 将 TM 视为自适应机器翻译的燃料——已确认的翻译单元和术语库数据能随时间推移不断优化预测性建议。其核心在于引擎内部的自适应预测，而非涵盖评论、被否决的备选方案以及审阅逻辑的更广泛记忆。
• Smartling 明确了译文的出处：AI 输出的内容可以存入独立的“机器生成翻译记忆库”，而人工翻译或经人工验证的内容则保留在常规 TM 中。这是一种强大的信任模型——AI 输出内容可供复用，但绝不会在未经声明的情况下冒充人工审核的结果。
• Lokalise 将审阅视为信任关口：当审阅者在“审阅任务”中接受 AI 或机器翻译的内容时，即使未对文本进行任何修改，这些内容也可以进入 TM。AI 输出可以转化为持久记忆，但必须经过人工环节——这增加了操作阻力，对于那些决策发生在实战一线、需要立即记录下来的小型团队来说，并非理想选择。
• Transifex 使用 TQI 作为自动化关口。通常情况下，生成的译文未经审阅不会进入 TM，但 Transifex AI 可以利用其“翻译质量指数 (TQI)”为译文打分，一旦分值超过预设阈值，译文即可自动添加。问题在于：你必须信任这套私有的评分指标。
• Phrase Language AI 充当了编排层——它在不同引擎和智能代理工作流之间调度任务，利用质量预估、应用术语库、管理机器翻译配置，并支持自带引擎。其系统设计非常出色，但 TM 在其中依然只是与机器翻译、术语库、QA 和路由并列的输入项之一。

我们发现的市场空白

在所有这些工具中，市场在存储最终译文、区分人工与机器输出、调用合适的记忆库以及判定 AI 输出何时可复用方面已日趋成熟。我们将这一切都视为默认的基础配置。

仍然罕见的是对翻译周边工作的记忆。很少有工具会保留被否决的备选方案、评论、审阅历史、搜索上下文、审批逻辑，以及解释为何某个版本最终胜出的决策路径。翻译过程自然会产生这些“工程金矿”，但几乎没有人费心去挖掘它们。

更为罕见的是将这些历史记录反馈给性能强大的大语言模型，使下一次翻译能够利用其推理逻辑，而不仅仅是参考最终输出。

这正是我们在 Transept 押下的赌注。无论句子本身多么重要，翻译记忆库都不应只记住句子。它应该记住那些让句子变得可靠的工作。TM 必须成为人类和 AI 共同享有的决策上下文。

图 7 · 记忆即决策背景

Transept 记录译文背后的工作点滴

已批准的句段 · EN → FR · 习语

It costs an arm and a leg

«Ça coûte les yeux de la tête»

所有工具都会存储此内容

传递给下一项翻译的上下文已保留 1 / 7

+被舍弃的备选方案添加

✓«Ça coûte les yeux de la tête»· the French idiom, same idea and register

✗«Ça coûte un bras et une jambe»· a literal calque, reads as a translation

✗«C’est très cher»· accurate, but flattens the colour

+思考轨迹添加

"costs an arm and a leg": an idiom, translate the meaning
  · a literal calque would read as a translation
  · plain "très cher" is accurate but loses the colour
  → use the French idiom for the same idea

+QA 检查结果添加

✓idiom mapped, not calqued

✓register matches source (casual)

⚠length checked, fits the button

+版本记录添加

v1machine«un bras et une jambe»

v2Literess«les yeux de la tête»

v3humanapproved · current ✓

+讨论记录添加

Maria Keep the body-part image, or go fully idiomatic?

Literess French has its own: «les yeux de la tête». Same register, lands natively.

+全渠道背景信息添加

🔍web: “arm and a leg french equivalent”📖dictionary: coûter les yeux de la tête💬comment: matches our playful brand voice

展开所有图层

目前，后续翻译仅能看到最终句段，这便是市面上通用工具所保留的记忆。风格可以模仿，逻辑却无法复现。

Transept 如何实现翻译记忆库

在 Transept，我们致力于为大语言模型所能达到的翻译质量树立行业标杆。

回想起我们还是缺乏资金的独立作者和译者时，AI 是我们唯一能触及的方案。大语言模型若没有人类的参与，就无法发挥其全部潜力——而这种参与正是世界上最宝贵的资源：即某个人生命中的时光。因此，我们没有将记忆库视为一个被动的数据库，而是将其打造为工作流中一个活跃的参与者。它在不断汲取，也在不断回馈。

混合搜索与细粒度过滤

Transept 的翻译记忆库采用模糊匹配与向量检索相结合的混合搜索模式，兼具速度与准确性。但检索只是成功的一半，另一半在于对检索内容的精准控制。

您可以精确筛选进入记忆库的内容：既可以调用整个组织的资源库，也可以缩小范围至某个团队的作品集，或是仅限于单个项目。默认情况下，系统仅包含通过 TMS 状态标记的已人工审核文档，但您可以在团队、文档或项目层级灵活调整这些规则。

无论是人类译者还是 AI 智能体，都能查看到最相关的历史翻译记录——包括曾被否决的备选方案以及最终决策背后的讨论过程。您看到的不仅是最终选定的译文，更是其背后的考量。

梯度翻译记忆库锚定

针对自动化 AI 工作流，我们构建了所谓的“梯度翻译记忆库锚定”技术，旨在提升大语言模型的表现：

• 实时文档同步：在翻译过程中，AI 不仅会读取已审核的翻译记忆库来源，还会参考同一文档中的前序句段——即便没有严格的术语库或风格指南，也能确保术语、风格和翻译决策的一致性。
• 安全校对：当 AI 进行校对或润色时，同一文档中的句段只有在被 AI 编辑器标记为“已审核”后才会被用作上下文。这能防止模型产生幻觉，或导致之前的错误再次出现。
• 并行智能体同步：当多个智能体同时翻译超长文档时，它们的记忆库会持续同步，从而在全文范围内传递翻译决策。这曾是一个巨大的技术瓶颈——但它将一份 4 万字文档的翻译时间从 8 小时缩短到了 50 分钟。

扩展语境与工作流控制

在掌握了捕捉优秀决策与人类才智的方法后，我们进一步深挖，致力于提供深层语境支持与便捷的工作流：

• 全渠道语境：通过聊天、评论和文档搜索，人类译员和 AI 都能找寻翻译背后的深层背景——包括网页搜索、词典查询、编辑器评论，以及与队友和 Literess 的讨论。
• 可灵活配置的工作流：Transept 的自动化工作流同样能利用翻译记忆库 (TM) 来提升文档质量。我们不强制使用默认设置，而是允许团队针对每个环节自定义记忆库的运作方式。
• 版本方案追溯：通过翻译版本日志，团队可以清楚地查阅在众多 AI 或人工草稿中最终采纳了哪一个——从而让记忆库不仅能模仿风格，更能还原翻译背后的逻辑。
• 校对层中的 Literess：Literess 将记忆库直接引入校对环节。她利用术语库、风格指南、文档语境、前序句段、QA 结果以及翻译历史，对文档进行批注、解释问题、提供修改建议，并协助人工校对员做出最终定夺。

人机功能对等

Transept 核心理念之一便是“功能对等”。考虑到译员的工作流千差万别，我们确保所有工具、记忆层和语境窗口对人类专家和 AI 代理均一视同仁，提供同等支持。

其结果是，记忆层得以主动参与到翻译工作中。系统不再需要人工手动查阅旧文件以确认某个词的译法，而是在起草阶段就将相关语境推送给 AI，在 QA 环节利用这些信息标记错误，并将其呈现给人工校对员。

团队得以从繁琐的一致性检查中解脱出来，重新专注于判断表达是否地道。AI 负责查缺补漏，而 Transept 则会记录下翻译过程中的每一个创意选择或法律层面的决策。