9.0
重磅
AI SCORE
技术实践2026-08-06 16:16
生产级 LLM 字幕翻译的完整工作流
dev.to · AI#LLM 翻译#质量评估#工作流
Editor brief · 编辑速览
作者基于三个月、16 种语言的实践指出，字幕翻译的难点在于发现错误、局部修订并度量整体质量，而不只是优化提示词。生产流程需要组合首轮翻译、确定性校验、LLM 审核、定向重译和高风险内容人工复核。
构建覆盖 16 种语言的多语言字幕翻译工作流三个月以来的经验
LLM 字幕翻译最难的部分，并不是偶尔获得一次高质量的翻译。
真正困难的是检测模型何时出错、仅修复受影响的字幕行，以及衡量整个系统是否确实得到了改进。
过去三个月里，我一直在研究基于 LLM 的视频字幕翻译，将中文字幕翻译成包括英语、日语、韩语和西班牙语在内的多种目标语言，共覆盖 16 种语言。
在处理生产用例之前，我曾认为核心问题很简单：选择一个能力足够强的模型，再编写一个足够详细的提示词。
但这一设想没能经受住生产环境的检验。
一条字幕可能在语义上合理，却仍然无法使用：它可能太长、被分配给错误的字幕 ID、与既定角色名称不一致、使用了错误的语体，或者混入了尚未翻译的源语言文本。
因此，一个可靠的生产工作流需要的远不止翻译提示词。它需要初次翻译、确定性验证、基于 LLM 的审查、针对性修订、针对高风险情况的人工审核，以及一个能够将失败案例转化为评估数据的反馈闭环。
本文中的示例均经过简化和匿名化处理。文中的结论来自视频字幕翻译，不一定能直接适用于文学、法律或其他专业翻译任务。
一般的文本翻译通常围绕含义、流畅度和风格进行评估。
字幕还增加了几项额外约束：
每条源字幕都必须与正确的字幕 ID 保持对应；
文本必须能够在其屏幕显示时长内被读完；
角色名称和项目术语必须保持一致；
换行和标点必须遵循特定语言的规范；
输出中不得包含解释或多余的格式内容；
压缩文本时不得删除会改变剧情的信息。
这些目标之间可能相互冲突。
降低 CPS（即每秒字符数）或许能提高可读性，但也可能造成重要信息丢失。过于机械地保留中文的分行边界，则可能导致目标语言中的语序不自然。
因此，系统需要明确的优先级顺序。
在我目前采用的方法中，优先级如下：
语义准确性和完整性 > 字幕对齐和术语一致性 > CPS 和可读性 > 风格润色。
核心原则很简单：
绝不能为了解决低优先级问题而制造高优先级问题。
对于一条略长的字幕，应当进行修订，但不能以改变否定含义、数字、人物关系或关键剧情事件为代价。
初次翻译仍然是最重要的语义生成阶段。
如果模型误解了说话者的意图、角色之间的关系或否定表达的作用范围，后续的格式规则就无法可靠地还原原意。
来看一个经过简化、用于表达不确定性的中文源句：
她不会发现我拿这笔钱给别人买了房子吧？
一个有问题的译文实际表达的可能是：
她永远不会知道我拿这笔钱买了房子。
整体事件仍然可以辨认，但几个重要细节已经发生了变化：
不确定变成了确定；
焦虑的语气消失了；
“给某人买房”变成了单纯的“买房”；
参与者之间的关系变得更加模糊。
这种问题无法通过删除标点或缩短句子来解决。必须重新理解源文，并对受影响的字幕行进行针对性的重新翻译。
不过，强调初次翻译的重要性，并不意味着应把所有业务规则都塞进第一次翻译的提示词中。
一种更实用的职责划分方式是：
初次翻译应重点关注：
语义的准确性和完整性；
上下文、共指关系和角色关系；
否定、数字、时间及其他关键细节；
目标语言中的自然表达；
角色名称和关键术语。
确定性验证器应重点关注：
缺失的字幕 ID；
无效的输出结构；
违反 CPS 或长度限制；
重复标点；
明显无效的文字系统、字符或标记。
可以将其概括为：
初次翻译决定质量上限，验证器守住质量下限。
提示词应以获得正确结果为目标，但不应负责处理所有能够由软件进行确定性验证的条件。
面对翻译错误，一种常见的处理方式是不断添加否定性指令：
不要改变行数；
不要残留源语言文本；
不要输出解释；
不要超过长度限制。
这些指令很有用，但不断增长的禁令列表并不能告诉模型，当约束发生冲突时应该如何处理。
“保持简洁”可能与“不得遗漏信息”冲突。
“保留字幕边界”可能与“使用自然的目标语言语序”冲突。
一个更清晰的翻译提示词应当明确组织任务：
[Task]
Translate the source subtitles into the target language
for on-screen video subtitles.
[Priority Order]
1. Preserve semantic accuracy and completeness.
2. Preserve subtitle alignment and approved terminology.
3. Control length without losing meaning.
4. Improve naturalness and platform-appropriate style.
[Hard Constraints]
- Every input item must have exactly one output item.
- Do not omit, merge, or add subtitle IDs.
- Do not modify approved terminology.
- Do not output explanations or additional text.
- Follow the required output structure exactly.
[Soft Constraints]
- Use natural target-language syntax.
- Prefer concise, conversational phrasing.
- Avoid unnecessary repetition.
- Keep subtitles readable without removing critical meaning.
[Context and Terminology]
Provide relevant story context, character relationships,
and approved terminology.
[Output Protocol]
Return a stable format that can be parsed by software.
提示词最重要的作用并不是穷举所有可能出现的错误。
而是告诉模型：
哪些要求是强制性的，哪些要求属于优化目标，以及在发生冲突时应如何解决。
生成参数也需要结合具体模型和测试集进行评估。字幕翻译通常适合使用相对保守的生成设置，但并不存在一种对所有模型和所有语言都最优的通用 temperature 或采样配置。
即使提示词明确要求逐行一一对应，LLM 仍然可能：
合并两三条字幕；
将某一行的含义放到相邻的 ID 下；
返回数量正确的 ID，但其中的内容在语义上并未对齐；
为了让目标语言听起来更自然而重新组织字幕结构。
这里有一个重要区别：
生成约束并不等同于确定性保证。
要更可靠地保障字幕完整性，最好使用明确的协议：
Input:
101 | First source subtitle
102 | Second source subtitle
103 | Third source subtitle
Output:
101 | First translated subtitle
102 | Second translated subtitle
103 | Third translated subtitle
随后，软件可以验证：
每个预期 ID 是否都存在；
是否添加了非预期 ID；
是否存在空输出；
响应是否能够被解析。
但结构有效并不等于语义有效。
模型可能返回所有预期 ID，却把字幕 102 的含义放到了字幕 103 下。ID 集合虽然完整，内容却仍然发生了错位。
检测这种故障可能需要结合以下方法：
重复内容检测；
相邻字幕行对齐检查；
针对高风险内容的人工审核。
这就是为什么相比让模型“反思整段翻译”，我更倾向于进行针对性诊断。
检查翻译的准确性、流畅度和风格。
应当提出具体问题：
是否缺少任何字幕行？
哪一行包含未翻译的源语言文本？
特定行中是否缺少已批准的术语？
某条字幕是否疑似包含相邻 ID 的内容？
哪一行超过了可读性限制？
一个实用的工作流如下：
First-pass translation
→ deterministic validation and LLM-based checks
→ identify the affected IDs and error types
→ revise only the problematic lines
→ validate again
其运行原则是：
先检测，再根据错误类型进行分流，并且只修改确实需要调整的内容。
这可以减少不必要的模型调用，并降低修正一行时破坏其他多行正确译文的风险。
一句简短的中文疑问句，例如：
在另一种语言中可能会显著变长。
为了保证字幕的可读性，可能需要缩短译文，但在压缩之前，首先应该回答以下几个问题：
被删除的信息是否已经可以从画面或上下文中明确得知？
是否删除了否定、数字、关系或关键动作？
说话者的语气是否发生了变化？
原本明确的指代是否变得含糊？
更安全的 CPS 修订流程是：
判断长度超标是由直译、重复还是不必要的扩写造成的；
删除目标语言中可以自然省略的信息；
保留关键动作、否定、数字和关系；
压缩后重新检查语义和术语。
应将 CPS 视为一种检测信号，而不是盲目删减文本的许可。
在多阶段翻译过程中，人名、地名、组织名称和项目特有表达经常会发生偏移。
同一个角色可能出现以下情况：
在一行中使用音译，在另一行中使用意译；
在一个阶段使用全名，之后却使用不一致的缩写；
初次翻译时采用已批准的形式，但在 CPS 修订后被改成其他形式。
仅在提示词中写明“保持术语一致”可能并不足够。
更可靠的技术包括：
在翻译前检测并替换已批准的术语；
将已批准的术语作为受保护的锚点；
在翻译、审校和修订阶段始终使用同一份术语表；
在所有修改完成后，验证最终的术语使用情况。
这会让系统从：
希望模型记住术语
转变为：
主动保护已批准的术语。
多语言系统可以共享：
字幕 ID 协议；
重试和故障处理机制；
评估和回归工作流。
但不应盲目共享所有特定语言规则。
英语通常需要关注文本膨胀、受中文影响的语序、跨行句法、人名、货币和称谓形式。
日语需要谨慎处理性别化表达、敬语、第一人称代词和句末表达。由于中文和日文共享许多字符，如果把每个 CJK 字符都视为中文泄漏，就会产生误报。
韩语需要针对敬语、语序、句尾形式和文字体系泄漏进行特定语言处理。自然的语序变化不应自动归类为行对齐错误。
西班牙语需要关注语法性别、数的一致性、呼语标点和问号惯例。
更具可扩展性的设计是：
使用共享的系统架构，并配合特定语言的质量控制。
特定语言的配置可以包括：
CPS 和长度策略；
标点与空格；
源语言泄漏检查；
敬语和语法性别；
断行惯例；
验证器允许列表和例外规则。
对一种语言效果良好的检测器，应用到另一种语言时可能会变成误报生成器。
修改提示词、添加验证器或再引入一次 LLM 调用，并不自动意味着系统有所改进。
少数几个表现更好的示例可能只是个别现象。减少一种错误，也可能在其他方面引入回归。
一个有效的反馈闭环应记录：
初次翻译的输出；
修订前后的译文；
人工编辑后的最终版本；
模型和提示词版本；
术语表和规则版本；
延迟和模型使用量；
人工编辑的类型和数量。
有用的指标可以包括：
严重误译率和漏译率；
字幕对齐失败率；
术语一致性；
自动修订率；
人工编辑量；
初次翻译或轻度编辑后的通过率；
单位内容的成本和延迟。
字符编辑率可以作为衡量人工返工量的有效替代指标，但它本身无法衡量质量。
在项目的某个阶段，机器输出与最终人工版本之间的字符编辑率变化如下：
数值越低，意味着人工编辑修改的字符越少。
在这五种语言中，引入翻译智能体工作流后，字符编辑率显著下降。对于另外经历了提示词优化阶段的三种语言，编辑率进一步降低。
不过，不应将这一指标理解为翻译质量的完整衡量标准。
修正标点符号和纠正关键否定词，所涉及的字符修改数量可能相近，但二者带来的业务风险完全不同。
因此，字符编辑率应与以下错误分类体系结合使用：
高风险：含义颠倒、身份错误或人物关系被破坏；
中风险：遗漏、术语错误、数字错误或时间指代错误；
体验问题：表达不自然或 CPS 过高；
低风险：标点、空格和格式问题。
一个可靠的优化循环如下：
收集生产环境中的失败案例
→ 对错误类型和严重程度进行分类
→ 将代表性案例添加到回归测试集
→ 修改提示词、术语、规则或路由
→ 运行离线回归测试
→ 检查是否出现新的回归
→ 在有限流量下进行验证
→ 决定是否扩大变更范围
如果没有回归测试，就很容易只修复当前示例，却不知道还有哪些地方变得更糟。
经过三个月的多语言字幕翻译工作，我目前得出的结论是：
初次翻译决定了质量上限，但不应承担所有职责。
提示词设计的核心是明确任务优先级，而不是罗列无穷无尽的禁令。
生成约束无法替代确定性验证。
通用的自我反思并不总是有效；有针对性的诊断通常更加稳定。
多语言系统应该共享框架，而不是共享所有语言规则。
如果没有反馈和回归评估，所谓的改进可能只是一种局部印象。
面向生产环境的质量工作流可以概括为：
初次翻译
→ 确定性验证和基于 LLM 的审校
→ 有针对性的修订
→ 对高风险案例进行人工审核
→ 反馈与评估闭环
最终目标并不只是提高某个抽象的翻译分数。
在生产环境中，真正重要的是：
严重错误是否减少；
人工编辑时间是否缩短；
初次翻译通过率是否提高；
单位内容成本是否降低；
随着语言种类和内容量的增长，系统能否保持稳定。
LLM 字幕翻译的难点，不是偶尔生成一次译文。
真正的难点，是将概率性的模型输出转化为一个能够被检查、纠正、评估并持续改进的系统。
如需采取进一步措施，你可以考虑屏蔽此人和/或举报滥用行为。