Bạn nhận được một email dài bằng tiếng Anh từ một khách hàng ở nước ngoài. Bạn không có thời gian để viết thư trả lời. Trước mắt, bạn hãy bỏ nó vào DeepL hoặc, gần đây hơn là ChatGPT để chuyển nó thành tiếng Nhật và đọc trên màn hình. Bạn hiểu nội dung. Bạn có thể đưa ra phán đoán. Hoặc ít nhất, bạn cảm thấy mình đã hiểu.
Điều ngược lại cũng đúng. Bạn cần gửi một thông báo nội bộ bằng tiếng Anh, vì vậy bạn chạy một bản thảo viết bằng tiếng Nhật qua máy dịch, xem qua bản tiếng Anh kết quả, nghĩ "có vẻ ổn" và nhấn gửi. Phản hồi từ phía bên kia dường như không có gì đặc biệt lạ. Vì vậy bạn nghĩ, "Chắc lần này cũng ổn thôi."
Vấn đề là không ai ở phía này xác minh liệu nó có thực sự ổn hay không. Quy trình đối chiếu văn bản nguồn và văn bản đích, rồi đánh giá "phần này ổn," "phần này có rủi ro," hay "phần này là lỗi nghiêm trọng" đã bị thiếu trong các quy trình dịch thuật hiện đại.
Điều này không chỉ giới hạn ở email cá nhân. Nội dung tiếp thị, thông báo nội bộ, hợp đồng nháp, tài liệu IR, FAQ hỗ trợ — tất cả các loại tài liệu đã được đặt vào máy dịch trong vài năm qua. Khối lượng đã bùng nổ. Tuy nhiên, lớp kiểm tra chất lượng hầu như không tăng lên. Một số người nghĩ rằng họ đang kiểm tra. Họ gọi việc "đọc và không thấy khó chịu" là một sự kiểm tra. Không phải vậy. Đó không phải là kiểm tra; đó là sự ảo tưởng.
Và điều mà nhiều người bỏ qua ở đây là vấn đề này không chỉ xoay quanh máy dịch. Ngay cả đối với các bản dịch được đặt hàng từ các biên dịch viên chuyên nghiệp, hiện tại hầu như không có cách nào để khách hàng tự mình xác minh xem bản dịch có nhất quán với ý đồ của họ trong toàn bộ văn bản hay không. Họ đọc bản giao hàng, nghĩ "nó đọc giống tiếng Nhật" hoặc "nó có thể coi là tiếng Anh," và thế là xong. Không ai thực hiện nhiệm vụ xác minh, từng mục một, liệu công việc có được thực hiện theo đúng yêu cầu cho toàn bộ bản thảo hay không, vì vấn đề chi phí. Có lẽ chính xác hơn là nói rằng không có cách nào để làm điều đó.
Lĩnh vực đánh giá dịch thuật đã đảm nhận công việc giải quyết vấn đề này. Tuy nhiên, lĩnh vực này không hoạt động tốt như những người bên ngoài ngành có thể nghĩ.
Máy Dịch Không Hoàn Hảo Như Mọi Người Vẫn Nghĩ
Đầu tiên, cần phải xóa tan một huyền thoại.
Đầu ra của máy dịch và LLM vào năm 2026 chắc chắn đã ở một cấp độ khác so với vài năm trước. Đây là một sự thật. Đối với 80% nhu cầu sử dụng hàng ngày, con người không còn cần phải làm lại công việc đó nữa.
Tuy nhiên, điều tiếp theo lại bị hiểu nhầm. Trong 20% còn lại — đặc biệt là trong các tình huống mà bản dịch có một "mục đích" cụ thể — các hệ thống hiện tại vẫn không hoạt động một cách nhất quán. Cụ thể, có hai vấn đề xảy ra.
Một là sự dao động của ý đồ dịch thuật. Ngay cả khi bạn đưa cùng một văn bản nguồn vào cùng một mô hình hai lần và hướng dẫn nó "dịch như một bài phát biểu" cả hai lần, thì hai bản dịch thu được sẽ không có giọng điệu nhất quán. Một bản có thể mang tính kích động trong khi bản kia có phần dè dặt hơn. Điểm đến so với mục đích chỉ được xác định một cách xác suất.
Vấn đề còn lại là tính nhất quán trong các văn bản dài. Một tài liệu có thể dịch "contract" là "keiyaku" trong nửa đầu, nhưng lại chuyển thành "keiyakusho" trong nửa sau. Một giọng điệu trang trọng ở nửa đầu có thể chuyển nhẹ sang thân mật ở nửa sau. Danh từ riêng có thể xuất hiện dưới ba dạng ký hiệu khác nhau. Xét riêng lẻ, những điều này không phải là lỗi chết người. Nhưng đối với toàn bộ tài liệu, chúng bào mòn chất lượng như những cú đấm vào cơ thể.
Hơn nữa, những vấn đề này rất khó nhận ra chỉ bằng cách đọc đầu ra. Nếu bạn nhìn vào từng câu, tất cả đều là "câu đúng." Nguồn gốc của sự khó chịu xảy ra ở cấp độ tài liệu, chứ không phải cấp độ câu. Những độc giả không cảm thấy khó chịu cảm thấy an tâm khi nhấn nút gửi. Việc đó có phải là trạng thái mà họ nên cảm thấy an toàn hay không lại là một vấn đề khác.
Các vấn đề cấu trúc tương tự cũng xảy ra với các biên dịch viên con người. Sự mệt mỏi hoặc dao động trong phán đoán có thể len lỏi vào trong một tài liệu dài. Các chi tiết về thể loại hoặc phong cách ngôn ngữ có thể không hoàn toàn khớp giữa trang đầu và trang cuối. Những người kỳ cựu nhận thức được điều này, đó là lý do tại sao họ dành thời gian để tự đánh giá lại. Tuy nhiên, cũng không có cách nào để xác minh từ bên ngoài liệu quá trình tự đánh giá đó có hoàn chỉnh hay không.
Tóm lại, dù là máy móc hay con người, toàn bộ ngành công nghiệp đang thiếu một cơ chế để độc lập xác minh liệu chất lượng của một bản dịch có nhất quán "so với mục đích" và "trong toàn bộ văn bản" hay không. Đây là tình hình hiện tại.
Các Chỉ Số Chúng Ta Có Không Đo Lường Được Điều Chúng Ta Quan Tâm
Không phải là không có cơ chế xác minh. Có đấy. Vấn đề là chúng đang đo lường cái gì.
Hai chỉ số đánh giá tự động chính trong nghiên cứu máy dịch là BLEU và COMET. BLEU so sánh đầu ra với một bản dịch tham chiếu và đếm các chuỗi từ trùng lặp. COMET sử dụng một mô hình được huấn luyện sẵn để chấm điểm độ tương đồng về ngữ nghĩa. Cả hai đều hữu ích cho mục đích của chúng. Và cả hai đều có chung một tiền đề mà kỹ thuật không thể thoát khỏi: tiền đề rằng một "đáp án đúng" tồn tại, và đáp án đúng đó là bản dịch tham chiếu được đặt trong bộ kiểm tra.
Dịch thuật như một hoạt động không hoạt động theo cách đó.
Hãy mượn một câu từ văn học thiếu nhi Nhật Bản: "Ano otokonoko wa marude Momotaro mitai da." Đối với một người lớn lên ở Nhật Bản, Momotaro là một anh hùng trong văn hóa dân gian, người đã đánh bại yêu quái với một con chó, một con khỉ và một con chim trĩ. Gọi một đứa trẻ "giống Momotaro" mang hàm ý rằng chúng dũng cảm so với tuổi, có gan, và không nên bị đánh giá thấp dù chúng còn nhỏ.
Nếu bạn dịch câu này cho một độc giả tiếng Anh chưa từng nghe về Momotaro, có nhiều lựa chọn.
Bạn có thể viết theo nghĩa đen: "That boy is just like Momotaro." Bề mặt của bản gốc được bảo tồn hoàn hảo. Nếu bản dịch tham chiếu tình cờ giống như vậy, BLEU sẽ rất vui. Nhưng hầu như không có gì được truyền tải đến độc giả tiếng Anh. Ý nghĩa của câu hoàn toàn bị khóa trong một cái tên mà họ không biết.
Bạn cũng có thể viết: "That boy is so brave for his age." Bạn loại bỏ tính đặc thù văn hóa, nhưng ý nghĩa được truyền tải ngay lập tức.
Hoặc bạn có thể thực hiện một bước đi táo bạo: "That boy's another little Hulk." Đây là một lựa chọn táo bạo. Nó thay thế một tham chiếu khó hiểu về mặt văn hóa bằng một tham chiếu khác dễ hiểu về mặt văn hóa. Đó là một sự thích ứng cấy ghép "chức năng" chứ không phải "nội dung" của tham chiếu. Tùy thuộc vào yêu cầu (chi tiết đơn hàng), đây có thể là bước đi tốt nhất hoặc không phù hợp.
Đâu là câu trả lời đúng? Nó phụ thuộc vào các điều kiện. Nó phụ thuộc vào độc giả, phương tiện, phạm vi quyền quyết định được cho phép, phong cách ngôn ngữ của văn bản xung quanh, và khoảng mười hai yếu tố khác. Và tất cả những yếu tố đó tồn tại ở trên cấp độ câu, vô hình đối với các chỉ số chỉ nhìn vào câu.
BLEU ca ngợi những lựa chọn tình cờ khớp với bản dịch tham chiếu và trừng phạt mọi thứ khác, bất kể lựa chọn nào vượt trội hơn. COMET xếp hạng theo khoảng cách ngữ nghĩa và bỏ qua toàn bộ câu hỏi về hiệu ứng mà bản dịch sẽ tạo ra đối với người đọc. Cả hai đều không cho bạn biết "lựa chọn nào phù hợp với công việc này." Ngay từ đầu, ý tưởng thay thế nó bằng Hulk là một bước nhảy vọt mà một biên dịch viên con người có thể thực hiện, nhưng một chỉ số được đào tạo dựa trên sự gần gũi với bản dịch tham chiếu sẽ không bao giờ khen thưởng nó.
Hãy để tôi nói một điều quan trọng về dịch thuật. Không có một câu trả lời đúng duy nhất. Đối với mỗi dòng, các lựa chọn hợp lệ mở ra như một cái quạt. Chọn cái nào là quyết định của biên dịch viên. "Like Momotaro," "brave for his age," "a little Hulk" — tất cả đều là những lựa chọn có thể bảo vệ được. Công việc của đánh giá không phải là đoán bản dịch đúng duy nhất. Nó là để nhìn vào quyết định mà biên dịch viên đã đưa ra và nói thẳng thắn liệu nó có hiệu quả cho công việc này hay không.
Điều Gì Xảy Ra Khi Bạn Hỏi Trực Tiếp LLM
Nếu bạn muốn làm theo cách hiện đại, bạn có thể bỏ qua các chỉ số và hỏi trực tiếp một LLM. "Đây là nguồn, đây là bản dịch — nó thế nào?"
Cách này hoạt động tốt hơn bạn nghĩ, và tệ hơn bạn mong đợi.
Nó hoạt động tốt hơn bạn nghĩ vì LLM, về nguyên tắc, có thể lý luận về những thứ như phong cách ngôn ngữ, khán giả, tham chiếu văn hóa và hiệu ứng tu từ — những thứ mà BLEU và COMET không thể chạm tới. Nó có thể nhận thấy khi một câu mất đi nhịp điệu. Nó có thể chỉ ra rằng bản dịch Momotaro là khó hiểu.
Những lý do nó hoạt động tệ hơn bạn mong đợi có hai mặt, và trên thực tế, chúng có tác động cộng dồn.
Đầu tiên, các trục đánh giá thay đổi. Nếu bạn hỏi cùng một câu hỏi với cùng một mô hình hai lần, nó sẽ trả về các câu trả lời với các cấu hình chiều khác nhau. Lần đầu tiên có thể tập trung vào sự trôi chảy, lần thứ hai vào độ chính xác, và lần thứ ba có thể phát minh ra một danh mục mới giữa chừng. Bạn không thể so sánh các đánh giá trên nhiều tài liệu vì những gì đang được đo lường không nhất quán ngay từ đầu. Trong khi bạn đang đo lường, bản thân công cụ đo đang di chuyển.
Thứ hai là sự xu nịnh. LLM được huấn luyện khá mạnh để làm hài lòng người đối thoại. Nếu bạn đưa ra một bản dịch và hỏi "Cái này tốt chứ?", có xác suất cao nó sẽ nói "Nó tốt." Nếu bạn phản bác, nó sẽ đồng ý với sự phản bác của bạn. Mô hình đang tối ưu hóa cho việc "giả vờ lắng nghe và tôn trọng người dùng," chứ không phải cho việc "trở thành một người đánh giá máu lạnh." Đối với các mục đích sử dụng rủi ro thấp, điều này ổn. Nhưng đối với một người xuất bản dịch như một sản phẩm, một người chấm điểm bản dịch, hoặc một người mua bản dịch bằng tiền thật, đặc điểm này hoàn toàn ngược lại với những gì cần thiết.
Kết quả là, một tình huống kỳ lạ đã tồn tại. Thứ chúng ta muốn — một phương tiện để những người không chuyên thực sự xác minh bản dịch — đã không tồn tại một cách đúng đắn. Nếu bạn thuê ngoài dịch thuật, bạn chỉ phải tin tưởng nhà cung cấp. Nếu bạn sử dụng máy dịch, bạn chỉ phải khoanh tay cầu nguyện. Những người duy nhất có thể kiểm tra bản dịch một cách đáng tin cậy là những người đánh giá cấp cao, những người đã thành thạo cả hai ngôn ngữ ở mức độ mà họ không cần bản dịch ngay từ đầu.
CATER Đang Cố Gắng Làm Gì
Có một công cụ tên là CATER. Tôi ở phía phát triển của nó. Tôi tin rằng đây là nỗ lực nghiêm túc đầu tiên để giải quyết vấn đề này, vì vậy hãy để tôi giải thích nó làm gì.
CATER đánh giá bản dịch trên sáu trục rõ ràng: Độ Chính Xác Ngữ Pháp, Tính Toàn Vẹn Ngữ Nghĩa, Tính Nhất Quán Thực Tế, Tính Nhất Quán Thuật Ngữ, Tính Mạch Lạc Diễn Ngôn, và Tính Phù Hợp Giao Tiếp & Phong Cách. Các trục này không thay đổi giữa các lần chạy. Chúng luôn giống nhau mỗi lần. Nếu bạn so sánh Đánh giá A và Đánh giá B, sự so sánh đó có ý nghĩa.
Bản thân việc chấm điểm không được giao cho LLM. Mô hình chịu trách nhiệm xác định và mô tả đặc điểm lỗi, và một quy trình xác định tính toán các giá trị số dựa trên mức độ nghiêm trọng, cường độ bắt buộc và độ nhạy của trục. Nếu bạn chạy cùng một đầu vào hai lần, bạn nhận được cùng một con số. Điều này nghe có vẻ như một chi tiết triển khai nhỏ. Không phải vậy. Đây là ranh giới phân cách giữa một "công cụ" và một "bầu không khí."
Và điều tôi muốn dành một chút thời gian để nói đến là Yêu cầu Dịch thuật (Translation Brief).
Bản tóm tắt cho CATER biết bản dịch dùng để làm gì. Ai là người đọc, phương tiện là gì, nó nên tạo ra hiệu ứng gì, những gì có thể hy sinh, và những gì nhất định phải được giữ lại? Với một bản tóm tắt, đánh giá không còn là câu hỏi "cái này gần với một câu trả lời đúng trừu tượng nào đó đến mức nào?" Nó trở thành câu hỏi: "Bản dịch này có đang thực hiện công việc mà nó được thuê để làm không?" Theo những gì tôi biết, đây là câu hỏi duy nhất thực sự quan trọng.
Khi bạn cung cấp một bản tóm tắt, ví dụ Momotaro được giải quyết. Nếu bản tóm tắt là "Sách thiếu nhi cho trẻ em Mỹ, khả năng đọc hiểu là ưu tiên hàng đầu," thì "That boy is just like Momotaro" sẽ bị gắn cờ trên trục CSA vì tham chiếu không có tác dụng. "That boy's another little Hulk" có thể đạt điểm cao. Nếu bản tóm tắt là "Dịch thuật văn học cho một tuyển tập hàn lâm, giữ gìn tính đặc thù văn hóa," thì phán quyết sẽ ngược lại. Giữ nguyên dòng Momotaro như trong bản gốc là đúng, và thay thế nó bằng Hulk là sự bản địa hóa quá mức. Cùng một nguồn, cùng các lựa chọn, bản tóm tắt khác, câu trả lời đúng khác. Người đánh giá có thể thấy điều này vì bản tóm tắt là một đầu vào hạng nhất.
Nếu bạn không cung cấp bản tóm tắt, CATER sẽ bổ sung nó bằng suy luận. Trong thực tế, các bản dịch có bản tóm tắt bằng văn bản chỉ chiếm thiểu số. Nhưng luôn có một bản tóm tắt ngầm. Thể loại, phong cách ngôn ngữ và đối tượng mục tiêu giới hạn các ranh giới của một "bản dịch tốt." Một người đánh giá lành nghề đọc trong khi tự động tái tạo lại bản tóm tắt trong đầu. CATER làm điều tương tự một cách rõ ràng và hiển thị bản tóm tắt được suy luận trên màn hình. Nếu nó sai, một con người có thể sửa nó.
Áp Dụng CATER Cho Một Bản Dịch Đẳng Cấp Giải Nobel
Hãy để tôi đưa ra một ví dụ cụ thể. Đây không phải là đầu ra của máy dịch. Tôi sẽ chuyển bài nói sang dịch thuật văn học của con người từ rất lâu trước khi máy dịch xuất hiện.
"Xứ Tuyết" của Yasunari Kawabata, được dịch bởi Edward Seidensticker. Được dịch lần đầu vào năm 1956 và sau đó được sửa đổi, bản dịch Seidensticker này là tài liệu mà ủy ban tuyển chọn đã tham khảo khi Kawabata đoạt giải Nobel Văn học năm 1968. Nó có thể được gọi là đỉnh cao của thế kỷ 20 trong dịch thuật văn học Nhật Bản sang tiếng Anh. Khá khó để tìm một bản dịch của con người vượt qua được điều này.
Tôi đã chạy đoạn mở đầu của nó qua CATER. Không có bản tóm tắt rõ ràng nào được cung cấp; tôi để người đánh giá suy luận nó.
Điểm tổng thể: 58.8/100. Phán quyết là "Cần làm lại lớn." Đây là bảng phân tích theo từng trục:
Xin đừng vội kết luận. CATER không nói "Seidensticker dở." Ngữ pháp, sự kiện và cấu trúc logic đều đạt điểm hoàn hảo. Những gì bị phá vỡ là ý nghĩa cốt lõi và các hiệu ứng văn học — những phần hạn chế nhưng quan trọng. Và CATER chỉ chính xác vào nơi xảy ra sự phá vỡ đó.
"Yoru no soko ga shiroku natta" (Đáy của màn đêm trở nên trắng) được Seidensticker dịch là "The earth lay white under the night sky." Chẩn đoán của CATER là: cách diễn đạt ẩn dụ và tri giác "đáy của màn đêm" đã được thay thế bằng một cảnh khác, "mặt đất trắng dưới bầu trời đêm." Hiệu ứng ngữ nghĩa của bản gốc, nơi màu trắng trỗi dậy từ trong màn đêm, không được bảo tồn. Như một sự sửa chữa tối thiểu, "The bottom of the night turned white" được đề xuất. Đây là lý do chính khiến trục SI giảm xuống 25.
Một điểm nữa. Một cảnh một cô gái mở cửa sổ gọi to "như thể hét vào khoảng không, 'Thống chế! Thống chế!'" Bản dịch của Seidensticker là: "Leaning far out the window, the girl called to the station master as though he were a great distance away." Bản thân lời nói trực tiếp đã được thay thế bằng một mô tả tóm tắt. Nhận xét của CATER: "Sự cộng hưởng của chính lời gọi và tính tức thời của cảnh tượng bị mất đi. Bởi vì nội dung được nói ra đã bị xóa bỏ, cảm giác hiện diện như một sự tái hiện văn học bị suy yếu." Điều này đã đưa trục CSA xuống 0.
Cách đúng đắn để tiếp nhận những điểm này là Seidensticker hẳn đã có lý do riêng cho những lựa chọn này. Là một bản dịch văn học cho độc giả nói tiếng Anh vào những năm 1950, ông đã có ý thức chọn điều này trong khuôn khổ các chuẩn mực dịch thuật thời đó. Bản thân nhận xét của CATER không gọi đây là "dịch sai" mà coi nó là "một vấn đề giải thích mà phán quyết thay đổi tùy thuộc vào bản tóm tắt." Tuy nhiên, nếu bạn đặt hàng cùng một văn bản nguồn cho một dự án dịch văn học Nhật Bản hiện đại và viết một bản tóm tắt nói "Ưu tiên tái tạo bầu không khí thơ mộng của bản gốc," thì phán quyết sẽ là bản dịch này không làm tốt công việc của nó. Cùng một bản dịch, bản tóm tắt khác, kết luận khác.
Những gì tôi muốn bạn rút ra từ điều này không phải là bản thân điểm số, mà là ba điều.
Thứ nhất: Ngay cả một bản dịch để lại dấu ấn trong lịch sử văn học thế giới cũng có thể nhận được phán quyết "làm lại" dưới một bản tóm tắt cụ thể. Đây là bằng chứng cho thấy không có trần tuyệt đối nào cho chất lượng dịch thuật, đồng thời, là một minh chứng rằng đánh giá là một nhiệm vụ tương đối so với một bản tóm tắt.
Thứ hai: CATER không chỉ nói "cái này tệ," nó cung cấp các lựa chọn thay thế cụ thể để "sửa nó như thế này." Chẩn đoán và đơn thuốc được tích hợp. Bởi vì điều này, bên xem kết quả đánh giá có thể thực hiện bước tiếp theo.
Thứ ba: Ngay cả khi ngữ pháp, sự kiện và cấu trúc logic hoàn hảo, công việc như một bản dịch văn học có thể thất bại. Những thất bại không thể bị phát hiện bằng cách "đọc và không thấy khó chịu" sẽ xuất hiện một cách thích hợp trên các trục khác nhau. Kiểm tra đầu ra của máy dịch một cách yếu ớt như thế nào bằng cách nói "nó ổn vì tôi không thấy khó chịu" — điều này trở nên hữu hình bằng cách tính toán ngược từ thực tế rằng ngay cả một bản dịch đẳng cấp Seidensticker cũng dao động khi được phân tích thành các trục rõ ràng.
Tại Sao Điều Này Quan Trọng Ngay Cả Đối Với Những Người Không Phải Nhà Nghiên Cứu Dịch Thuật
Hầu hết những gì tôi đã nói cho đến nay nghe có vẻ như chuyện nội bộ đối với những người bên ngoài ngành bản địa hóa. Đây là lý do tại sao nó vẫn quan trọng.
Dịch thuật hiện là một trong những mục đích sử dụng chính của LLM. Số lượng công ty và khối lượng lưu lượng truy cập chuyển hỗ trợ khách hàng, nội dung sản phẩm, thông báo nội bộ, tài liệu pháp lý và hợp đồng qua các quy trình máy dịch đang ở một quy mô không tồn tại ba năm trước. Hoạt động kinh tế dựa trên các quy trình này là rất lớn. Lớp xác minh nằm trên chúng gần như bằng không. Mọi người đang xuất bản các bản dịch mà họ không thể xác minh. Họ đang gửi các điều khoản pháp lý trong khi cầu nguyện rằng mô hình không bịa ra các con số, không làm suy yếu "must" thành "should," và không làm mất đi giọng điệu đã làm nên sức hút của nội dung tiếp thị.
Và tôi nhắc lại, đây không phải là vấn đề với máy dịch. Các bản dịch được thuê ngoài từ các biên dịch viên chuyên nghiệp cũng được giao trong cùng một sự vắng mặt của xác minh. Khách hàng đọc bản dịch đã giao và xác nhận "nó đọc giống tiếng Nhật." Đó không phải là kiểm tra chất lượng của bản dịch; đó là xác nhận rằng bản giao hàng bằng tiếng Nhật. Khoảng cách xa lẽ ra phải tồn tại giữa hai điều này chưa bao giờ được ai vượt qua cho đến nay.
Dịch tự động vào năm 2026 đang ở mức độ "thực tế là đủ" cho hầu hết các mục đích sử dụng. Điều này đúng. Nhưng "đủ cho hầu hết các mục đích sử dụng" không phải là một chiến lược xác minh. Trong các tình huống mà sai lầm có thể gây tử vong — tài liệu lâm sàng, hợp đồng, tuyên bố công khai, bản dịch văn học — "Tôi không thấy khó chịu khi đọc nó" hoặc "Tôi đã hỏi một biên dịch viên đáng tin cậy" không còn là câu trả lời có thể chấp nhận được.
Những gì chúng ta đã thiếu từ lâu là một lớp cho những người không chuyên để xác minh đầu ra. Không phải một con số duy nhất. Không phải một con dấu cao su. Một chẩn đoán có cấu trúc, dễ đọc, nói rằng, "Điểm mạnh của bản dịch này là ở đây, rủi ro là ở đây, và nếu bạn coi trọng X, hãy sửa phần này."
Đó là CATER. Bạn có thể dùng thử miễn phí tại cater.erudaite.ai. Phương pháp luận và lý thuyết đằng sau nó có sẵn tại about.erudaite.ai.
Hãy thử đưa vào một bản dịch bạn có sẵn — ví dụ: một email trước khi gửi, tài liệu nội bộ, hợp đồng nháp hoặc bản thảo vừa được giao từ một đơn vị gia công — và xem kết quả đầu ra.
Bạn sẽ có thể xác nhận chất lượng và đặc điểm của bản dịch với CATER.
