人工翻译还是机器加校对：质量与成本的曲线在哪里交叉

「机器翻译靠不住，重要文档还是得人工」——这句话在 2026 年还成立吗？我们把一份真实的技术文档项目分成两路并行（纯人工 vs 机器翻译+人工校对），跑了三个月的双轨数据。这篇把质量和成本的两条曲线摊开：交叉点在哪、什么场景该选哪边、以及一个反直觉的发现。

实验设定

文档类型：产品技术文档（用户手册、API 参考、最佳实践），源语言英文，目标中文。双轨：

• A 轨（纯人工）：市场价翻译团队（人工单价量级）
• B 轨（机器+校对）：算邻坊随心翻译接口出初稿（按字数计费），人工做校对（译者只改不译，校对单价约为人工翻译的三分之一）

质量评估独立进行：术语一致性、错误率（错误点/千字）、目标读者盲评（技术读者打分，不知道译文来源）。

成本曲线：差距是数量级的

同样一万字的技术文档：

• A 轨：全价
• B 轨：机器初稿成本忽略不计 + 校对费 ≈ 人工价的三分之一

B 轨的综合成本约为 A 轨的三分之一。这个差距随量的增大不收敛——翻译的边际成本两条线都是线性的，斜率差就是三倍。对批量文档（知识库、持续更新的帮助中心），年度成本的差距就是预算量级的差距。

质量曲线：交叉点在哪

三个月双轨的质量数据：

| 维度 | A 轨（纯人工） | B 轨（机翻+校对） |

|---|---|---|

| 术语一致性 | 92% | 98%（术语表注入的优势） |

| 错误率（严重） | 0.8/千字 | 1.1/千字 |

| 错误率（轻微） | 2.3/千字 | 2.1/千字 |

| 读者盲评 | 4.1/5 | 4.0/5 |

| 交付周期 | 5 天/万字 | 1.5 天/万字 |

反直觉的点先说：B 轨的术语一致性反而更高。原因是机器翻译严格执行术语表（注入什么用什么），人工译者会「自信地」偶尔偏离。而 A 轨的优势在严重错误率——复杂长句的语义把握，人工仍然更稳，尤其是否定、条件、例外这类「译错就反了」的句子。

读者盲评 4.1 vs 4.0：差异不显著。换句话说，目标读者感知不到差距。

交叉点的结论：「机器+校对」在技术文档场景已经全面够用，纯人工的剩余价值集中在高风险内容（合同、合规声明）和高文学性内容（营销文案的调性）。

校对环节的质量放大器：三个做法

B 轨的质量上限由校对环节决定。三个实测有效的做法：

校对者不见初稿疑点的处理：机器译文对低置信片段做标记（接口返回的置信度），校对者优先处理标记段——校对时间省 30%，错误抓取率不降。置信度标记是机翻接口被低估的功能，选型时值得作为硬指标。

错误分类回流：校对发现的每处修改分三类（术语/语法/语义），周度汇总反馈到术语表和 prompt 模板。三个月里 B 轨的错误率从 1.5 降到 1.1/千字——校对数据喂养机器，机器质量爬升，校对工作量下降，这是双轨模式真正的飞轮。

双盲抽检兜底：每周 5% 的成品再做一次独立抽检，抓「校对疲劳」的漏网。质检的质检，听着冗余，实测抓出 0.3/千字的漏检。

什么场景仍然选纯人工

• 法律与合规：错译的代价是诉讼级，不省这个钱
• 高端品牌文案：调性损失无法量化但真实存在
• 小语种冷门方向：机器质量未过线的语言对，人工仍是主力
• 创作型内容：诗、广告语、品牌故事——机器是草稿工具不是成品工具

成本敏感型团队的过渡路线

预算紧的团队不必二选一，按文档分层：高频维护的帮助文档走「机器+校对」，低频的法律声明走人工，中间地带按错误代价排序。我们客户的实际落地：70% 的文档量切到 B 轨，总翻译支出降近六成，质量投诉持平——省下的一半预算反哺了文档覆盖的多语言数量（从 2 种语言扩到 5 种），这是个意外的战略收益。

结语

「机器还是人工」是个伪问题，真问题是「你的内容容错多少」。技术文档的容错空间里，机器+校对的质量成本比已经没有悬念；容错为零的场景，人工的贵就是它的保险费。算清容错，选型自动成立。

（文中双轨数据基于算邻坊随心翻译接口与人工翻译团队三个月并行实测。）