Extending CREAMT: Leveraging Large Language Models for Literary Translation Post-Editing
作者: Antonio Castaldo, Sheila Castilho, Joss Moorkens, Johanna Monti
分类: cs.CL
发布日期: 2025-04-03
备注: to be published in the Proceedings of the 20th Machine Translation Summit (MT Summit 2025)
💡 一句话要点
利用大型语言模型提升文学翻译后编辑效率，保持创作风格
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 文学翻译 机器翻译后编辑 大型语言模型 创造性翻译 人机协作翻译
📋 核心要点
- 神经机器翻译在处理文学翻译时，难以兼顾效率与保留原文的创作风格。
- 该研究探索利用大型语言模型生成文学翻译，并通过人工后编辑来提升翻译质量和效率。
- 实验表明，相比人工翻译，后编辑LLM生成的译文能显著减少编辑时间，并保持相近的创造性水平。
📝 摘要（中文）
创造性文本（如文学作品）的机器翻译后编辑需要在效率与保留创作性和风格之间取得平衡。虽然神经机器翻译系统在这些方面存在不足，但大型语言模型（LLM）在上下文感知和创造性翻译方面表现出更强的能力。本研究评估了使用LLM生成的文学翻译进行后编辑的可行性。我们与专业文学翻译人员合作，使用定制的研究工具分析了编辑时间、质量和创造性。结果表明，与人工翻译相比，后编辑LLM生成的翻译显著减少了编辑时间，同时保持了相似的创造性水平。后编辑和机器翻译之间创造性差异很小，但生产力提升显著，这表明LLM可以有效地支持高资源语言的文学翻译人员。
🔬 方法详解
问题定义：文学翻译的后编辑需要平衡翻译效率和对原文创作风格的保留。传统的神经机器翻译模型在处理需要高度创造性和风格化的文学文本时表现不佳，导致后编辑工作量大，耗时较长。因此，如何利用更先进的模型，例如大型语言模型，来提高文学翻译的后编辑效率，同时保证翻译质量和风格，是一个亟待解决的问题。
核心思路：该研究的核心思路是利用大型语言模型（LLM）强大的上下文理解和生成能力，生成初步的文学翻译，然后由专业的文学翻译人员进行后编辑。这种方法旨在结合LLM的效率和人工翻译的创造性，从而在保证翻译质量的同时，显著减少后编辑所需的时间和精力。
技术框架：该研究的技术框架主要包括以下几个步骤：1) 使用大型语言模型（具体模型未知）对文学文本进行机器翻译；2) 邀请专业的文学翻译人员对机器翻译结果进行后编辑；3) 使用定制的研究工具记录后编辑过程中的编辑时间、翻译质量和创造性等指标；4) 对比分析后编辑LLM生成译文与人工翻译的各项指标，评估LLM在文学翻译后编辑中的可行性和效果。
关键创新：该研究的关键创新在于探索了大型语言模型在文学翻译后编辑中的应用。与以往主要依赖神经机器翻译模型的研究不同，该研究充分利用了LLM在上下文理解和生成方面的优势，为文学翻译提供了一种新的思路。此外，该研究还设计了定制的研究工具，用于量化评估后编辑过程中的各项指标，为后续研究提供了参考。
关键设计：论文中关于LLM的具体选择、训练方式，以及后编辑过程中的具体操作细节（例如，如何指导翻译人员进行后编辑，如何评估创造性等）描述不足，属于未知信息。定制研究工具的具体功能和实现方式也未详细说明。
🖼️ 关键图片
📊 实验亮点
实验结果表明，与人工翻译相比，后编辑LLM生成的翻译显著减少了编辑时间，同时保持了相似的创造性水平。虽然后编辑和机器翻译之间创造性差异很小，但生产力提升显著，这表明LLM可以有效地支持高资源语言的文学翻译人员。
🎯 应用场景
该研究成果可应用于文学作品、剧本、诗歌等创意文本的翻译领域，为专业的文学翻译人员提供辅助工具，提高翻译效率，降低翻译成本。未来，该方法有望推广到其他需要高度创造性和风格化的翻译场景，例如广告文案、游戏文本等。
📄 摘要（原文）
Post-editing machine translation (MT) for creative texts, such as literature, requires balancing efficiency with the preservation of creativity and style. While neural MT systems struggle with these challenges, large language models (LLMs) offer improved capabilities for context-aware and creative translation. This study evaluates the feasibility of post-editing literary translations generated by LLMs. Using a custom research tool, we collaborated with professional literary translators to analyze editing time, quality, and creativity. Our results indicate that post-editing LLM-generated translations significantly reduces editing time compared to human translation while maintaining a similar level of creativity. The minimal difference in creativity between PE and MT, combined with substantial productivity gains, suggests that LLMs may effectively support literary translators working with high-resource languages.