index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html
![]()
哔哩哔哩游戏算法团队为应对全球化挑战，构建了一套基于大语言模型（LLM）的游戏翻译体系。该体系通过检索增强翻译（RAG）、自动术语挖掘和多层次翻译质量评估，显著提升了翻译效率和质量，降低了成本。该体系支持多种语言，能够处理系统界面、技能描述、剧情对白等复杂文本，并在多个项目中取得了显著成效，有效保障了游戏本地化的稳定性和玩家体验。未来，团队将继续优化技术，探索多模态集成和自动化文本修正等方向。
💡 **AI驱动的翻译体系提升效率与质量**：哔哩哔哩游戏算法团队利用大语言模型（LLM）构建了一套智能翻译体系，通过检索增强翻译（RAG）、自动术语挖掘和自动化质量评估，大幅缩短了翻译周期（缩短85%以上）并降低了成本（节省70%～80%）。该体系能够同时支持10种语言的翻译，并有效控制线上客诉率在万分之一以内。
🔍 **检索增强翻译（RAG）确保一致性**：RAG技术通过结合术语库和记忆库检索，为LLM提供关键上下文信息，有效解决了游戏翻译中术语不统一、句式风格漂移和剧情断裂等问题。通过多因子加权打分函数（包括语义、角色、风格和情绪相似度），确保了翻译的准确性和连贯性，尤其在角色对话和剧情文本中表现出色。
📚 **自动化术语挖掘与质量评估**：该体系包含自动术语挖掘技术，能从历史翻译数据中识别新术语对，并从新文本中发现候选术语，显著提高了术语发现效率（提升95%以上）和覆盖率。同时，建立的多层次质量评估体系（包括规则检测、人工评估和LLM-as-Judge）多维度保障翻译质量，有效解决了LLM翻译中可能出现的准确性、语言质量和本地化适应性问题。
原创 AI 2025-10-27 12:04 上海
哔哩哔哩游戏算法团队构建了一套基于大语言模型的游戏翻译体系，并在多个项目、多个语种中取得了显著成效。
1 前言 随着游戏行业全球化进程的深入推进，哔哩哔哩也在海外游戏市场积极布局。哔哩哔哩有丰富的游戏储备，运营众多自研和代理游戏，随着出海战略的推进，我们的目标用户已经覆盖全球多个地区。游戏要想在海外市场取得成功，需要进行全面的本地化适配，其中语言本地化是关键一环。与普通文档翻译不同，游戏翻译需要处理系统界面、技能描述、剧情对白、活动公告等多种文本类型，每种内容都有不同的表达方式和风格要求。更重要的是，游戏翻译不仅要保证语言的准确性，更要传达游戏的文化内涵和情感体验，稍有疏忽就会影响玩家体验和沉浸感。然而，游戏翻译的复杂性远超想象。我们在实践中面临着三大核心挑战：翻译内容复杂多样，质量管控难度大，成本与效率平衡。国内友商手游出海时，曾出现过因翻译质量问题导致玩家在社区中客诉、游戏声誉受损的情况。成本压力也尤为突出，不仅因为游戏翻译文本量大、翻译难度高、单价贵，而且在游戏运营期间会有频繁的内容更新和活动上线，每次都需要重新翻译和审校，项目的总体年度维护成本往往超过初版本翻译成本。如何在保证翻译质量的前提下降低本地化成本，成为我们亟需解决的问题。为此，哔哩哔哩游戏算法团队构建了一套基于大语言模型的游戏翻译体系，并在多个项目、多个语种中取得了显著成效。本文将详细介绍这套翻译平台的技术架构和核心价值。2 传统翻译方法与痛点在深入我们的技术方案之前，我们先了解一下传统游戏翻译是如何进行的，以及面临哪些问题。2.1 传统翻译流程传统的游戏本地化翻译主要依赖人工配合CAT工具（Computer-Assisted Translation Tools，如MemoQ、Trados、Smartcat等）的方式，典型流程包括：第一步-熟悉游戏内容： 译者通过实际游玩或相关材料了解游戏内容，全面理解游戏机制、角色设定、和世界观等细节。第二步-制定风格指南 (Style Guide)：制定包括术语规范、格式要求、文本长度限制等在内的风格规范，确保团队统一翻译风格。第三步-CAT工具辅助初稿翻译：借助CAT工具（Computer-Assisted Translation Tools, MemoQ、Trados、Smartcat等）进行初稿翻译，利用术语库和记忆库来保证术语和相似句式翻译的一致性，提高翻译效率。Tips:术语库：存储专业术语的双语对照表，确保特定概念在整个项目中翻译的一致性翻译记忆库：存储历史翻译过的句段对，通过模糊匹配复用相似表达
数据层：翻译资料准备，包括历史翻译数据、术语表、翻译规范表、待翻译文本等基础数据资产。
自动术语挖掘：从历史数据中自动发现和补全术语库检索增强翻译(RAG+LLM)：为LLM提供相关上下文，确保翻译一致性翻译质检模型三大核心模块：自动检测和评估翻译质量评估层：翻译质量保障，分为生产阶段(规则后检查+LQA专家审校)和测试阶段(BLEU分数+TQE(Translation Quality Estimation）人工打分)。应用层：面向不同文本类型的翻译场景，支持系统文本、公告文本、技能文本、SNS文本、剧情文本等多种游戏内容。
3.2 核心运作流程第一步-数据准备：系统自动从翻译资料库中提取相关术语、历史翻译记忆等资源第二步-智能翻译：结合术语挖掘结果，通过RAG检索机制为LLM提供上下文，生成高质量译文第三步-质量保障：多层次质检确保输出质量，不合格内容触发反馈优化流程3.3 系统核心价值效率提升：翻译周期相比传统方案缩短85%以上，整体成本节省70%～80%规模价值：支持简体中文、繁体中文、日语、韩语、泰语、英语、德语、法语、西班牙语、葡萄牙语等10种语言同时翻译，实现全球同步发布质量稳定：通过标准化流程减少对外部供应商的依赖，AI+人工混合模式确保交付稳定性，线上客诉控制在万分之一内4 哔哩游戏大模型翻译体系的核心技术在阐述了平台整体架构和价值后，本章将深入探讨支撑平台运行的三大核心技术：检索增强翻译、自动术语挖掘和翻译质量评估体系。4.1 检索增强翻译（RAG）流程在游戏本地化过程中，术语不统一、句式风格漂移、剧情断裂等问题极易破坏玩家的沉浸体验。为系统性解决这些问题，我们构建了基于大语言模型(LLM)的检索增强生成（RAG）翻译流程，并结合领域适应的翻译模型训练，形成了完整的游戏翻译解决方案。4.1.1 核心价值一、 保证术语一致性游戏版权方通常对专属名词、技能、人物称呼等有严格限制，即使有缩写或语序变化也必须统一。RAG翻译可以很好的解决这个问题。术语翻译一致性的例子如下，可看出通过RAG流程，翻译的一致性更好。
二、保证上下文一致性剧情文本涉及大量角色风格、情感、语气等语言特征，传统方法无法通过逐句翻译实现自然衔接，且出现过的内容，需要保证翻译的一致性，RAG翻译的方式可有效处理。一个上下文一致性的剧情翻译样例如下：
4.1.2 RAG核心流程与架构我们构架的RAG翻译系统包含术语检索和记忆库检索两大核心模块，分别处理不同类型的翻译需求。整体系统架构如下图所示：一、术语检索模块（Hybrid Search）查询通用术语库：覆盖游戏通用概念、UI元素等标准化表达场景相关术语优先：根据文本类型（如技能描述、剧情对白）动态调整术语权重精确匹配：确保IP相关词汇、角色名称等关键术语的翻译一致性二、 记忆库检索模块分chunk调用topk：将文本按语义单元切分，每个chunk独立检索相似表达重排序机制：我们设计了多因子加权打分函数，结合文本内容重新计算得分，确保检索结果的相关性
Score = α * SemanticSim + β * RoleSim + γ * StyleSim + δ * MoodSimSemanticSim：当前片段与候选译文的语义相似度（如向量余弦相似度）RoleSim：说话人是否一致（完全一致为1，相似角色为0.5，其他为0）StyleSim：语体风格是否匹配（如敬语 vs 俚语）MoodSim：情绪/场景氛围是否一致（如“悲伤 vs 悲伤”为1，相似情绪为0.5）双库支持：通用记忆库提供跨项目复用，场景相关记忆库保证项目特色
4.1.3 自训练翻译模型模块在RAG检索机制外，我们还构建了基于历史数据的自训练翻译模型，通过学习历史场景的常见表达模式，可以大幅提升翻译质量和一致性。具体方法包含：一、指令微调（Instruction Tuning）多输入指令设计：设计支持术语库、记忆库、场景上下文等多种输入的指令模板，使模型能够灵活利用各类翻译资源针对性数据增强：基于游戏翻译场景的特点，构造包含术语约束、风格要求、上下文信息的训练样本，提升模型在复杂翻译任务中的表现二、强化学习优化基于人类反馈的微调：针对游戏翻译中的常见规则和质量要求，采用GRPO（Group Relative Policy Optimization）等强化学习方法进行人类反馈优化奖励模型设计：基于翻译质量、术语一致性、风格匹配等多维度构建奖励函数4.1.4 效果验证RAG翻译流程使专家得分提升50%全面覆盖系统文本、技能描述、剧情对白、公告文本等多类游戏翻译需求有效保障术语统一、表达一致、角色语言风格连贯4.2 自动术语挖掘术语统一是保证翻译质量的核心环节之一。除了遵循版权方提供的IP术语表外，每个版本还需构建覆盖本地化特色与文本表达习惯的项目术语集。我们的自动术语挖掘技术分为两个互补的流程：存量术语挖掘和新文本术语发现。4.2.1 存量翻译对中的术语挖掘从历史翻译文本中自动识别未被术语库覆盖的术语对，用于补全术语体系，避免翻译不一致，确保历史经验的充分利用。完整流程包括三步：候选术语对抽取：结合词法分析与语义判断，采用Few-shot Prompting指导LLM生成匹配术语。例如从日文「風ノ剣士ユウト」和译文「风之剑士优人」中，识别出术语对「風ノ剣士」-「风之剑士」、「ユウト」-「优人」。术语筛选过滤：依据词频与上下文使用场景过滤冗余内容，剔除已存在的重复项。专家审核确认：将候选术语对提交语言专家审核，形成最终增量术语库。4.2.2 待翻译文本的候选术语发现在仅有源语言（如日文）的新版本文本中，自动识别潜在术语并生成目标语言候选表达，避免翻译不一致。完整流程包括两步：文本分析与词组提取：结合词法分析与语义(词向量相似度)判断生成候选术语，使用LLM进行新术语的对应译文生成。专家审核确认：将候选术语列表提交审核，纳入当前版本的术语表。4.2.3 效果验证显著节省人力成本：相比人工挖掘，本方案术语挖掘效率提升95%以上覆盖率提升：额外挖掘出20%术语，候选准确率达到80%，显著节省人力成本4.3 自动化翻译质量评估体系在游戏本地化的翻译流程中，LLM虽具备通用语义理解与表达能力，但也暴露出不可控和质量不确定的问题。为了解决这些问题，我们构建了一套多层次的质量评估体系，从规则检测到智能评估，多维度保障翻译质量。4.3.1 质量问题的系统性分析通过对大量翻译输出的分析，我们将LLM翻译中的质量问题归纳为三个维度：一、准确性问题增译现象：模型添加原文中不存在的信息，如将简单的登录奖励描述扩展为包含具体日期的复杂表述漏译问题：关键信息遗漏，特别是游戏中的难度标识、数值参数等重要元素术语违规：未按照预设术语库进行翻译，导致角色名称、技能名称等关键词汇不一致二、语言质量问题语种混杂：目标语言中混入源语言片段，如英文翻译中保留日文字符格式不当：HTML标签、换行符、特殊符号的不当处理可读性问题：符号使用不规范、拼写错误等基础语言问题。三、本地化适应性问题文化表达不当：不符合目标语言的表达习惯和文化背景数字格式错误：数字、日期、货币等的本地化格式处理不当语域不匹配：正式度、敬语等语言风格与游戏场景不符我们从TQE反馈中收集了部分模型的错误翻译输出，样例如下：
4.3.2 分层翻译质量治理在翻译质量评估的过程中，采用BLEU、COMET 等传统评分方法，在高分区间无法有效区分译文在业务场景的优劣；而效果好的人工评估（TQE）耗时长、成本高，通常需要较长时间评估一个版本，无法快速获得反馈。为了解决以上问题，我们设计了三层递进的质量治理策略，从基础规则检测到智能化评估，形成完整的质量保障体系。一、后检查机制针对可明确定义的问题，目前已在生产阶段部署以下自动化检测策略：语种一致性检测：结合正则表达式与语言识别模型判断混和语种现象格式完整性验证：HTML 标签闭合、Unicode 编码、换行与特殊符号规范等术语一致性校验：与术语库比对专有名词是否增漏译或误译当前效果：规则层方案已在生产环境稳定运行，可覆盖70%以上格式和术语问题；但是复杂问题覆盖有限，优化空间趋于饱和，需要引入其他方案。二、多轮评估与翻译优化迭代针对规则无法判断的复杂问题，建立人机协作的多轮评估与优化流程：分层评估策略： 先通过BLEU/COMET等指标初筛，再由TQE专家做详细评估迭代优化机制：结合TQE反馈，对翻译LLM进行进行多轮优化，直至质量评分达标使用该方案效果显著但成本较高，在可扩展性上表现不佳。每次迭代都需要额外协调TQE专家资源，且评估结果都高度绑定特定项目版本，难以实现跨项目的经验复用，限制了方案的规模化应用。三、翻译Agent（LLM-as-Judge）为解决评估效率和标准一致性问题，构建本地化质量评估模型，部分替代人工TQE流程。使用历史TQE评估数据，构建了基于LLM的评估系统。训练数据构建方法如下：多维度标注体系：建立覆盖准确性、语言质量、本地化适应性的三维评估框架细粒度错误分类：将每个维度进一步细分为具体的错误类型（如错译、漏译、增译等）上下文信息整合：每条训练样本包含原文、机器译文、专家评价、修正译文等完整信息模型采用思维链（Chain-of-Thought）推理模式，让模型逐步分析每个质量维度，提升翻译质量评估的可靠性：‹quality_analysis>
1.准确性问题：存在错译，“暗影法师”误译为“Light Mage”。
2.语言质量问题：符号使用规范，无可读性错误。
3.语种特有问题：表达符合目标语言表达习惯。
</quality_analysis>
评分：[错误=1, 正确=0, 正确=0] → 综合评分：需要修正
模型训练方式：SFT/RLHF训练方式相结合。方案效果：已为特定项目和语种深度定制并投入使用显著提升了该项目的质量评估效率和准确性5 翻译体系收益经过持续的技术开发和业务实践，我们的翻译系统已在多个项目中完成落地验证，在成本效益、技术指标等方面都取得了显著成效。5.1 业务效果翻译成本节省70%~80%翻译效率提升7倍以上质量稳定性佳，线上客诉控制在万分之一内
5.2 技术指标覆盖范围： 支持10个语种，处理文本量10万+字/版本翻译准确率： 大模型翻译后的LQA专家修改率，显著低于传统（供应商）翻译方案6 总结与展望通过系统性的技术创新和工程实践，我们成功构建了有效的游戏翻译系统。不仅解决了传统翻译方法在成本、效率、质量和稳定性方面的痛点，更为哔哩哔哩游戏全球化发行提供了强有力的技术支撑。基于当前技术积累和业务需求，我们未来的优化方向如下：技术方面：多模态集成、对比学习、统一翻译、质检、术语发现的端到端训练框架业务方面：LLM-as-Refiner自动化文本修正机制、翻译文本润色、风格一致性优化随着技术的不断成熟和应用场景的拓展，我们将继续深化技术创新，为更多游戏的全球化进程提供高质量的翻译服务支持。7 致谢我们要特别感谢基建、运营及LQA同事在本翻译体系构建过程中的大力支持。基建团队为我们提供了稳定可靠的LLM训练推理资源和完善的API 支持；运营及LQA团队在业务需求梳理、项目协调和效果验证等方面发挥了关键作用，使得技术方案能够真正落地并产生实际价值。-End-作者丨Travix开发者问答有没有哪种翻译，虽然拗口，但你能感觉翻译是真的懂角色？你觉得AI可以学会吗？欢迎在留言区分享你的见解~转发本文至朋友圈并留言，即可参与下方抽奖⬇️小编将抽取1位幸运的小伙伴获取BW纪念盒蛋抽奖截止时间：10月31日12:00如果喜欢本期内容的话，欢迎点个“在看”吧！往期精彩指路阅读原文
跳转微信打开
