为什么翻译质量营销是无效的 — 以及我们发布了什么

打开任何实时翻译供应商的网站。您会看到相同类型的数据：

现在，尝试在任何这些供应商页面上找到 — 这些数字对于您即将召开的会议意味着什么。每种语言的质量。可重现的方法。样本量。随时间变化的分数。诚实披露模型在何处存在弱点。

您找不到这些信息。营销文案中没有，文档中也鲜有提及。

这是该领域的均衡状态。它之所以存在，是由于以下三点：

大多数供应商不拥有自己的翻译引擎。 他们通过 OpenAI, Google, DeepL, Microsoft 或其组合进行路由。发布每对语言的质量数据将是对他人模型的基准测试 — 这没有营销价值。
真实的质量数据难以在广告牌上展示。 单一分数是嘈杂的。分布图更有用，但难以压缩。一个 过去六个月的趋势 更为有用，但更难呈现。
采购方尚未反击。 买家接受营销数字的表面价值，因此这种均衡得以维持。

这种均衡不会持续。下一类买家 — 制药、法律、金融、审计、公共部门 — 将会提出比“有多少种语言”更难的问题。我们构建了 /benchmark 是因为我们认为他们不应该仅仅相信供应商的一面之词。

营销数字没有告诉您的信息

“200+ 种语言” 意味着供应商的模型可以输出 200 种语言的文本。这些语言的质量范围从主要语言对 (EN↔DE, EN↔ES, EN↔FR) 的生产级水平，到低资源语言对的勉强可用水平。如果没有每对语言的详细分解，您无法判断您的会议将落在该线的哪一侧。

“6,000+ 种语言对” 是 80 种源语言的 N × N 组合。声称支持 6,000 种语言对是容易的部分。而声称任何特定的语言对都足以用于 CAPA 审查、合同谈判或财报电话会议 — 这才是宣传册中没有的部分。

“99% 准确率”，如果未说明测量了什么、参考了什么、样本是什么、由谁评判 — 那么这个说法是空洞的。翻译质量没有通用的标量。它有一个分布，取决于语言对、内容领域、音频质量（对于语音）、延迟预算，以及“足够好”对于特定用例的含义。

在实际的 DPA 审查和采购评估中出现的问题：

这些问题都不是无法回答的。它们只是没有出现在任何人的营销页面上。

低分语言对不被隐藏。 公共索引受限于 ≥ 10 个独立 IP，≥ 10 次运行，中位数 ≥ 60 — 但任何人都可以直接深度链接到任何语言对，查看真实数字，包括本月表现不佳的语言对。
已知问题均有记录。 当 2026 年初聊天测试工具损坏数周时，该期间的数据已从索引中删除，并在方法论页面上书面说明。历史记录不会被悄悄改写。
我们明确不声明的内容 在方法论页面上有一个完整的部分。我们说明了 LLM 评判本身不完善之处。我们说明了我们不测量哪些内容（延迟、成本、用户满意度、翻译运行前的 ASR 侧错误）。我们披露了我们自己的自动化冒烟测试也是流量的一部分。

如果您正在评估任何多语言会议平台 — 无论是我们的还是其他公司的 — 方法论页面都值得一读。数字本身是容易的部分。

对于此类别的任何供应商，一个实用的筛选标准是：

如果供应商能以书面形式提供所有这三个问题的答案，请认真评估他们。如果不能，您购买的将是营销 — 而非翻译质量。

您无需相信我们的任何一面之词。这正是关键所在。