這項由西蒙弗雷澤大學、蒙特婁魁北克大學和微軟聯合開展的研究，以預印本形式於2026年6月24日發布，論文編號為arXiv:2606.26040v1，分類在計算語言學領域。有興趣深入了解的讀者可以通過該編號在arXiv平台查詢完整論文。
**一個你可能沒意識到的現實**
當你拿起一本2026年出版的翻譯小說，也許你正在讀的，已經是AI翻譯的作品了。荷蘭最大的商業出版商Veen Bosch & Keuning宣布啟用AI輔助翻譯；日本出版商小學館推出了面向美加市場、由AI輔助翻譯輕小說的應用程式；亞馬遜為自助出版作者推出了Kindle Translate服務；還有GlobeScribe這樣的公司專門向小型出版商和獨立作者兜售AI翻譯服務。出版業的這股浪潮正在悄悄改變你書架上那些書的來歷。
問題來了——AI翻譯的小說讀起來究竟怎麼樣？你還願意讀下去嗎？你甚至能察覺出來嗎？
這正是這組研究者想要弄清楚的事情。他們沒有滿足於那些只會測量"翻譯準不準確"的機器評分系統，而是直接去問真正的讀者。畢竟，文學翻譯的意義從來不只是把一個詞換成另一個詞，它關乎節奏、情感、語感，關乎你讀到一句話時心裡那種"對，就是這個感覺"的東西。
**研究是怎麼做的**
研究團隊精心挑選了15本近年出版的文學小說，原著分別用法語、波蘭語和日語寫成，均有2025至2026年間出版的英語人工翻譯版本。選擇這些新書是有講究的——因為越新的書，被AI在訓練時"吃進去"的可能性越低，這樣的對比才公平。
每本書都被截取開頭約八千個英文單詞的片段，然後用一套他們自己搭建的AI翻譯流程重新翻譯一遍，形成"人工翻譯版"和"AI翻譯版"兩個平行版本。
接著，15位熱愛閱讀的讀者登場了。這些人通過自由職業平台Upwork招募而來，每人每年閱讀量從12本到120本不等，全都以英語為主要閱讀語言，且對長篇文學文本駕輕就熟。每位讀者被分配到兩本書，每本書都有兩位讀者獨立評估——一位先讀人工翻譯版，另一位先讀AI版，交叉安排，以避免"先入為主"的影響。
整個評測分兩個階段進行。第一階段叫做"沉浸式閱讀"：讀者像平時看書一樣，把一個版本完整讀完，填寫關於流暢度、可接受性、沉浸感和是否願意繼續讀的問卷，然後再讀另一個版本，同樣填寫一遍，最後才將兩個版本放在一起做比較。第二階段叫做"細讀"，在至少一天後進行：把兩個版本切分成約三百個詞的小段，左右並排顯示，讓讀者標註出他們覺得寫得好或寫得差的具體短語，然後選出哪個版本更好，並解釋原因。
這套設計的精妙之處在於，它同時捕捉了兩種不同的閱讀體驗：一種是你拿起一本書、沉進故事裡的整體感受；另一種是你拿著放大鏡、逐句審視翻譯工藝的精細判斷。
**AI翻譯流水線是怎麼工作的**
在正式開始讀者評測之前，研究團隊先花了很大力氣挑選"最強的AI翻譯方案"。他們測試了五種不同的配置，包括用GPT-5.4和Gemini 3.1 Pro做全文翻譯後再潤色、分段翻譯後再整體潤色，以及一套被稱為"智能體流水線"的複雜系統。
最終勝出的，是這套改編自"AutoFiction"小說生成框架的智能體系統，使用了Claude Opus 4.6和GPT-5.4兩個AI模型協同工作。整個翻譯過程分三大環節：首先是預處理，AI會先分析原文的文體風格、詞彙偏好、敘事視角，生成一份翻譯指導手冊，然後把原文切成約一千詞的小塊；接著是逐塊翻譯與修改，每個小塊翻譯完後，會同時經過兩輪平行審查，一輪檢查翻譯的忠實度，另一輪檢查文學質量，如果不合格就打回重譯，最多循環三次；最後是整體審查，把所有小塊拼回完整草稿後，再檢查全文風格統一性和段落銜接問題，同樣設有最多兩輪修改機會。
這套流程在整個實驗中總共處理了441個源語言段落，產生了超過一千次翻譯或修改記錄，整個過程的訂閱服務花費約四百美元。
**讀者的真實感受：還行，但人工翻譯還是更好**
現在到了最核心的結果部分。
在沉浸式閱讀結束後，讀者選擇更願意繼續讀哪個版本：30次比較中，有19次選擇了人工翻譯，11次選擇了AI翻譯。這個差距從統計角度來說還算不上"確定無疑"，但方向是清楚的——人工翻譯更受歡迎。
細讀階段的差距就更明顯了。772次段落對比中，有522次（約67%）選擇了人工翻譯，250次選擇了AI翻譯。這個差距在統計上已經是顯著的。
質量評分方面，讀者對人工翻譯的評分在"可接受性"上高出AI翻譯約4倍的獲得高分概率，在"流暢度"上同樣高出約4.3倍。沉浸感和是否願意繼續讀的差距稍小一些，但依然偏向人工翻譯。特別值得一提的是，AI翻譯的評分跨越了整個1到5分的區間，也就是說它有時候被評為1分（最差），而人工翻譯從未被評到1分。
然而，這裡有一個重要的補充：AI翻譯並沒有被讀者徹底否定。在那11次選擇AI翻譯的整體判斷中，有7次表達了明確的偏好。在細讀階段，大約三分之一的段落判斷也是傾向AI版本的。有54%的讀者表示讀了AI翻譯後"大概率或肯定會繼續讀"，而人工翻譯這個數字是66%。換句話說，AI翻譯已經可以讓相當一部分讀者接受並願意讀下去，只是與人工翻譯相比還差了一截。
**差距體現在哪裡——讀者的"挑錯"實錄**
研究團隊收集了讀者在細讀時標註的"好句子"和"差句子"，數據非常有揭示性。
在人工翻譯的文字里，讀者平均每千詞標出約107.8個詞是寫得好的，約42.9個詞是寫得差的。在AI翻譯里，好的只有68.5個詞，差的卻高達100.7個詞。也就是說，AI翻譯里"被挑出來的毛病"大約是人工翻譯的兩倍還多。
更有意思的是分布模式。AI翻譯里有41.7%的段落被讀者標註了高密度的差詞句，而人工翻譯只有11.9%的段落有這種情況。這說明AI翻譯不只是整體差一點點，而是偶爾會出現"集中翻車"的段落，質量起伏很大。
研究團隊進一步發現，在15本書里有13本，AI翻譯的質量波動比人工翻譯更劇烈。人工翻譯通常在一本書里保持相對穩定的水準，而AI翻譯則可能在某些段落表現得不錯，另一些段落又讓讀者皺眉頭。
讀者們是怎麼形容這種差距的？在選擇人工翻譯時，他們最常提到的三類原因是：讀起來更流暢、更容易理解發生了什麼、用詞更自然。他們的原話包括"從故事開頭起，人工版就清晰多了""人工版讓整個閱讀過程行雲流水，而AI版讓我時不時需要重讀一遍"。批評AI翻譯時，最集中的意見是句子結構問題（30次單獨閱讀評價中提到了15次）、讀起來費勁（11次）、難以理解（11次），讀者形容AI版"斷斷續續、生硬"，或者"長篇大論像流水賬"，或者"逼著你停下來重讀"。
當然，AI翻譯也有贏的時候。在那些更傾向AI翻譯的情況里，讀者說它更自然、更吸引人、更有代入感，甚至用詞更豐富生動。有讀者稱讚AI版"用詞更精妙多樣"，給了他們"更清晰的人物性格和關係感"。在細讀層面，讀者有時更喜歡AI版的某個具體措辭——比如用"便當盒"而不是"塑料容器"，用"眼鏡"（更正式的spectacles）而不是更口語的glasses，或者"用手臂划槳"這樣的動態表達。
**偏好因書而異，與語言無關**
一個特別有趣的發現是：讀者對AI翻譯的偏好程度，跟原著是什麼語言幾乎沒有關係，不管是法語、日語還是波蘭語，細讀階段選擇AI翻譯的比例都在31%到34%之間，非常接近。
但是，不同書目之間的差距卻相當懸殊，從最低的4%到最高的88%。有一本名叫《執念》（Hooked: A Novel of Obsession，日本作者夕木春央的原著，波利·巴頓翻譯）的書，AI版被讀者選擇了88%的次數，而且兩位讀者意見一致。這意味著，偶爾AI翻譯真的更好，人工翻譯反而不盡如人意。
這個發現說明，AI翻譯的成敗更多取決於具體這本書的特性，而不是原著語言本身。某些書的語言風格恰好更適合AI處理，或者人工翻譯這次發揮一般，就會出現這種情況。
**讀者根本認不出來哪個是AI翻譯的**
這或許是整篇研究最出乎意料的發現之一。
在單獨讀完一個版本之後，讀者猜測它是人工翻譯還是AI翻譯的準確率只有57%，與完全隨機猜測的50%相差無幾——統計上完全談不上可靠。兩個版本讀完之後再做判斷，準確率同樣是57%，幾乎沒有提高。
更戲劇性的是自信程度與準確率的脫節。在做完比較後，有20人表示"非常"或"極其"自信自己猜對了，結果其中8人猜錯了（40%的錯誤率），其中8個"極其自信"的人里，有1人猜錯（12.5%的錯誤率）。自信並不等於正確。
讀者猜測AI翻譯時用了什麼線索？最常提到的是用詞——但這個線索對於正確猜測和錯誤猜測都同等常見，所以實際上沒有區分作用。正確猜測AI翻譯的線索中，比較有效的包括：字面翻譯感（讀起來像"詞典直譯"或"保留了法語句子結構"）、句子流動性差（有斷裂感、截斷感）、以及格式問題（場景分隔符、段落斷開方式等）。
最不可靠的是"民間理論"——那些關於AI寫作特徵的流行說法。比如"AI喜歡用破折號（em-dash）"或者"AI不會寫髒話"。數據顯示，依賴這類理論的讀者，猜對猜錯的概率基本持平，完全沒有幫助。有一位讀者就是因為堅信"AI愛用破折號"，把寫了很多破折號的人工翻譯誤判為AI作品，儘管他/她其實更喜歡那個版本。還有一位讀者因為注意到法語原著的人工翻譯里保留了法式句子結構，便判斷它是AI翻譯——畢竟，誰料到會有人類譯者保留這種特點呢？
研究還發現了一個耐人尋味的規律：讀者幾乎總是認為自己喜歡的那個版本是人工翻譯的。30次比較中有28次，讀者把自己更喜歡的版本判斷為人工翻譯。那11位最終選擇AI翻譯的讀者，全都以為自己選的是人工翻譯版。這說明，"哪個更像人寫的"和"哪個讀起來更好"在讀者的直覺里幾乎是同一個問題的兩面。
**機器評分的失靈**
研究團隊還測試了目前常用的幾種自動翻譯評分工具，包括METRICX-QE、COMETKiwi和LiTransProQA（一種基於大語言模型的問答式評估工具）。結果出人意料：所有這些自動工具都把AI翻譯評得比人工翻譯更高，與讀者的真實判斷恰好相反。
自動評分和讀者判斷之間的相關係數不僅很低，甚至是負的——工具給AI翻譯打高分的地方，往往正是讀者覺得有問題的地方。這說明現有的翻譯自動評估體系，在衡量"讀者真正的閱讀體驗"這件事上，存在根本性的局限。專門為評價忠實度、流暢度而設計的評分工具，捕捉不到"沉浸感"、"有沒有靈魂"這類閱讀體驗維度。
**翻譯到非英語語言時，AI的短板更明顯**
研究團隊還做了一個補充性的小規模實驗：把同一批原著翻譯成西班牙語、法語、波蘭語和日語，並同樣招募了這幾種語言的母語讀者來評估。
結果差距懸殊——在細讀階段，111個段落判斷中有103個（92.8%）傾向人工翻譯，只有1位讀者（法語組）在整體層面選擇了AI翻譯，而且那位讀者在細讀時也轉而傾向人工翻譯。
更關鍵的是，這些讀者能清楚地說出AI翻譯哪裡不對勁，而不像英語讀者那樣茫然。一位波蘭語讀者表示，讀到大約10%的地方，他就"百分之百確定這不可能是人工翻譯"。他們指出了具體的語法結構問題，比如"句子懸在那裡，像是直接從源語言翻過來的，沒有謂語"，以及源語言的一些習慣被生硬移植過來，比如日語中人物用第三人稱稱呼自己的做法。詞彙選擇也是一個問題——有時AI不會直接用正確的專業詞彙，而是迂迴描述，"就像一個還沒掌握詞彙量的學生"。比如在波蘭語裡，人工翻譯用了"訃告"（nekrolog），而AI版卻寫成"報紙上的身後文章"（prasowe artykuly posmiertne）。
這個對比揭示了英語的特殊地位：當代大語言模型在英語上的訓練量遠超其他語言，因此英語翻譯已經接近難以察覺的程度，而其他語言還有明顯差距。
**讀者事後怎麼說**
研究結束後，研究團隊問了讀者一些開放性問題：你原來對AI翻譯有什麼預期？你對自己的猜測準確率感到意外嗎？現在對AI翻譯有什麼看法？
大多數讀者（15人中有12人）表示，AI翻譯比他們預想的要好，沒那麼容易被發現。有讀者說，如果這本書擺在書架上，他"完全不會想到是AI翻譯的"。但也有讀者始終堅持，AI翻譯"壓平了作者的聲音"，從語義層面看沒什麼大問題，但"缺少情感重量、詩意感，也沒有考慮到在目標語言裡某些東西需要根據文化和語言差異做出改變"。
讀者們比較一致的結論是：AI翻譯系統現在還不適合單獨出版，但作為生成"初稿"供人類譯者進一步打磨，或許是一種有價值的工具。
**這項研究留給我們的思考**
歸根結底，這項研究用嚴謹的實驗告訴了我們幾件事。其一，AI翻譯文學已經到了相當多讀者可以接受、願意讀下去的程度，特別是在英語這個大語言模型最擅長的語言上。其二，讀者依然能感覺到人工翻譯的優越性，尤其在流暢度、沉浸感和用詞自然度上，細讀時差距尤其明顯。其三，AI翻譯的質量在一本書內部起伏更大，時好時壞，而人工翻譯通常更穩定。其四，讀者幾乎無法穩定地辨別哪個版本是AI翻譯的，而且總傾向於把自己喜歡的版本認定為人工翻譯。其五，現有的自動翻譯評估工具與讀者的真實感受背道而馳，亟需新的評估方法。
這意味著什麼？對於普通讀者而言，這意味著你手裡的翻譯小說也許已經部分或全部由AI完成，而你很可能察覺不到——但如果仔細品讀，人工翻譯通常還是更值得細細咀嚼。對於出版業而言，這意味著"用AI翻譯的書賣給不知情的讀者"這件事技術上已經可行，但這也帶來了透明度和倫理上的問題——讀者是否有權知道自己在讀什麼？對於翻譯從業者而言，這意味著AI翻譯最大的競爭力恐怕不在於整體翻譯質量，而在於速度和成本；但也意味著人類譯者那種對語感、文化、情感的細膩處理，至少目前仍然是機器難以完全複製的。
研究團隊已將他們的數據集LAIT（Literary AI Translation，文學AI翻譯數據集）連同評估協議一併公開發布，內含兩千條讀者判斷、一千條讀者評語和七千兩百多條短語級別的標註，希望為未來的研究提供基礎。
有興趣深入探究這一話題的讀者，可以在arXiv平台通過編號2606.26040找到完整論文，在那裡可以看到更多具體的書目案例、完整的統計模型細節，以及研究團隊開發的評估界面截圖。
---
Q&A
Q1：LAIT數據集包含哪些內容，可以用來做什麼？
A：LAIT是這項研究發布的文學AI翻譯評估數據集，包含15本法語、波蘭語、日語小說的開篇片段，每本都有人工翻譯和AI翻譯兩個版本，在段落、段落塊和整本書三個層級上對齊。數據集收錄了約2000條讀者偏好判斷、1000條讀者評語和7200多條短語級好/差標註，還附帶16本書的無標註開發集用於測試不同AI翻譯流程。研究者可以用它來訓練或評估文學翻譯質量模型，也可以用來研究讀者閱讀體驗的評估方法。
Q2：為什麼自動翻譯評分工具會給AI翻譯打更高分，和讀者感受相反？
A：現有的自動翻譯評分工具主要設計用來衡量翻譯的"忠實度"和"流暢度"——也就是原文意思有沒有準確傳達、語句有沒有語法錯誤。AI翻譯在這兩點上確實表現不差，所以機器評分較高。但讀者真正在意的是更難量化的東西：讀起來有沒有"靈魂"、沉浸感強不強、用詞是不是真正自然而不是"正確但彆扭"。這些體驗維度根本沒有被現有評分體系捕捉到，所以工具高分的地方，恰恰可能是讀者覺得最彆扭的地方。
Q3：讀者識別AI翻譯的準確率為什麼這麼低，只有57%？
A：主要有兩個原因。首先，現代AI翻譯（特別是針對英語）的技術水平已經相當高，語法錯誤少，整體語義準確，表面上看不出什麼明顯破綻。其次，讀者依賴的那些"AI寫作特徵"判斷標準，比如破折號用得多、不會寫髒話、過於正式等，在實際中並不可靠，既會出現在AI翻譯里，也會出現在人工翻譯里。讀者的"民間理論"反而成了誤判來源。相比之下，明確感受到"字面翻譯味""句子不連貫"才是更有效的判斷線索，但這些特徵並不總是出現。
