搜尋意圖： 如果你在找「機器翻譯 是什麼」或「機器翻譯 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 機器翻譯是利用電腦程式自動將文字或語音從一種語言轉換成另一種語言的技術，旨在打破語言障礙，促進跨文化交流。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有在看外文網站或國外訊息時，想先把內容快速看懂？ 你可以把機器翻譯想成，讓電腦自動把一句話從一種語言換成另一種語言。 它其實就是用模型去學習語言和語言之間的對應關係。 當你需要跨語言溝通時，它能先把理解門檻降下來。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
機器翻譯 vs 人工翻譯 人工翻譯更能理解語氣和文化，機器翻譯更快。 一個重細膩，一個重效率。
機器翻譯 vs 摘要生成 翻譯是保留原意並換語言，摘要是保留重點並縮短內容。 一個換語言，一個縮內容。
最關鍵的區別： 翻譯不等於摘要，重點是語言轉換。
記住這句就好
意思要留住，語言可以換掉。
實際案例
旅遊即時翻譯 旅途中看到日文公告或英文菜單時，機器翻譯能先幫你快速理解。
跨國文件處理 跨國團隊收到外文 SOP 時，先用機器翻譯讀懂，再交給人工校對。
算法與應用
早期方法有規則式和統計式，現在主流多是神經機器翻譯。 現代系統常用 encoder-decoder、注意力機制和大型語言模型。 評估時常看 BLEU 分數，但實務上仍需要人工確認語氣和上下文。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 機器翻譯 | 台灣與中國大陸通用譯名 |
| 机器翻译 | 簡體寫法 |
| Machine Translation | 英文原名 |
| MT | 標準縮寫 |
| 自動翻譯 | 口語說法 |
相關但不同的兩個詞：電腦輔助翻譯（CAT）指的是給人類譯者用的工具（翻譯記憶庫、術語庫），主角仍是人；譯後編輯（post-editing, MTPE） 指的是機器先翻、人再修，這是目前產業界最普遍的實務流程。
三個世代
| 世代 | 做法 | 品質特徵 |
|---|---|---|
| 規則式（RBMT） | 語言學家寫文法規則與雙語詞典 | 可控、可預測，但覆蓋不了語言的變化 |
| 統計式（SMT） | 從雙語語料統計片語對應機率 | 片段對但整句不通順 |
| 神經式（NMT） | 神經網路端到端學整句對應 | 流暢自然，但錯的時候也錯得很自然 |
現在的主流是神經式，底層架構是 Transformer。大型語言模型則進一步讓翻譯可以帶上下文條件：告訴它文件類型、目標讀者、術語表、語氣要求，品質差距明顯。
評估怎麼做
BLEU 是最廣為使用的自動指標，比對機器輸出與參考譯文的 n-gram 重疊程度。它的問題是只看字面：意思完全正確但用詞不同的翻譯會被低估，而堆砌常用詞的爛翻譯反而可能拿到不錯的分數。
chrF 改用字元層級比對，對詞形變化多的語言比較友善。
COMET 用預訓練模型評分，跟人工評分的相關性明顯高於 BLEU，近年逐漸成為研究與產業的首選。
人工評估仍然無可取代，通常從兩個維度打分：充分性（意思有沒有完整傳達）與流暢性（讀起來像不像人話）。兩者要分開評，因為一個流暢但漏譯的翻譯，跟一個完整但拗口的翻譯，問題完全不同。
看到任何 BLEU 數字，要先確認語言對、測試集、以及有沒有做文字正規化。不同設定下的 BLEU 不能互相比較。
什麼情況不該直接用機器翻譯
法律合約、藥品說明、安全指引：一個詞的偏差就有實質後果，必須有專業人員審核。
行銷文案與品牌訊息：需要的是轉譯而不是翻譯，機器翻譯的字面正確反而會讓文案失效。
低資源語言對：訓練語料稀少的語言組合，品質跟英中這類高資源語言對差距明顯，不能用同一套期待。
情境判斷
Q1（直覺題）： 你要把英文會議紀錄先看懂，最先想到哪種工具？
Q2（判斷題）： 翻譯品質只看字面準不準就夠了嗎？
常見問題
機器翻譯最常出錯在哪裡？
長句、語境、俚語和專業術語都很容易讓它翻得不自然。
機器翻譯可以取代人工翻譯嗎？
通常不能完全取代，特別是正式文件和文學內容。
機器翻譯和大型語言模型有什麼關係？
很多 LLM 也能做翻譯，但專門的翻譯系統仍有速度和穩定性優勢。