这项由西蒙弗雷泽大学、蒙特利尔魁北克大学和微软联合开展的研究，以预印本形式于2026年6月24日发布，论文编号为arXiv:2606.26040v1，分类在计算语言学领域。有兴趣深入了解的读者可以通过该编号在arXiv平台查询完整论文。
**一个你可能没意识到的现实**
当你拿起一本2026年出版的翻译小说，也许你正在读的，已经是AI翻译的作品了。荷兰最大的商业出版商Veen Bosch & Keuning宣布启用AI辅助翻译；日本出版商小学馆推出了面向美加市场、由AI辅助翻译轻小说的应用程序；亚马逊为自助出版作者推出了Kindle Translate服务；还有GlobeScribe这样的公司专门向小型出版商和独立作者兜售AI翻译服务。出版业的这股浪潮正在悄悄改变你书架上那些书的来历。
问题来了——AI翻译的小说读起来究竟怎么样？你还愿意读下去吗？你甚至能察觉出来吗？
这正是这组研究者想要弄清楚的事情。他们没有满足于那些只会测量"翻译准不准确"的机器评分系统，而是直接去问真正的读者。毕竟，文学翻译的意义从来不只是把一个词换成另一个词，它关乎节奏、情感、语感，关乎你读到一句话时心里那种"对，就是这个感觉"的东西。
**研究是怎么做的**
研究团队精心挑选了15本近年出版的文学小说，原著分别用法语、波兰语和日语写成，均有2025至2026年间出版的英语人工翻译版本。选择这些新书是有讲究的——因为越新的书，被AI在训练时"吃进去"的可能性越低，这样的对比才公平。
每本书都被截取开头约八千个英文单词的片段，然后用一套他们自己搭建的AI翻译流程重新翻译一遍，形成"人工翻译版"和"AI翻译版"两个平行版本。
接着，15位热爱阅读的读者登场了。这些人通过自由职业平台Upwork招募而来，每人每年阅读量从12本到120本不等，全都以英语为主要阅读语言，且对长篇文学文本驾轻就熟。每位读者被分配到两本书，每本书都有两位读者独立评估——一位先读人工翻译版，另一位先读AI版，交叉安排，以避免"先入为主"的影响。
整个评测分两个阶段进行。第一阶段叫做"沉浸式阅读"：读者像平时看书一样，把一个版本完整读完，填写关于流畅度、可接受性、沉浸感和是否愿意继续读的问卷，然后再读另一个版本，同样填写一遍，最后才将两个版本放在一起做比较。第二阶段叫做"细读"，在至少一天后进行：把两个版本切分成约三百个词的小段，左右并排显示，让读者标注出他们觉得写得好或写得差的具体短语，然后选出哪个版本更好，并解释原因。
这套设计的精妙之处在于，它同时捕捉了两种不同的阅读体验：一种是你拿起一本书、沉进故事里的整体感受；另一种是你拿着放大镜、逐句审视翻译工艺的精细判断。
**AI翻译流水线是怎么工作的**
在正式开始读者评测之前，研究团队先花了很大力气挑选"最强的AI翻译方案"。他们测试了五种不同的配置，包括用GPT-5.4和Gemini 3.1 Pro做全文翻译后再润色、分段翻译后再整体润色，以及一套被称为"智能体流水线"的复杂系统。
最终胜出的，是这套改编自"AutoFiction"小说生成框架的智能体系统，使用了Claude Opus 4.6和GPT-5.4两个AI模型协同工作。整个翻译过程分三大环节：首先是预处理，AI会先分析原文的文体风格、词汇偏好、叙事视角，生成一份翻译指导手册，然后把原文切成约一千词的小块；接着是逐块翻译与修改，每个小块翻译完后，会同时经过两轮平行审查，一轮检查翻译的忠实度，另一轮检查文学质量，如果不合格就打回重译，最多循环三次；最后是整体审查，把所有小块拼回完整草稿后，再检查全文风格统一性和段落衔接问题，同样设有最多两轮修改机会。
这套流程在整个实验中总共处理了441个源语言段落，产生了超过一千次翻译或修改记录，整个过程的订阅服务花费约四百美元。
**读者的真实感受：还行，但人工翻译还是更好**
现在到了最核心的结果部分。
在沉浸式阅读结束后，读者选择更愿意继续读哪个版本：30次比较中，有19次选择了人工翻译，11次选择了AI翻译。这个差距从统计角度来说还算不上"确定无疑"，但方向是清楚的——人工翻译更受欢迎。
细读阶段的差距就更明显了。772次段落对比中，有522次（约67%）选择了人工翻译，250次选择了AI翻译。这个差距在统计上已经是显著的。
质量评分方面，读者对人工翻译的打分在"可接受性"上高出AI翻译约4倍的获得高分概率，在"流畅度"上同样高出约4.3倍。沉浸感和是否愿意继续读的差距稍小一些，但依然偏向人工翻译。特别值得一提的是，AI翻译的评分跨越了整个1到5分的区间，也就是说它有时候被评为1分（最差），而人工翻译从未被评到1分。
然而，这里有一个重要的补充：AI翻译并没有被读者彻底否定。在那11次选择AI翻译的整体判断中，有7次表达了明确的偏好。在细读阶段，大约三分之一的段落判断也是倾向AI版本的。有54%的读者表示读了AI翻译后"大概率或肯定会继续读"，而人工翻译这个数字是66%。换句话说，AI翻译已经可以让相当一部分读者接受并愿意读下去，只是与人工翻译相比还差了一截。
**差距体现在哪里——读者的"挑错"实录**
研究团队收集了读者在细读时标注的"好句子"和"差句子"，数据非常有揭示性。
在人工翻译的文字里，读者平均每千词标出约107.8个词是写得好的，约42.9个词是写得差的。在AI翻译里，好的只有68.5个词，差的却高达100.7个词。也就是说，AI翻译里"被挑出来的毛病"大约是人工翻译的两倍还多。
更有意思的是分布模式。AI翻译里有41.7%的段落被读者标注了高密度的差词句，而人工翻译只有11.9%的段落有这种情况。这说明AI翻译不只是整体差一点点，而是偶尔会出现"集中翻车"的段落，质量起伏很大。
研究团队进一步发现，在15本书里有13本，AI翻译的质量波动比人工翻译更剧烈。人工翻译通常在一本书里保持相对稳定的水准，而AI翻译则可能在某些段落表现得不错，另一些段落又让读者皱眉头。
读者们是怎么形容这种差距的？在选择人工翻译时，他们最常提到的三类原因是：读起来更流畅、更容易理解发生了什么、用词更自然。他们的原话包括"从故事开头起，人工版就清晰多了""人工版让整个阅读过程行云流水，而AI版让我时不时需要重读一遍"。批评AI翻译时，最集中的意见是句子结构问题（30次单独阅读评价中提到了15次）、读起来费劲（11次）、难以理解（11次），读者形容AI版"断断续续、生硬"，或者"长篇大论像流水账"，或者"逼着你停下来重读"。
当然，AI翻译也有赢的时候。在那些更倾向AI翻译的情况里，读者说它更自然、更吸引人、更有代入感，甚至用词更丰富生动。有读者称赞AI版"用词更精妙多样"，给了他们"更清晰的人物性格和关系感"。在细读层面，读者有时更喜欢AI版的某个具体措辞——比如用"便当盒"而不是"塑料容器"，用"眼镜"（更正式的spectacles）而不是更口语的glasses，或者"用手臂划桨"这样的动态表达。
**偏好因书而异，与语言无关**
一个特别有趣的发现是：读者对AI翻译的偏好程度，跟原著是什么语言几乎没有关系，不管是法语、日语还是波兰语，细读阶段选择AI翻译的比例都在31%到34%之间，非常接近。
但是，不同书目之间的差距却相当悬殊，从最低的4%到最高的88%。有一本名叫《执念》（Hooked: A Novel of Obsession，日本作者夕木春央的原著，波利·巴顿翻译）的书，AI版被读者选择了88%的次数，而且两位读者意见一致。这意味着，偶尔AI翻译真的更好，人工翻译反而不尽如人意。
这个发现说明，AI翻译的成败更多取决于具体这本书的特性，而不是原著语言本身。某些书的语言风格恰好更适合AI处理，或者人工翻译这次发挥一般，就会出现这种情况。
**读者根本认不出来哪个是AI翻译的**
这或许是整篇研究最出乎意料的发现之一。
在单独读完一个版本之后，读者猜测它是人工翻译还是AI翻译的准确率只有57%，与完全随机猜测的50%相差无几——统计上完全谈不上可靠。两个版本读完之后再做判断，准确率同样是57%，几乎没有提高。
更戏剧性的是自信程度与准确率的脱节。在做完比较后，有20人表示"非常"或"极其"自信自己猜对了，结果其中8人猜错了（40%的错误率），其中8个"极其自信"的人里，有1人猜错（12.5%的错误率）。自信并不等于正确。
读者猜测AI翻译时用了什么线索？最常提到的是用词——但这个线索对于正确猜测和错误猜测都同等常见，所以实际上没有区分作用。正确猜测AI翻译的线索中，比较有效的包括：字面翻译感（读起来像"词典直译"或"保留了法语句子结构"）、句子流动性差（有断裂感、截断感）、以及格式问题（场景分隔符、段落断开方式等）。
最不可靠的是"民间理论"——那些关于AI写作特征的流行说法。比如"AI喜欢用破折号（em-dash）"或者"AI不会写脏话"。数据显示，依赖这类理论的读者，猜对猜错的概率基本持平，完全没有帮助。有一位读者就是因为坚信"AI爱用破折号"，把写了很多破折号的人工翻译误判为AI作品，尽管他/她其实更喜欢那个版本。还有一位读者因为注意到法语原著的人工翻译里保留了法式句子结构，便判断它是AI翻译——毕竟，谁料到会有人类译者保留这种特点呢？
研究还发现了一个耐人寻味的规律：读者几乎总是认为自己喜欢的那个版本是人工翻译的。30次比较中有28次，读者把自己更喜欢的版本判断为人工翻译。那11位最终选择AI翻译的读者，全都以为自己选的是人工翻译版。这说明，"哪个更像人写的"和"哪个读起来更好"在读者的直觉里几乎是同一个问题的两面。
**机器评分的失灵**
研究团队还测试了目前常用的几种自动翻译评分工具，包括METRICX-QE、COMETKiwi和LiTransProQA（一种基于大语言模型的问答式评估工具）。结果出人意料：所有这些自动工具都把AI翻译评得比人工翻译更高，与读者的真实判断恰好相反。
自动评分和读者判断之间的相关系数不仅很低，甚至是负的——工具给AI翻译打高分的地方，往往正是读者觉得有问题的地方。这说明现有的翻译自动评估体系，在衡量"读者真正的阅读体验"这件事上，存在根本性的局限。专门为评价忠实度、流畅度而设计的评分工具，捕捉不到"沉浸感"、"有没有灵魂"这类阅读体验维度。
**翻译到非英语语言时，AI的短板更明显**
研究团队还做了一个补充性的小规模实验：把同一批原著翻译成西班牙语、法语、波兰语和日语，并同样招募了这几种语言的母语读者来评估。
结果差距悬殊——在细读阶段，111个段落判断中有103个（92.8%）倾向人工翻译，只有1位读者（法语组）在整体层面选择了AI翻译，而且那位读者在细读时也转而倾向人工翻译。
更关键的是，这些读者能清楚地说出AI翻译哪里不对劲，而不像英语读者那样茫然。一位波兰语读者表示，读到大约10%的地方，他就"百分之百确定这不可能是人工翻译"。他们指出了具体的语法结构问题，比如"句子悬在那里，像是直接从源语言翻过来的，没有谓语"，以及源语言的一些习惯被生硬移植过来，比如日语中人物用第三人称称呼自己的做法。词汇选择也是一个问题——有时AI不会直接用正确的专业词汇，而是迂回描述，"就像一个还没掌握词汇量的学生"。比如在波兰语里，人工翻译用了"讣告"（nekrolog），而AI版却写成"报纸上的身后文章"（prasowe artykuly posmiertne）。
这个对比揭示了英语的特殊地位：当代大语言模型在英语上的训练量远超其他语言，因此英语翻译已经接近难以察觉的程度，而其他语言还有明显差距。
**读者事后怎么说**
研究结束后，研究团队问了读者一些开放性问题：你原来对AI翻译有什么预期？你对自己的猜测准确率感到意外吗？现在对AI翻译有什么看法？
大多数读者（15人中有12人）表示，AI翻译比他们预想的要好，没那么容易被发现。有读者说，如果这本书摆在书架上，他"完全不会想到是AI翻译的"。但也有读者始终坚持，AI翻译"压平了作者的声音"，从语义层面看没什么大问题，但"缺少情感重量、诗意感，也没有考虑到在目标语言里某些东西需要根据文化和语言差异做出改变"。
读者们比较一致的结论是：AI翻译系统现在还不适合单独出版，但作为生成"初稿"供人类译者进一步打磨，或许是一种有价值的工具。
**这项研究留给我们的思考**
归根结底，这项研究用严谨的实验告诉了我们几件事。其一，AI翻译文学已经到了相当多读者可以接受、愿意读下去的程度，特别是在英语这个大语言模型最擅长的语言上。其二，读者依然能感觉到人工翻译的优越性，尤其在流畅度、沉浸感和用词自然度上，细读时差距尤其明显。其三，AI翻译的质量在一本书内部起伏更大，时好时坏，而人工翻译通常更稳定。其四，读者几乎无法稳定地辨别哪个版本是AI翻译的，而且总倾向于把自己喜欢的版本认定为人工翻译。其五，现有的自动翻译评估工具与读者的真实感受背道而驰，亟需新的评估方法。
这意味着什么？对于普通读者而言，这意味着你手里的翻译小说也许已经部分或全部由AI完成，而你很可能察觉不到——但如果仔细品读，人工翻译通常还是更值得细细咀嚼。对于出版业而言，这意味着"用AI翻译的书卖给不知情的读者"这件事技术上已经可行，但这也带来了透明度和伦理上的问题——读者是否有权知道自己在读什么？对于翻译从业者而言，这意味着AI翻译最大的竞争力恐怕不在于整体翻译质量，而在于速度和成本；但也意味着人类译者那种对语感、文化、情感的细腻处理，至少目前仍然是机器难以完全复制的。
研究团队已将他们的数据集LAIT（Literary AI Translation，文学AI翻译数据集）连同评估协议一并公开发布，内含两千条读者判断、一千条读者评语和七千两百多条短语级别的标注，希望为未来的研究提供基础。
有兴趣深入探究这一话题的读者，可以在arXiv平台通过编号2606.26040找到完整论文，在那里可以看到更多具体的书目案例、完整的统计模型细节，以及研究团队开发的评估界面截图。
---
Q&A
Q1：LAIT数据集包含哪些内容，可以用来做什么？
A：LAIT是这项研究发布的文学AI翻译评估数据集，包含15本法语、波兰语、日语小说的开篇片段，每本都有人工翻译和AI翻译两个版本，在段落、段落块和整本书三个层级上对齐。数据集收录了约2000条读者偏好判断、1000条读者评语和7200多条短语级好/差标注，还附带16本书的无标注开发集用于测试不同AI翻译流程。研究者可以用它来训练或评估文学翻译质量模型，也可以用来研究读者阅读体验的评估方法。
Q2：为什么自动翻译评分工具会给AI翻译打更高分，和读者感受相反？
A：现有的自动翻译评分工具主要设计用来衡量翻译的"忠实度"和"流畅度"——也就是原文意思有没有准确传达、语句有没有语法错误。AI翻译在这两点上确实表现不差，所以机器打分较高。但读者真正在意的是更难量化的东西：读起来有没有"灵魂"、沉浸感强不强、用词是不是真正自然而不是"正确但别扭"。这些体验维度根本没有被现有评分体系捕捉到，所以工具高分的地方，恰恰可能是读者觉得最别扭的地方。
Q3：读者识别AI翻译的准确率为什么这么低，只有57%？
A：主要有两个原因。首先，现代AI翻译（特别是针对英语）的技术水平已经相当高，语法错误少，整体语义准确，表面上看不出什么明显破绽。其次，读者依赖的那些"AI写作特征"判断标准，比如破折号用得多、不会写脏话、过于正式等，在实际中并不可靠，既会出现在AI翻译里，也会出现在人工翻译里。读者的"民间理论"反而成了误判来源。相比之下，明确感受到"字面翻译味""句子不连贯"才是更有效的判断线索，但这些特征并不总是出现。
