AI 译圈 · 一周一观|10.5—10.15:图片翻译、自动化与工作流

2026年10月5日—10月15日　·　7条动态

产品10月5日　01

Rozetta先行开放“完全自动”翻译

Rozetta 是日本 Metareal 集团旗下的 AI 翻译公司，主营自动翻译服务的开发与运营。

日本Rozetta宣布，T-4OO“最高精度（完全自动）”模式开始先行提供，支持日英双向翻译。厂商将其定位为无需逐句人工检查即可完成翻译的服务。

最受关注的数字是内部测试中的“需修正句子比例0.003%”。但测试仅覆盖日译英说明书与手册，统计明确且重要的误译，不计主观表达分歧，也不含文本抽取和版式恢复。

这个数字不能换算成面向所有内容的通用准确率。对游戏对白、营销文案或其他文种，仍需另做验证。

来源 [1]：[Rozetta企业公告] · 2026-10-05https://prtimes.jp/main/html/rd/p/000000861.000006279.html

工作流10月8日　02

OpenLoc公布让团队自行选择模型的TMS方案

ModelFront发布翻译管理系统OpenLoc，宣布支持接入不同大模型，通过提示词、上下文与检索增强生成（RAG）组织翻译流程，并提供自行托管和系统级MCP操作能力。

它值得关注的地方，是团队能否把模型选择、语言资产和流程设置掌握在自己手里。不过，截至本期截止日，GitHub公开代码仍计划在10月19日发布；公告所列默认许可为BSL 1.1，不能直接写成已经按通常意义上的开源许可开放。

来源 [2]：[ModelFront官方公告] · 2026-10-08https://www.modelfront.com/news/openloc-launch-2026

应用10月9日　03

eTranslation年内请求量超10亿次

欧盟委员会翻译总司公布，eTranslation在2026年内累计收到超过10亿次翻译请求，已超过自2017年推出以来任何一年的全年总量。

该服务依托欧盟译者多年整理的多语数据，支持文档、文本和API接入。这个数字反映的是请求量，不能等同于用户数或翻译字数。对专业团队而言，这也提供了一个持续复用人工语言资产的应用案例。

来源 [3]：[欧盟委员会翻译总司] · 2026-10-09https://translation.ec.europa.eu/news-and-events/news/etranslation-reaches-1-billion-requests-less-year-2026-10-09_en

多模态10月10日　04

B站Index-Translate支持图片输入

B站Index团队宣布，Index-Translate全系列2B、9B与35B-A3B模型开放端到端图片翻译能力；API、网页演示和调用脚本同步支持图片输入，采用原生视觉编码器，无需外接OCR。

这次更新可以作为截图、界面文字和图表翻译的新测试入口。模型输出的译文仍需检查漏译和术语；如要交付译后图片，还需另行排版与验收。

来源 [4]：[Index-Translate官方项目页] · 2026-10-10更新https://github.com/bilibili/Index-Translate

工作流10月12日发布　05

Phrase加强禁译内容保护与风格规则执行

Phrase本次周更新说明写明：机器翻译和Auto Adapt会遵守<notranslate>及[NOTRANSLATE]标记，避免改动被包裹的代码、占位符和受保护术语；Google Translate引擎新增质量与延迟偏好选项。

更新还修复了AI Translation Agent预翻译未正确应用项目关联风格指南的问题。对本地化团队来说，这类改进很实用：译文流畅之外，变量能否保留、哪些词必须不译、项目规则有没有生效，都影响交付。该公告汇总的是此前一周的变更。

来源 [5]：[Phrase官方周更新] · 2026-10-12https://support.phrase.com/hc/en-us/articles/30971248963740-Weekly-Release-Notes-October-12-2026

教育10月14日披露　06

DeepL公布韩国中央大学翻译教学案例

DeepL公布，韩国中央大学国际研究生院高级口笔译项目将DeepL Pro纳入课程，让学生结合语言专业知识体验AI翻译工作流。实际引入时间为2026年3月，10月14日是案例公告的发布日期。

这一案例值得关注的，是学校给学生提供了接触行业工具的机会。会调用工具之后，如何评价译文、发现问题并作出取舍，仍是译者培养需要继续回答的问题。

来源 [6]：[DeepL官方案例公告] · 2026-10-14https://www.deepl.com/en/press-release/chung-ang-university

研究10月14日提交　07

SRAT研究让模型学习何时查资料

一篇提交至arXiv的论文提出选择性检索增强翻译框架SRAT，让模型学习何时直接翻译、何时检索，以及需要什么证据。作者报告，在习语、知识密集和文档级翻译实验中，该方法优于“从不检索”和“总是检索”的对应基线。

它提出了一个很实际的问题：给模型补资料时，哪些资料对当前句子有帮助？这仍是预印本中的实验结果，尚不能据此推断它在所有语言或商业项目中的效果。

来源 [7]：[arXiv论文原始页] · 2026-10-14https://arxiv.org/abs/2610.19528

本期观察

先看流程里哪一步变好了

把这些消息放回翻译现场，会发现它们处理的是不同问题：图片输入省去部分前处理，禁译标记保护交付格式，模型接入影响工具选择，检索策略则决定模型能拿到什么资料。

我们的判断是，试用新工具时，可以先挑一小批真实材料，把验收拆细。游戏本地化项目可以放进带变量的UI、跨句对白和固定术语，分别记录漏译、规则违背以及人工修改时间。这样才容易判断，新功能究竟省下了哪一段工作。

接下来值得继续看的是OpenLoc是否按计划公开代码，以及这些更新在真实项目里能否持续减少返工。

你所在的团队已经把AI放进翻译流程了吗？最省时间的是哪一步，最需要人工盯住的又是哪一步？欢迎在留言区分享实际体验。