把内容直接翻译过去就发布，效果通常不好。翻译解决的是字面对应，本地化解决的是「读起来像不像本地人写的」。大模型把这两个环节的能力门槛都拉低了：术语统一、单位替换、语气调整、回译检查，这四件事过去要靠母语译者逐项处理，现在可以在一次工作流里完成大部分。这篇文章按四个环节拆解做法和检查点。
环节一：术语先于动笔
长内容最怕同一概念出现多种译法。一篇八千字的产品文档，核心功能名在前半篇叫 A、后半篇叫 B，读者的信任感会立刻崩掉。动笔前先定术语对照表：列出原文术语、定稿译法、使用备注三列，后文全部照表执行。
术语表本身就是很好的 AI 素材。把它和原文一起交给模型，要求「所有译法以术语表为准，遇到表里没有的新术语，先列出来等我确认，不要自行翻译」。这样翻完一轮，你还能顺手把新术语补进表里，表越用越全。团队协作时，术语表可以放进 ima助手 的共享知识库统一维护，避免每个翻译的人各存一份、版本漂移。
环节二：例子、货币与格式替换
本地化里最容易漏的是「隐形本地元素」。面向本地的案例、货币、尺寸、日期格式都要换：案例换成目标市场读者熟悉的场景，美元换成目标货币，英尺换成米，日期从月日年换成目标市场的惯用格式。这些细节不换，读者一眼就能看出内容不是为他们写的——就像中文文章里出现「华氏 72 度」一样扎眼。
有效做法是让 AI 做一遍「本地元素扫描」：把原文给它，要求列出所有需要替换的地点、货币、单位、日期、人名、案例，输出成清单，你逐项决定换成什么。扫描交给机器，决定权留给你，因为它不知道你的目标市场具体用什么替换才合适。
环节三：语气与称呼
不同语言里，敬语和口语的分寸差别很大。同一段话在一种语言里得体，直译过去可能显得生硬或失礼。这里的处理原则是给 AI 定「人格参数」：告诉它目标读者是谁（行业从业者还是普通消费者）、正式程度如何（营销文案还是说明书）、称呼用什么体例。参数给得越具体，语气越稳。
检查语气的土办法是朗读测试：把译文读出来，别扭的地方多半是语气问题而非词汇问题。让模型一次输出两个版本（正式版和口语版）再挑选，比自己反复调教省事。
环节四：回译检查
回译是把译文再翻回原文，对比意思有没有走样。这一步不用全文做，挑关键段落即可：产品承诺、价格说明、法律或免责表述、数据结论，这几类地方意思偏一点代价就大。做法是把译文交给模型要求「翻回中文，逐句对应」，然后你拿着回译稿和原文对比，意思对不上的段落就是需要人工重译的段落。
回译抓的是「意思走样」，抓不了「译得对但不符合本地习惯」的问题，所以它是兜底手段，不能替代前面的术语和语气环节。
四环节对照表
| 环节 | AI 负责什么 | 人负责什么 | 失效信号 |
|---|---|---|---|
| 术语统一 | 按表执行译法、报告表外新词 | 定稿术语表、确认新词 | 同一概念多种译法 |
| 本地元素替换 | 扫描列出货币、单位、案例清单 | 决定替换成什么 | 读者一眼认出内容来自外文 |
| 语气调整 | 按参数输出正式版和口语版 | 定读者画像、挑选定稿 | 朗读时觉得生硬别扭 |
| 回译检查 | 把译文翻回原文供比对 | 逐句对比关键段落 | 承诺、价格、数据表述走样 |
一个可复用的工作流提示词
四个环节可以合成一次提问：「我要把这段内容做成{目标语言}版本：{内容}，术语对照表是{术语表}，目标市场是{市场}。请帮我：1) 按术语表统一译法；2) 指出例子和单位需要替换的地方；3) 调整语气和称呼；4) 列出适合做回译检查的段落。不要添加原文没有的信息，原文和术语表都由我提供。」
这类结构化提示词的写法有通用套路：把任务拆成编号子任务、显式给出约束条件。照着 DeepSeek 官方提示词库的改编方法改成自己的模板即可。长文档翻译时中间版本会很多，用 DeepSeek 这类工具要记得管理历史记录，把定稿、待审、废弃三个状态分开，防止拿错版本发布。质量要求高的稿件，可以先让模型用深度思考模式分析原文里的歧义点，把拿不准的句子标出来，再开始翻译。
本地化四环节速查
- 先定术语表，再动笔，全部照表执行
- 案例、货币、尺寸、日期格式一个不漏地换
- 语气靠参数控制：读者、场合、称呼体例
- 回译只查关键段落：承诺、价格、数据、免责
- 铁律：不添加原文没有的信息
