把翻译术语表当代码管:用 Lint、Git 和 API 终结多文档一致性漂移

如果你被拉进过医疗器械、医药合规,或者软件本地化项目,大概率听过这句话:

“我们只是需要懂技术的人,帮忙管一下文档。”

但真正接手后,你会发现这不是“改错别字”的问题。

一个提交给巴西 ANVISA 这类监管机构的医疗文档包,可能包括:

  • 使用说明书 IFU
  • 临床评价报告
  • 标签文案
  • GMP 证书
  • 技术规格说明
  • 多个翻译版本
  • 多个审校版本
  • 多个长期并行推进的文件

几十个、几百个文件,多个译员,多轮审校,术语一旦不统一,就会变成提交风险。

同样的问题在软件本地化里也常见,只是后果没那么严重。

真正麻烦的,不是某句话翻得不够优美。

真正麻烦的是:
同一个术语,在 15 份文档里被翻成了 3 种不同写法,而且没人知道哪个是对的。

这是典型的“共享状态管理”问题。


为什么普通翻译流程一上量就崩

很多人以为翻译一致性靠“给译员一份参考表”就够了。

流程通常是:

  1. 发一个 PDF 给译员
  2. 译员翻完发回来
  3. 审校看完再发下一份
  4. 重复十几次

单文档没问题。

文档一多,问题就出来了:

  • 第一份说明书里写的是 “pressure sensor”
  • 临床报告里突然变成 “pressure transducer”
  • 巴西葡萄牙语里,一个译员用 “sensor de pressão”
  • 另一个译员用了 “transdutor de pressão”
  • 审校在第三份文档里纠正了术语,但没人把这个纠正同步到已经翻完的其他文档

这看起来像翻译问题。

但本质是工程问题:

你有一份术语表,需要被多个文件、多个译员、多轮审校同时使用。
但你没有机制保证它不会悄悄漂移。

普通表格、Word、Excel 都能记录术语。

但它们不能自动校验。

不能 diff。

不能回滚。

不能保证每个下游流程都读到同一份最新术语。


把术语表当成 schema,而不是电子表格

对开发者来说,正确做法其实很眼熟:

  • 单一可信来源
  • 结构化数据
  • 程序化校验
  • 版本控制
  • 接入 CI
  • 推送到下游工具

翻译术语表也可以这么做。

1. 用结构化数据表达术语,而不是表格的一行

比如一个术语不要只写:

pressure sensor = sensor de pressão

这太薄了。

它没法校验,也没法追踪合规依据。

更好的做法是把它变成一个结构化对象:

// JSONC 示例:可以带注释,便于团队理解每个字段含义
{
  "term_id": "PRESSURE_SENSOR_01", // 术语唯一编号,方便脚本、审校和追溯
  "source_term": "pressure sensor", // 源语言术语
  "source_lang": "en", // 源语言:英语
  "target_lang": "pt-BR", // 目标语言:巴西葡萄牙语
  "approved_translation": "sensor de pressão", // 批准使用的标准译文
  "forbidden_variants": ["transdutor de pressão"], // 禁止使用的错误变体
  "regulatory_reference": "RDC 751/2022", // 关联的监管参考条款
  "device_class": ["III", "IV"], // 适用的器械风险等级
  "status": "approved", // 当前状态:已批准
  "last_reviewed": "2024-11-02" // 最近一次审校日期
}

这个对象有几个好处:

  • 可以脚本读取
  • 可以自动查询
  • 可以比较版本差异
  • 可以绑定监管条款
  • 可以限制某些旧术语继续被使用

Excel 当然也能记录术语。

但一旦到了多团队、多文档、多版本、多轮审校,Excel 很容易变成“最新但没人敢确定”的共享表。


2. 在人工审校之前,先用脚本做术语 lint

很多术语问题,不需要高级 AI。

一个简单脚本就够。

核心逻辑很直接:

  1. 加载术语表
  2. 打开待提交文档
  3. 搜索所有 forbidden variants
  4. 如果找到禁用词,就报错

比如:

import re
import json

# 加载术语表,通常从 Git 仓库、对象存储或 TMS 同步文件读取
def load_glossary(path):
    with open(path, "r", encoding="utf-8") as f:
        return json.load(f)

# 检查文档中是否出现禁止使用的术语变体
def check_forbidden_terms(text, glossary):
    violations = []

    # 遍历每个术语条目
    for entry in glossary:
        # 获取该术语所有禁止使用的变体
        for variant in entry.get("forbidden_variants", []):

            # 使用正则忽略大小写匹配禁用词
            if re.search(re.escape(variant), text, re.IGNORECASE):
                violations.append({
                    # 实际发现的错误术语
                    "found": variant,

                    # 应该使用的正确术语
                    "expected": entry["approved_translation"],

                    # 关联术语编号,方便追溯
                    "term_id": entry["term_id"]
                })

    return violations

# 加载巴西葡萄牙语术语表
glossary = load_glossary("anvisa_glossary_pt-BR.json")

# 读取已经翻译完成的文档文本
document_text = open("ifu_draft_pt-BR.txt", "r", encoding="utf-8").read()

# 执行术语一致性检查
violations = check_forbidden_terms(document_text, glossary)

# 输出所有不一致术语
for v in violations:
    print(f"术语不一致:发现 '{v['found']}',应使用 '{v['expected']}',术语编号:{v['term_id']}")

这段代码不高级。

但它非常有效。

它可以作为 CI 的一个步骤:

文档在标记为“可送审”之前,必须先通过术语 lint。

对于监管机构常见的技术问询来说,这类低级术语不一致,往往比复杂翻译更难解释。

脚本能在毫秒级发现:

  • “sensor de pressão” 被写成了 “transdutor de pressão”
  • 某个已废弃术语又出现在新版本文档里
  • 同一个文件里两种译法混用

这比靠人工通读几百页文档更可靠。


3. 把术语表接入你已经在用的翻译平台

实际项目中,团队可能已经在用:

  • memoQ
  • Phrase
  • Trados
  • Crowdin
  • Lokalise
  • 其他 TMS/CAT 工具

这些工具大多支持术语导入,常见格式包括:

  • TBX
  • CSV
  • JSON
  • 工具专属术语库格式

不要只是把术语表发到群里,让译员“自己注意”。

更好的方式是:

把术语直接推送到翻译平台,让术语在翻译过程中实时校验。

如果接入 Phrase 的 API,代码可以长这样:

import os
import requests

# 从环境变量读取 Phrase API Token,避免把密钥写死在代码里
API_TOKEN = os.environ.get("PHRASE_API_TOKEN", "your_token")

# 从环境变量读取 Phrase 项目 ID
PROJECT_ID = os.environ.get("PHRASE_PROJECT_ID", "your_project_id")

# Phrase API 认证头
headers = {
    "Authorization": f"token {API_TOKEN}"
}

# 向 Phrase 项目术语库写入一条批准术语
response = requests.post(
    f"https://api.phrase.com/v2/projects/{PROJECT_ID}/glossary_terms",
    headers=headers,
    json={
        # 源语言术语
        "term": "pressure sensor",

        # 目标语言批准译文
        "target_term": "sensor de pressão",

        # 目标语言环境:巴西葡萄牙语
        "locale_id": "pt-BR"
    }
)

# 输出请求结果,方便 CI 或调试确认是否同步成功
print(response.status_code, response.json())

这一步的关键不是某个工具。

关键是:

术语不能只存在于参考文档里。
术语必须进入译员实际工作的上下文。

一旦术语被推送进 TMS,多个译员打开同一个文件时,看到的就是同一份批准译法。

某个术语更新一次,相关项目里的术语提示就能跟着变。

这比人工转发 Excel 稳得多。


用 Git 管理术语变更,而不是群里喊一句“用新词”

术语表一旦成为单一可信来源,就应该像代码一样管理。

放到 Git 仓库里。

每个术语变化都走 PR。

由真正负责术语的人 review,比如:

  • 医学写作
  • 法规事务
  • 临床审校
  • 资深译员
  • 本地化项目经理

不是每个工程师都适合改术语。

但每个工程师都可以看懂 diff。

比如:

# 查看术语表文件完整变更历史
git log --follow -- anvisa_glossary_pt-BR.json

# 比较两个版本术语表的差异
git diff v1.2.0 v1.3.0 -- anvisa_glossary_pt-BR.json

这样做有几个直接收益:

  • 能找到“什么时候、为什么、由谁改了这个术语”
  • 能把术语版本绑定到某次监管提交
  • 能区分三月提交材料和七月重新提交材料用的是哪版术语
  • 法规更新时,能快速知道哪些术语要跟着改
  • 发现错误术语出现在旧文档时,可以追溯它是否来自某个过期版本

对软件工程师来说,这很自然。

对很多还在用 Word、Excel 和聊天群管理术语的团队来说,这一步反而最值钱。


自动化不是替代专业审校,而是清理低价值错误

这里要划一条线。

脚本不会替代合格的医学译员。

自动化也不会替代 ISO 17100 这类翻译流程。

提交给监管机构的文档,仍然需要人工做最终判断。

机器可能发现:

  • 术语不一致
  • 禁用词出现
  • 版本号对不上
  • 文件之间术语漂移

机器不一定能发现:

  • 临床含义是否准确
  • 患者是否可能误解风险
  • 某个术语在特定语境下是否仍然安全
  • 监管语境下的措辞是否具备法律风险

所以正确定位是:

自动 lint 处理机械性错误。
人类审校处理临床、合规和语义判断。

不要让资深译员把时间浪费在:

  • 检查 pressure sensor 是不是又写错了
  • 检查三个文件之间术语是否统一
  • 检查某个废弃术语是否又混进来了

这些应该由脚本先挡住。


如果你是被拉进合规项目的那个工程师,应该先做什么

不用一上来就造完整平台。

最有价值的起点通常是:

  1. 把所有术语抽成结构化数据
  2. 建立一份唯一可信术语源
  3. 给术语加上状态、禁用词、参考法规、版本日期
  4. 写一个最小 lint 脚本
  5. 把脚本接进文档提交流程
  6. 把术语同步到翻译平台
  7. 用 Git 管理术语变化
  8. 让术语变更可 review、可追溯、可 diff

这看起来是“翻译管理”。

但对开发者来说,它其实是:

  • 配置管理
  • 版本控制
  • CI 校验
  • API 集成
  • 单一数据源治理

只要术语不再是散落在 Word 和 Excel 里的隐形知识,而是进入工程流程,文档集的一致性就会明显改善。

多文档翻译最怕的不是复杂。

最怕的是悄悄漂移。

工程方法的价值,就是让漂移在提交前暴露出来。

直达网址:https://www.m21global.com/en/blog/medical-device-translation-anvisa/

相关工具推荐

如果你正在找能直接上手的工具,下面这几个是同类场景里用户用得比较多的:

  • 博查AI搜索 —— 博查(Bocha)是国内比较新的 AI 搜索聚合平台。提米哥觉得它最大的卖点是“多模型切换”。你可以选择
  • 笔灵AI写作 —— 笔灵 AI 写作主打的是“场景全”。提米哥浏览了一下,发现它分类做得特别细,细到“入党申请书”、“述职报
  • 有道写作 —— 有道写作和火山写作类似,也是主打英文辅助,但网易有道作为老牌词典厂商,底蕴更深。提米哥觉得它的词汇库和例

想看更多同类内容,可以翻翻 开发者专区 分类。

更多工具可从 电商人入口 按人群(电商人 / 自媒体人 / 程序员 / 学生科研)进入。

more