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:
- 发一个 PDF 给译员
- 译员翻完发回来
- 审校看完再发下一份
- 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:
- 加载术语表
- 打开待提交文档
- 搜索所有 forbidden variants
- 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:
- 把所有术语抽成结构化数据
- 建立一份唯一可信术语源
- 给术语加上状态、禁用词、参考法规、版本日期
- 写一个最小 lint 脚本
- 把脚本接进文档提交流程
- 把术语同步到翻译平台
- 用 Git 管理术语变化
- 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。