為什麼自動翻譯字幕讀起來很通順，卻還是會錯？

通順和正確是由不同階段產生的。翻譯階段的目標是輸出自然的文字，所以一個聽錯的詞進來時就已經壞掉了，接著被寫成一句自信、合乎文法的句子，而不是被標成不確定。

影片畫質越高，自動翻譯字幕會不會越準？

只有在音訊跟著變好時才會。語音辨識吃的是音軌，所以解析度無關 —— 一段乾淨的單麥克風錄音，效果比一個吵雜、人聲重疊的 4K 檔案好得多。

通常不用。它們帶有靜音狀態下拿不到的情境資訊，而且那些失效模式一旦認得出來就很好辨認。請對特定句子存疑，而不是把整條字幕軌丟掉。

自動翻譯字幕在「誰在做什麼、為什麼」這個層次上穩定堪用，但在雙關語、敬語、人名，以及任何一句翻錯就會改變意思的台詞上都不可靠。限制品質的與其說是翻譯這一段，不如說是餵給它的語音辨識。

對多數觀眾真正想要的東西 —— 跟上情境、角色關係，以及一段對話的大致走向 —— 自動翻譯字幕已經夠好了。但只要事情取決於某一句話的精確措辭，它就不夠好。

這種一刀兩斷不是在打太極。它是這條管線怎麼搭起來的直接後果：兩個自動化階段串在一起，第一階段的錯誤成為第二階段的輸入，而第二階段沒有任何辦法知道自己正在翻譯的東西根本沒人說過。

兩套各自獨立的系統依序執行，而且它們不會互相回話。

第一階段是自動語音辨識（ASR）。 它把音軌轉成帶時間碼的日文文字。對這類素材而言，這是困難的一段，也是大部分損害發生的地方。

第二階段是機器翻譯（MT）。 它拿那份日文文字，產出英文。現代的機器翻譯在這件事上是真的很強 —— 前提是輸入乾淨而且正確。

問題出在兩者的交界。第二階段收到的是文字，不是音訊。它聽不出來第一階段是用猜的。一個聽錯的詞，看起來和一個聽對的詞一模一樣，而機器翻譯就做它被設計來做的事：產出流暢、合文法的輸出。結果就是一句讀起來完美無瑕、但意思是從來沒人說過的話。

因為語音辨識的訓練與評測，大部分建立在廣播、講座與會議音訊上，而成人影片幾乎違反了那些素材所隱含的每一項假設。

講話會重疊。 ASR 是圍繞著輪流發言建的。同時說話的結果，不是塌成其中一人的台詞，就是產出兩人混在一起的東西。
有很大一部分音訊是非語言的。 呼吸與各種發聲佔據了系統預期會出現詞語的聲學空間，而一個偏向「找到語音」的系統，就一定會找到語音。
錄音條件差異極大。 手持與單麥克風的設定，語音雜訊比遠低於廣播的基準。
上下文視窗很稀疏。 機器翻譯靠周圍的句子來消解歧義。這裡的對白經常是短促、孤立的驚呼，周圍幾乎沒有可以拿來對照的文字。
日文會省略主語。 一個合文法的日文句子經常省略誰在說、對誰說，以及指涉的對象是單數還是複數。英文需要一個代名詞，所以翻譯器必須自己編一個 —— 而它會挑一個聽起來合理的預設值，然後充滿自信地講出來。
敬語與語體在英文裡沒有對應的位置。 由說話等級承載的關係資訊，是最先被弄丟的東西之一。

這些沒有一個是靠更好的翻譯模型能解決的，因為它們沒有一個是翻譯問題。

錯誤可以依「由哪個階段產生」乾淨地分類，而那也決定了它們有多容易被救回來。

錯誤類型	來自哪一段	在畫面上長什麼樣	對理解的影響
在非語音音訊上憑空生出台詞	ASR	沒人在講話的地方冒出字幕	低 —— 很明顯，容易忽略
聽錯的詞被流暢地寫出來	ASR	一句合文法、卻和場景兜不起來的話	高 —— 看不出來，而且看起來很合理
人名被變成普通詞彙	ASR	人名被換成發音相近的名詞	中 —— 會混淆，但察覺得到
代名詞的性別或單複數搞錯	MT	同一個人一下 he 一下 she	中 —— 突兀，但通常推得出來
敬語與語體被壓平	MT	所有人都用同一種中性語氣說話	中 —— 關係層次的細節完全消失
慣用語被照字面翻	MT	逐字對譯出一句毫無意義的話	低 —— 一看就知道是胡說
文字遊戲與雙關	MT	不是照字面翻，就是被換成毫不相干的東西	高 —— 那個梗直接不見了
重疊的對話被縮成一句	ASR	只有音量較大的那個人出現	中 —— 你會漏掉那一來一往

那兩列高影響的錯誤有一個共同性質：你光看字幕察覺不出來。 其他每一種都會自己現形。一個聽錯的詞被寫成流暢的英文不會，而這正是它最要命的原因。

在連貫性與情境上可以信；在任何意義具有承重作用的地方，都要存疑。

可以合理仰賴的：

值得存疑的：

一條實用規則：如果單獨一句字幕改變了你對整場戲的理解，就把它當成尚未查證。 真正的劇情資訊通常會被重述，或以視覺方式呈現。一個只出現過一次、只在一句話裡、之後再也沒出現的「揭露」，比較可能是管線產生的雜訊，而不是劇本裡的重點。

用這五個檢查看完前幾分鐘，等級就很明顯了。

其中兩項以上成立，就代表你正在看一條自動化管線的產出，而且品質不會在後面變好。這值得一開始就知道，因為它告訴你接下來一兩個小時裡，任何單獨一句話該給多少份量。