机器翻译使用计算机系统把源语言内容转换成目标语言。输出可以作为理解或后续语言工作的输入，但是否适合直接使用，需要结合文本与用途判断。

理解其工作方式，有助于区分“系统生成了句子”和“译文已经经过核实”。两者是不同状态。

不同方法怎样利用语言信息

早期的一类方法依靠词典和明确的语言规则，按规则处理词形与句法。统计方法则从已有双语数据中估计对应关系，选择可能的目标表达。

神经机器翻译通过训练模型学习语言之间的关系，再生成目标文本。它并不是逐词查字典，也不意味着每次都在检索一条已批准译文。不同系统可能组合多种方法，具体行为取决于模型、数据和使用方式。

AWS的机器翻译概述可作为这些基本术语的参考；本文不比较当前供应商的排名或各语种效果。

输入和使用条件会影响输出

同一系统面对不同主题、语言对和源稿质量，结果可能不同。专业术语、上下文不足、含混指代或源文错误，都需要在评估中关注。

如果系统支持术语或参考内容，应确认这些输入怎样被使用。提供了词表不等于每处都会正确应用，更不能把模型名称当作质量证明。

流畅的句子仍可能有错误

检查时需要回到源文，关注意思、遗漏、数字、否定、条件和术语，而不只看目标语言是否通顺。一句读起来自然的话，仍可能表达了不同事实。

需要人工译后编辑时，应事先说明目标质量、处理范围和验收方式。修改工作量也应基于实际样本评估，不默认机器输出总能缩短整个项目。

将技术选择放在交付要求里

能否使用某个系统，还涉及资料许可、访问方式、文件格式和项目边界。先确认允许处理的内容，再判断生成与检查如何连接。

何时使用机器翻译侧重项目适用性判断；技术与质量支持说明工具与语言检查的关系。技术提供一种处理方式，最终仍需明确谁确认内容可以使用。