在法律、医学、科技等专业翻译领域，术语的规范性与一致性直接影响译文的准确性与专业性。然而实际翻译中，术语对齐常面临提取效率低、译文质量不稳定、缺乏可复核术语表等难题。传统方法如Python + Google Translate虽能提供初步自动化支持，但在专业语境中的表现仍然有限。近年来，得益于自然语言处理工具与大语言模型技术的发展，译者不仅能高效构建术语对照表，也能有效提升术语翻译的准确性。本文基于Python 与LLM 技术，以真实英文股权买卖合同为例进行应用演示。
01
术语输入处理
在进行以下步骤前，可先将合同保存至桌面（命名为：合同.docx），方便后续术语读取：
安装python—docx库用以读取桌面的合同文档： 安装spaCy库，以及en_core_web_sm模型。该模型具备词性标注（POS tagging）、依存句法分析（dependency parsing）和命名实体识别（NER）等基础语言处理能力，能够对输入文本进行结构化分析。【如果需要对术语进行聚类或是语义匹配可以使用en_core_web_lg模型】展开剩余81% 进行术语提取，将代码复制到文本编辑器中，保存一个py格式的文件，用于后续翻译：【注意此处文件保存格式，不然会影响后续的术语提取】
【成功后会得到这样的Excel文件】
02
术语翻译与标注
获得初步术语列表后，核心挑战在于获得准确、专业的翻译。此处采用了硅基流动平台上的DeepSeek-R1-Qwen3模型的API进行术语翻译：
【获得API与代码后，就可以通过AI生成翻译代码，并输入明确的prompt，例如“请将以下英文法律术语翻译成规范、准确的中文法律术语”，为LLM提供翻译风格，提高翻译准确性。代码生成好之后，替换到刚刚保存的extract_translate.py文件中，再在终端里运行python3 /Users/（根据所用电脑路径填写）/Desktop/translate_terms.py这个代码】
此处需要关注的是，填写API时要注意格式是否正确，“< sk- >”是错误的代码，要确保前后没有符号（“sk-”）才能够顺利运行（大部分翻译执行失败都是因为API的问题）。接下来输入运行指令，就可以生成对应的术语对照表：
03
术语输出与校对
与传统的MT翻译相比，LLM在翻译准确性方面有显著提高。例如，LLM可以将“closing date”准确译为“交割日期”，而Google translate则将其译为 “截止日期”；“Exchange Act” LLM译为《证券交易法》，Google translate译为《交换法》
（此处为Google translate翻译结果）
此外，考虑到术语表后续使用，可以添加“审校状态”“审校备注”等列，方便修改。校订完后的术语表还可以导入到Trados Studio，memoQ中，提升翻译的效率和一致性。
相较于机器翻译而言，大语言模型在上下文理解、多义词以及专业术语适应等方面都有较大优势，能有效避免术语“字面直译”的常见问题。与此同时，结合不同文本的指示词，这种模式能够更好地实现翻译结果形式的统一性，有一定的可复用价值与扩展空间。但是由于法律术语的特殊性，LLM的翻译无法完全替代人工校对，不过能够在很大程度上节省译者查找整理术语的时间。
发布于：山西省股票市场杠杆提示：文章来自网络，不代表本站观点。
