翻译整个文档的软件有哪些？当我们需要翻译整个文档时，使用翻译软件可以大大提高工作效率。以下是几种翻译整个文档的软件，可以为大家快速的解决问题。

谢您关注“永大英语”！

生成式人工智能开创机器翻译的新纪元了吗?

——一项质量对比研究及对翻译教育的思考

张文煜 赵 璧

摘要：以ChatGPT为代表的生成式人工智能技术一经问世，就引发了应用热潮，同时也对广大语言内容工作者的创作和服务模式构成了巨大冲击。本研究将机器自动评价和人工评价相结合开展译文质量评测实验，对当前GPT技术在翻译领域的应用表现进行了分析。结果表明，目前GPT技术在翻译领域中尚不构成对神经网络机器翻译技术的更迭，但在汉英翻译、术语翻译、文学翻译等领域已经表现出一定程度的质量提升。在此基础上，本研究对翻译教育如何应对人工智能技术带来的变革给出了建议。

关键词：ChatGPT；机器翻译；翻译教育；翻译质量；对比研究

引言

2022年11月问世的ChatGPT（Chat Generative Pre-trained Transformer），仅两个月就创造了APP用户过亿的新纪录。作为一款生成式人工智能语言模型，其强大的对话能力和生成能力使之具备了广泛应用于智能家居、医疗、金融、教育等众多领域的发展潜力，同时也对语言内容工作者的创作和工作模式构成了巨大冲击。基于此，本研究将重点关注该技术对翻译实践和翻译教育领域产生的影响，主要研究以ChatGPT为代表的生成式人工智能技术是否对机器翻译技术构成更迭，该类技术在哪些方面表现出明显的差异性，以及翻译教育者应当如何认识并应对这一新技术带来的变革等问题。

一、文献综述

ChatGPT虽然问世时间不长，但已受到了商界、学界和普通用户的广泛关注，各领域学者也对其开展了不少研究。整体来看，国内相关研究主要集中在两个方面：首先是ChatGPT技术在不同领域的应用研究，如政务服务与国家治理（高奇琦，2023；汪波、牛朝文，2023）、图书情报（储节旺等，2023；张慧等，2023；李荣等，2023）、新闻传播（郑满宁，2023；方兴东等，2023）、高等教育（崔宇红等，2023；张峰、陈玮，2023）等；其次是对ChatGPT技术伦理风险和监管需要的研究，如游俊哲（2023）、西桂权等（2023）、冯雨奂（2023）等分别对生成式人工智能技术在科研、安全、教育领域的伦理风险和防范机制进行了探讨。国外则以ChatGPT技术在教育和科研领域中的应用和伦理研究为主，其中既有着眼于整个教育系统的研究（Rospigliosi，2023；Kasneci et al.，2023），也有对某一具体学科教育的检视，如语言教育（Kohnke et al.，2023）、科学教育（Cooper，2023）、医学教育（Arif et al.，2023），还有对伦理问题的思考（Cotton et al.，2023；Dwivedi et al.，2023）等。目前，国内外均尚未有针对ChatGPT技术在翻译实践和翻译教育领域的具体评测和应用类成果见诸期刊。

关于机器翻译质量评测的研究则相对成熟。机器翻译质量评测的方法主要有自动化评价、人工评价和将两者相结合的半自动评价3种（戴光荣、刘思圻，2023），其中自动化评价又可分为有参考集、无参考集和基于语言检查点的诊断性评价3类，人工评价又可分为主观评价和错误类型评价两类（Chatzikoumi，2020）。每种评测方法都有其优点和缺陷，也都有各自适用的场景。研究者们运用这些评测方法，对多款机器翻译产品在不同领域的产出质量进行了评价，如：郭望皓、胡富茂（2021）对谷歌、百度、腾讯、有道和搜狗5个翻译系统在军事领域英译汉文本中的表现进行了BLEU（Bilingual Evaluation Understudy）值计算；Anazawa et al.（2013）调查了护士用户对护理文献英日机器翻译译文的整体有用性的评价情况；Wrede et al.（2022）采用错误类型评价方法对英语 - 斯洛伐克语的新闻机器翻译质量进行了评测。整体而言，对多语对方向、多主题领域开展的自动和人工相结合的机器翻译质量评价研究仍不多见。

二、研究设计

1. 研究思路

本研究旨在考察神经网络机器翻译（Neural Machine Translation，NMT）引擎和生成式人工智能语言模型（下文简称GPT）在英汉互译任务场景中的翻译质量差异，并在此基础上反思翻译教育应如何应对人工智能的最新发展变革。在研究对象上，选择有道翻译和DeepL翻译作为国内外主流神经网络机器翻译引擎的代表，选择前者主要是考虑到国产机器翻译引擎在汉语语料方面可能相对更有优势，选择后者则是因为其自称是“全世界最准确的翻译”，此二者基本可以代表神经网络机器翻译在英汉语对方面的标准水平；选择基于GPT-3.5架构的ChatGPT作为生成式人工智能语言模型代表，与神经网络机器翻译进行对比研究。在研究方法上，采用机器自动评价和人工评价相结合的测评方法，分别对神经网络机器翻译和生成式人工智能语言模型产出的译文进行BLEU值计算①（① 由国际计算语言学协会（ACL）举办的国际机器翻译大赛（WMT）每年均采用BLEU值作为自动评估指标，详见http://www2.statmt.org/wmt23/translation-task.html#_announcements。），并依据拟定的错误类型评分表进行人工打分，通过综合对比机器自动评价和人工评价的结果差异，衡量在翻译质量方面生成式人工智能语言模型相较于神经网络机器翻译是否有显著提升，以及具体应在哪些方面加以改进。

2. 语料选择

为保证评价结果的可靠性，本研究在选择语料时遵循以下原则：第一，选择真实的、未经编辑的自然语料作为实验对象，以考察神经网络机器翻译和生成式人工智能语言模型在翻译自然语料时的表现；第二，挑选难度适中的文本作为实验素材，以反映NMT和GPT的实际翻译水平；第三，选择涵盖小说、散文、学术著作、法律文件、新闻报道和科普文章等6类不同体裁的文本，以保证实验语料的多样性和代表性；第四，选择已有人工参考译文的源语文本，使实验语料满足BLEU值测算的要求。在选择参考译文时，本研究充分考虑了参考译文的质量要求，对于法律、科普和新闻类文本，选择政府和企业平台发布的官方译文；而对于小说、散文和学术著作，则综合考虑出版社、资助项目和译者的学术及翻译实践背景，选择具备参考价值的译文；第五，所节选的实验素材长度控制在320词/字左右，以保证实验的效率和人工评价的可行性。本研究所使用实验语料的具体信息见下页表1和表2。

3. 研究步骤

第一步，将12篇经过校对的节选源语实验语料（Source Text，ST）以纯文本格式逐一复制粘贴到网页版在线有道翻译和DeepL翻译的文本框，获得对应的NMT系统生成的目标语文本（Target Text，TT）。同时，再将12篇ST纯文本逐一复制粘贴至ChatGPT聊天框，并在聊天框中输入“英译中”或者“中译英”作为指令，获得GPT生成的目标语文本。

第二步，通过调用Python自然语言工具包库（Natural Language Toolkit，NLTK）中的corpus_bleu（）函数，对全部36篇TT样本进行BLEU值计算。

第三步，在参考计算机辅助翻译工具Trados Studio 2022内置的翻译自动化用户协会翻译质量评估默认模板的基础上，结合吕东莹（2020）、李奉栖（2022）等研究成果，拟制适用于本研究所涉及文类的翻译错误类型评估类别及计分标准。

第四步，邀请3位某外国语大学英语专业硕士研究生和1位拥有丰富翻译教学及实践经验的教师，依据拟制的翻译错误类型及计分标准，对随机选取的8篇TT样本进行人工评价前测实验，以检验人工评价标准的可理解性、可操作性、合理性和无歧义性。在收集前测实验结果和前测评价人员反馈的基础上，对人工评价标准中的一些指标和分类进行优化，对错误类型和严重程度描述中不够准确和清晰的地方进行调整，同时增加举例说明内容，以帮助研究人员更好地理解和应用该人工评价框架。最终确定的人工评价标准如下页表3所示。

第五步，邀请6位评测人员参与正式的人工评价。这6位评测人员中有3位为教学经验丰富的高校翻译专业教师，其余3位为翻译实践经验丰富的语言服务行业职业审校员，且这6人与前测评价人员均无重合。参与正式评价的6位评测人员均拥有英语或翻译专业硕士及以上学位，且均拥有丰富的中英文审读经验，能够客观公正地评估译文质量。为尽可能地保证评测结果的可信度和客观性，在评测过程中未向评测人员透露任何关于评测语料来源的信息，所有评测人员都以匿名方式进行评测，互不知晓其他评测人员的评价结果。

第六步，将36篇待评测的TT文本平均分发给6位评测人员，每位评测人员负责对2篇不同领域的ST文本（中文、英文ST文本各1篇）所对应的共6篇TT文本进行人工评价。人工评价采用错误标记法，同时标记错误类型和错误分值。错误类型包含准确性、语言、风格、术语和文化5个大类，其中每个大类又包含1至5个小类，但对小类的区分仅用于帮助评测人员判定错误类别，不需要详细标记。错误分值则根据错误的严重程度进行计算，大错每个计5分，小错每个计1分，重复错误需重复计分。比如在“大约有1%的人患有一种叫作幻视的极端疾病”这个句子中，评测人员认为“幻视”一词属于术语类别的严重错误，则需要将“幻视”一词用黄色高亮标注，并在词后用红色字体标注“（T-5）”，其中T代表术语（Terminology）错误，“-5”表示严重级别为大错，计5分。

第七步，评测人员完成TT文本的人工评价后，将评价结果返回给实验设计人员，由实验设计人员对评价结果进行汇总和数据分析。

三、数据分析与讨论

1. 机器自动评价结果

与人工评价相比，对译文质量进行机器自动评价具有速度快、成本低、不依赖人的主观判断等优点。本实验采用国际通用的BLEU算法来对译文质量进行机器自动评测。BLEU文本评估算法由美国IBM公司于2001年提出，其核心思想是利用N-gram匹配和惩罚因子对机器翻译译文和高质量人工参考译文进行相似度及距离计算，二者越相似，说明机译译文的质量越高，这时BLEU值也越高且越接近于1；反之，BLEU值则越低且越接近于0（Papineni et al.，2001；郭望皓、胡富茂，2021）。

本实验数据的描述性统计结果显示，有道翻译、DeepL翻译、ChatGPT这3款工具的汉译英译文BLEU均值分别为0.752、0.751、0.715（见表4），英译汉译文的BLEU均值分别为0.412、0.358、0.306（见表5）。

分别对比表4、表5中的BLEU值结果可以看出，在本实验选取的语料范围内，GPT英译汉和汉译英译文的BLEU平均值均低于NMT，说明GPT译文和人工参考译文的相似度最低，译文质量不尽理想。由此可见，GPT作为一款大型语言模型，虽然在应用场景的广泛性方面具有绝对优势，但在翻译这一细分领域的表现并未能明显领先于NMT。在这3款语言智能工具中，有道翻译的BLEU值最高，一定程度上显示了国产机器翻译引擎的语料优势确实对翻译质量有促进作用。

曾有研究者通过实验证明NMT的汉英翻译质量优于英汉翻译质量（秦颖，2018）。从本次实验的数据结果来看，两款NMT工具的汉英翻译BLEU均值也明显高于英汉翻译的BLEU值，且GPT也表现出了类似趋势，这说明NMT和GPT虽然模型架构不同，但整体上都更擅长处理汉英翻译任务。

2.人工评价结果

BLEU值能够在一定程度上反映译文质量的优劣，但由于该评测方法在同义词与复述、权重分配、召回率方面均存在一定的缺陷（李良友等，2014），故仅依据BLEU值无法对译文质量做出全面评判，还需结合人工评价结果进行综合分析。

（1）整体翻译质量对比

对6位评测人员基于错误类型和错误分值的评价结果进行统计（数据见表6），结果表明，3款语言智能工具在汉英翻译中出现的错误数量和错误分值整体上都明显少于英汉翻译，这与BLEU值结果的趋势一致。但与BLEU值评测结果不同的是，人工评价结果显示，GPT对英汉语对的翻译整体质量优于NMT，具体表现为：在英译汉的语对方向上，GPT的错误数量和错误分值均略少于NMT，但差异的显著性不强；而在汉译英的语对方向上，GPT的错误数量和错误分值明显少于NMT。从错误严重程度来看，两款NMT工具英译汉错误的平均分值为2.29，而GPT的平均分值为2.13，即GPT的表现略微占优，但优势不明显；不过，GPT汉译英错误的平均分值为1.71，而两款NMT工具的平均分值为2.32，差异比较显著，表明和NMT相比，GPT在汉英翻译时所犯的错误更微小，更不影响对语义的理解，故而译文质量更高。

（2）不同体裁文本翻译质量对比

人工评价结果显示，GPT的整体翻译质量优于NMT，这一优势在汉译英语对方向上尤为明显。研究者接着对GPT和NMT在不同体裁类型中的翻译表现进行了对比分析，结果如表7、8、9、10所示。

表7显示了3款翻译工具将不同体裁文本从英语译入汉语时的错误类型和错误分值的统计结果，可以看出，在科普文章这一类别中，GPT的错误分值明显低于两种NMT工具，仅为后者的一半左右。

对3款翻译工具在翻译英语科普文章时所犯错误的类型和分值进行详细分析（结果见表8），发现GPT的翻译质量优势主要体现在科学术语方面。在术语类别中，NMT翻译的平均错误分值为3.92，而GPT为1，约为前者的1/4。例如，本实验选取的“Mind’s Eye”节选文本中包含有术语“aphantasia”，意为“幻像可视缺失症”，有道翻译和DeepL翻译分别将其错译为“幻视”和“象皮症”，这两个译文均会给读者造成比较严重的理解障碍，故都被评测人员判定为大错；而GPT将其译为“失去想象力症”，虽然表述得仍不够准确，但至少不会导致理解障碍，因此被评测人员判定为小错。从统计数据看，GPT在术语类别上犯的所有翻译错误均为小错，因此在人工评价体系中更受青睐。

下页表9显示了3款翻译工具将不同体裁文本由汉语译入英语的错误统计结果，可以看出在文学类文本中，GPT的错误分值明显低于NMT。

对散文和小说文本翻译结果的进一步统计分析表明，GPT的英语译文在准确性方面有明显优势（见表10），比如GPT在散文节选语料的英语译文中共只犯了两个错误，且都为小错。

从文学类文本的翻译案例看，GPT在理解上下文语境方面比NMT有明显优势，故产出的英语译文可读性更强，语义也更清晰。如散文《匆匆》节选部分中的句子：

ST：去的尽管去了，来的尽管来着，去来的中间，又怎样地匆匆呢?

TT（有道翻译）：Those who have gone have gone，and those who have come have come，but how quickly have they come?

TT（DeepL翻译）：Although the go，despite the come，despite the come，go to the middle of the come，and how to rush it?

TT（ChatGPT）：Despite their departure and arrival，how fleeting the moments in between are!

DeepL翻译的译文“although the go，despite the come，despite the come”，不但令读者难以理解，还有明显的内容重复。有道翻译的译文可读性更强一些，但“how quickly have they come?”的语义和原文还是有一些出入。GPT的译文则更显灵活，对上下文的理解也更为准确。

四、研究发现

1. GPT与NMT表现的相似性

从本次实验结果看，GPT在汉英语对翻译上的表现与NMT有诸多相似之处。首先，在测评的两个语对方向的6种体裁文类中，GPT在大部分组合中的翻译质量和NMT非常接近，GPT与NMT之间的差异显著小于两款NMT系统之间的内部差异。这可能是因为GPT技术虽然在模型架构上有所突破，但依旧保留了编码器 - 解码器的基本模型原理和注意力机制，因此并未构成对NMT技术的彻底颠覆，使得GPT和NMT表现出相似性大于差异性的特征。其次，机器自动评价和人工评价结果都显示，GPT和NMT整体上都更擅长汉译英。这一表现趋势可能由多种因素所致，比如用于训练的汉译英语料数据整体质量更高，或者评价结果受到评测人员本身母语为汉语的影响等。

2. GPT与NMT表现的差异性

根据本次实验中的机器自动评价结果，GPT在汉英语对上的整体翻译表现不及NMT，但人工评价的结果则显示GPT的整体翻译表现略优于NMT。两种评价结果的差异主要缘于BLEU值算法没有将同义和权重关系考虑在内，因此机器测评结果并不能真正反映人类读者的直观感受，因而在测评语言智能技术的翻译质量时必须将机器自动评价和人工评价相结合，以全面地衡量其在翻译领域的真实表现。

进一步分析人工评测结果可以发现，GPT在英译汉方向上的优势不明显，而在汉译英方向上的优势非常显著，其中汉译英表现占优的主要原因是GPT的平均错误分值更低，即所犯错误的严重程度更低，因此对整体译文质量的影响较小。具体到体裁文类方面，GPT在科普文章体裁中的表现最佳，其术语翻译的准确性明显优于NMT；在文学类文本的汉英翻译方面，GPT具有显著优势，其错误数量和分值都明显低于NMT，尤其是在英语表达和汉语语境的理解方面都表现出更高的准确性。据此可以推测，相比于NMT技术，GPT的大型语言模型能将上下文中更多的语义特征转换成向量带入计算之中，从而实现译文质量的提升，本实验中对汉语散文和小说节选部分的翻译案例都明显符合这一推测。

五、对翻译教育的启示

本次评价实验虽然样本数量和规模有限，但实验结果揭示了GPT技术应用于翻译领域的一些特征，可以为高等教育阶段的翻译教学提供一些启示。

首先，GPT技术的问世虽然给整个知识服务和内容创作行业带来了巨大的挑战，但对翻译领域还未构成颠覆性的冲击。目前来看，GPT技术所产出的翻译成果还不能达到直接发布的水平，仍然需要人工的编辑和介入，因此并未从根本上改变人机合作的翻译工作模式。已经融入机器翻译等技术内容的翻译教育仍可继续沿用原有的培养方案、课程大纲等宏观设计，尚不需要做出重大调整。

其次，GPT的大型语言模型应用于翻译领域之后，进一步提升了自动产出译文的质量，尤其是在传统上认为机器翻译并不擅长的文学等领域中，其翻译质量的改善更为明显。可以预见，随着GPT-4甚至更高版本的语言模型问世并投入应用，人工智能在各种翻译场景中能够发挥的作用还将进一步扩大。因此，翻译教育必须保持对新技术的开放性和认可度，动态构建教育内容，积极探索“‘师 — 机 — 生’三元互动协同的教学模式”（周忠良，2023），不断更新既有认知、调整知识结构，以保证翻译教育的实效性。

最后，随着人工智能技术革新速度的不断加快，基于直观体验的知识学习模式为学生获得相对于教师的技术优势地位提供了更多机会。因此，翻译教师一方面要积极提升自身的知识更新能力，另一方面也要主动和学生协同构建新知识、新技能的学习共同体，培养学生的科学探索精神和知识分享意愿，使翻译教育始终保持与时俱进的进步性。

结语

2018年前后，神经网络机器翻译技术的广泛应用曾经引发过一轮机器翻译是否会取代人工翻译的大讨论；当下，GPT技术的飞速发展则在更大范围内引发了包括译员在内的语言内容创作者对人工智能的忧虑。本次评价实验的结果显示，GPT技术在翻译领域中尚未表现出对NMT技术的更迭，但在汉英翻译、术语翻译、文学翻译等不同领域表现出一定程度的质量提升。从翻译教育的角度来看，虽然目前尚不需要针对生成式人工智能技术进行重大的教学调整，但翻译教育工作者必须充分意识到人工智能对翻译工作性质和业务模式的重塑能力，理解技术变革的不可逆性，密切关注技术的新发展、新应用，及时在教学内容、教学模式、教学手段上与其对接，保证翻译教育能够满足国家发展战略和语言服务产业的实践需求。

本研究也存在一定的局限性：首先，评估人员的语言背景比较单一，未来可增加母语为英语的翻译评估人员参与译文评测，以提高译文人工评估的准确性；其次，译文的机器自动评价指标比较单一，未来可以使用更大规模的样本并引入更多的机器测评参数，以更深入全面地探究生成式人工智能技术在翻译领域的表现。

（参考文献 略）

（本文首次发表在《北京第二外国语学院学报》2024年第1期）

料库创建流程

● 语料采集

● 语料清洗、降噪

● 语料对齐

● 语料深加工

● 格式转换

01

语料库采集原则

1.学术价值或影响力原则：质量把控

2.时间原则：25年为一个周期，时间跨度不能太长

3.语料可及原则：获取足够规模

4.质量原则

5.分类原则：各个行业的分类

6.规模原则

【注】必须是真实的语言材料，采集方式：整本收录、抽样（随机抽样、分层抽样、聚类抽样）

语料库采集方法

1.资源获取

2.OCR识别

3.数据抓取技术

4.格式转换

语料库检索资源

COCA语料库-作为查词典的补充

BNC-英式英语

SKETCH ENGINE-多语种语料库

联合国文件数据库-正式文件

北京BCC汉语语料库-汉语语料

语料库在线-汉语语料

LIVAC汉语共时语料库

Tmxmall语料快捷

Glosbe多语种在线词典

Lingue-网络例句、官方网站（建议查询词组）

中国汉英平行语料大世界

句酷

BiCovid-疫情相关语料库

TAUS Data-多语种语料

MyMemory

光学识别软件

ABBYY 点击推文光学识别软件

ILovePDF-在线

CleverPDF-在线

QQ识别

TextForever

语料抓取

打开Teleport Ultra，点击文件-新建项目向导

复制需要抓取的网址https://www.kanunu8.com/book4/10369/index.html

选择需要抓取的内容

网址的原文本：

抓取后的文本：

02

语料清洗

噪音文本：

1.抓取的信息缺失、冗余

2.逻辑对应错误

3.格式、内容错误

常用清洗工具

TextForever

Notepad++/EditPlus

PowerGREP （借助正则表达式）

Microsoft Word

文本整理器

正则表达式

正则表达式30分钟入门教程：

https://deerchao.cn/tutorials/regex/regex.htm

利用word清洗

文章段落有下箭头，说明没有完全分行：

点击编辑-查找和替换-替换

在特殊格式里选择要替换的符号

软回车（手动换行符）替换为硬回车（段落标记），即^L替换为^P

点击全部替换，得到下图

删除如下图所示的多余空行：将^P^P替换为^P

利用文本整理器清洗

1.用于去掉空格、把全角符号替换成半角符号

2.导入的文本必须使用txt文档

03

语料深加工（学术应用）

1.语料分词

2.词形还原-变形、变体、变位、派生词等

3.语料标注-词法标注、语用标注、句法标注

4.元信息标记

04

语料对齐标准

1.英语原文与中文译文的句子对齐以一一对应为主，但也允许一对多、多对一等特殊情况存在。

2.一般以句号、问号、感叹号作为分句标记

3.保证各语言分句结果在句法逻辑上是完整的。

语料对齐工具

1.Paraconc-view corpus alignment：有对齐功能，但不可导出

2.CAT软件自带工具、组件：

SDL Trados：需要人工连线，比较麻烦

memoQ-LiveDocs

Dejavu Alignment

雪人翻译软件-对齐组件

3.独立工具：

Tmxmall在线对齐

ABBYY Aligner

Tmxmall在线对齐

导入双文档后，调整每一段进行一一对应

通过上移或下移使文本一一对应

合并分句：点击一个分句后按住ctrl，再选中另一个需要合并的分句

单个自然段的序号颜色相同，检查是否一一对应

在简单调整双语文本后，选择对齐

对齐后进行语料去重：点击高级功能-原文=译文

单击分句后，可选择删除

提取术语表：点击提取术语

可导出所需的格式

05

格式转换

不同软件对文件格式支持不同，因此需要文件格式转换：

1.翻译记忆库一般切换形式为*.tmx

2.SDL Trados 记忆库格式为*.sdltm

3.memoQ 的记忆库格式为*.mtm

4.Dejavu 的记忆库格式为*.dvmdb

5.用于学术研究的语料库一般为*.txt，但不同工具对文件编码要求不同：

Wordsmith 支持编码为Unicode

antconc 支持编码为UTF-8

paraconc 对中文支持ANSI编码，英文为UTF-8编码

格式转换工具

1.Heartsome TMX Editor：点击工具-将tmx文件转换成指定格式

2.CAT工具-转换格式

3.文件另存为-编码-保存

4.Notepad++：点击编码进行转换

记忆库管理工具

Heartsome TMX Editor

COCA在线语料检索

比如，直接输入词组break out，查看用法

输入*break out 查看哪些词后面可以跟break out

输入*_NNbreak out 查看哪些名词后面可以跟break out

管理语料

1.按照时间、领域、客户进行划分

2.参考利用已有语料库，避免重复劳动

3.团队共享已有语料库，把握翻译文本风格

4.常规语料分类

公众号 | 绿山墙外（雅思、翻译、翻译技术）