FB 粉絲團
哪裡不一樣—— Reason VS. Cause
哪裡不一樣—— Maintain VS. Remain
哪裡不一樣—— Question VS. Problem
哪裡不一樣—— Reply VS. Response
哪裡不一樣—— Empathy VS. Sympathy
哪裡不一樣—— Effective VS. Efficient
哪裡不一樣—— Duty VS. Responsibility
哪裡不一樣—— Data VS. Information
哪裡不一樣—— Assure VS. Ensure VS. Insure
哪裡不一樣—— Common VS. Normal VS. Ordinary
 |
都叫Monroe，為什麼翻成夢露和門羅？
英翻中再翻英，Maxie你哪位？
人名的翻譯多半採用「音譯」，再翻回原始語文的時候，一定要回復原文。再舉個例子，到郵局的網站使用「中文地址英譯」功能，查詢新北市淡水區的馬偕街，發現英文翻譯為「Maxie St.」，這條街應該是為了紀念馬偕博士(George Leslie Mackay)，不過卻沒有回復原文，外國人應該很難聯想到Maxie和Mackay的關係，幸好馬偕紀念醫院(Mackay Memorial Hospital)忠實地使用了原文。其他類似的例子還有臺北市的逸仙路(Yixian Rd. )以及國立中山大學(National Sun Yat-Sen University)。不過同樣是外國人名，羅斯福路就翻譯成「Roosevelt Rd.」，情況還是有差異。或許路名相對之下比較不重要，不過國立中正大學的英文是「National Chung Cheng University」，並不是「National Chiang Kai-Shek University」，和蔣介石的連結就少了許多。
翻譯有三種，要對症下藥
翻譯主要分成音譯、直譯和意譯三種。音譯顧名思義，就是不管意思，直接用拼音文字翻譯成目標語言。對於一些不用管意思的名詞雖然可以這樣用，但是該翻譯的時候還是不能偷懶。網路上有個笑話，來源已經不可考。據說某處工地的變電箱前面，貼了一張告示「YOU DIAN WEI XIAN」這樣的公告老外看得懂才怪。而思果先生在《翻譯研究》一書中提到：「翻譯就是翻譯。好的翻譯裡有直譯，有意譯；可直譯則直譯，當意譯則意譯」。所謂的直譯，就是直接翻譯成目標語言中對應的文字，比較不顧及隱含的意思，並且保留文章的結構。
例如「John went to school.」可以直接翻譯成「約翰去上學」。
含有隱喻的句子，一定要意譯
而意譯則傾向將原文中的文化意涵、隱含意義（例如俚語、諷刺或是幽默）標示出來，必要的時候得調整句子結構以符合語法。
例如：「John cherry-picks evidence in his favor with the aid of his lawyer.」
X「約翰櫻桃挑選的證據，有利於他與他的律師的幫助」
O「在他律師的幫助下，約翰專門挑對自己有利的證據」
這時候如果翻譯成「約翰櫻桃挑選的證據，有利於他與他的律師的幫助」（以上是Google翻譯），這樣的翻譯就很不適當。因為所謂的「cherry-pick」表示「to choose or select what to one’s advantage」，也就是「挑軟柿子」，而且為了符合中文習慣，句子的結構也得調整，所以要翻譯成「在他律師的幫助下，約翰專門挑對自己有利的證據」。
擺脫「蝌蝌啃蠟」，可口可樂一翻成經典
翻譯不僅是門學問，更是藝術。好的翻譯除了看起來賞心悅目，還有巨大的商業價值。許多人在國中歷史課本中，都有讀過《門羅宣言》。這是美國第五任總統詹姆斯·門羅(James Monroe, 1758-1831)於1823年發表的。而瑪麗蓮·夢露(Marilyn Monroe, 1926-1962)則是20世紀最著名的電影女演員之一，也是家喻戶曉的性感女星。兩個看起來毫無關係的人，其實他們的姓氏卻是相同的。但是透過巧妙的翻譯，一個穩重可靠、一個清麗脫俗，給人的感覺完全不同。另外，大家都知道Coca-Cola是可口可樂公司的註冊商標。不過這種飲料剛傳入中國的時候，被翻譯成「蝌蝌啃蠟」，意即「bite the wax tadpole」，會咬蠟的蝌蚪。想當然耳，這種不知所云又怪裡怪氣的飲料，自然銷售不佳。我們現在所熟知的「可口可樂」，則是蔣彝教授的妙譯，這也是最知名的翻譯行銷案例之一。
不懂上下文，機器翻譯起先碰了壁
最後我們來談一下機器翻譯。根據麥爾荀伯格和庫基耶的《大數據》一書，在1954年，IBM的研究人員，在一台電腦上儲存了250組英俄雙語詞彙配對，以及6條文法規則，成功地翻譯了60個俄文短句。雖然這是好的開始，但卻不是成功的一半。因為到了1966年，研究人員不得不承認失敗。原因是語言中的「例外」實在太多，而且很多詞彙必須依照上下文或情境來翻譯。例如說「function」這個字，可能翻譯成「功能」、「作用」或是「函數」。
80年代讓機器向人類學習，獲得進展
所幸到了1980年代末期，IBM研究人員又有了新想法。這一次他們放棄將字典或是文法輸入電腦，而是讓電腦利用統計和機器學習的方法，去計算來源語言的某個詞彙，最有可能對應到目標語言的哪一個詞彙。在1990年代，他們把加拿大國會十年間的英法雙語文件輸入電腦。這些文件大約包含300萬個詞彙配對，而且因為是官方文件，所以翻譯的品質十分良好。這樣的翻譯方式，成效很不錯，總算讓機器翻譯的品質有了巨大的進展。
Google用全球網頁做資料庫，翻得更精準
谷歌在2006年也跨進這個領域，他們採用了全球數十億的網頁當成資料庫。雖然這些網頁的品質高下不一，不過谷歌發現與其「質精量少」，不如「質差量多」，只要用「簡單的模型加上大量的資料，就可以打敗複雜但是資料較少的模型」。因此谷歌翻譯，對於較多人使用的語言，例如中文、英文、西班牙文……都已經有不錯的翻譯品質。一些較少人使用的語言，能收集到的網頁資料當然比較少，如果要直接對譯或許有困難，這時候就得仰賴中間語言，例如英文，來當成媒介。而在微軟的機器翻譯部門，甚是還流傳一個諷刺的老笑話：「每當有語言學家離開的時候，就表示翻譯的品質要提高了」。
或許機器翻譯已經有了長足的進步，但是寫文章的是人，看文章的也是人，很多感覺和美感是電腦翻譯不出來的。只是翻譯工作者也必須拿出專業，至少目前的機器翻譯已經不會把常見的中國人名誤譯了。
文/ 李政崇
| 加入Line好友 |  |  |
-- 作者：李政崇資訊工程博士，現就讀音樂所碩士班。資料科學家以及業餘男中音，曾從事科普書籍翻譯，喜歡自己的方式學英文和看世界。