一、重新认识音译：定义与两条本质特征

音译指依据语音相似性，将一种书写系统中的文本转写为另一种书写系统文本的行为。其英文术语 transliteration 的核心含义，是“通过字母系统之间的转录实现跨语言表达”，例如把汉语专有名词转换为拉丁字母拼写形式，或把西方人名转换为汉字形式。中文语境下，这一术语通常对应“音译”与“字译”两个名称，词性为名词，英式读音为 /ˌtrænz.lɪ.tərˈeɪ.ʃən/，美式读音为 /trænˌslɪt̬.əˈreɪ.ʃən/。

从工程与语言学双重视角看，音译有两条不可分割的本质特征：

1. 保留读音而非传达意义。 音译追求的目标是：转写结果被朗读时，与源语文本的发音尽可能接近，而不负责解释原文语义。英语 hysteria 被转写为“歇斯底里”，四个汉字的字面组合并不构成完整的语义单位，但连读时高度还原了源词的发音轨迹。类似的还有 sofa→沙发、humor→幽默、logic→逻辑等，它们都是“传音优先”的典型产物。

2. 映射发生在文字系统之间。 音译的加工对象是字符与拼写，而不是概念本身。这使它与语义翻译形成清晰分工：语义翻译回答“这个词或这句话是什么意思”，音译回答“这个词在目标语言的书写系统里应该怎么写、怎么读”。

二、音译与语义翻译的边界：传音、传意与混合策略

理解边界，才能在系统中正确选择策略。可以归纳出一条基本决策原则：

• 当源语概念在目标语中存在现成、稳定的对应物时，优先走语义翻译路线，例如把 mountain 译为“山”；
• 当源语是专有名词、文化特有概念、目标语中不存在对应事物，或强行意译会造成信息损失时，音译往往是更合理甚至唯一可行的选择。

在真实业务中，两者经常不是互斥而是组合使用的：

• 音译为主、意译补充：先转写发音，再附加类别词，如“某某河”“某某山”，帮助读者理解实体类型；
• 音意结合：在贴近源语发音的同时选用带褒义联想的字符。这一策略在商标与品牌译制中极为常见，目标是在“听得像”与“记得住、有好感”之间取得平衡；
• 保留原形 + 音译并存：在数据治理与国际化场景中，常同时维护原文、规范转写、本地化译名三个字段，以满足检索、展示、合规等不同需求。

这套混合策略并非现代发明。唐代玄奘提出的“不翻”原则，实质上就是一套早期的音译使用准则：秘密故（咒语类文本保留读音以存其庄严）、含多义故（一词多义时意译必有取舍）、此无故（中土没有的物名无从意译）、顺古故（沿用前人已成定式的音译）、生善故（音译更能唤起庄重感）。五条准则几乎覆盖了现代专名转写理论中“必须音译”的全部核心场景，其抽象程度即使放到今天的翻译工程规范中也毫不逊色。

三、历史脉络：从语言技艺到可建模的技术任务

transliteration 一词由前缀 trans-（意为“跨越”）与拉丁语 littera（意为“字母、字符”）复合而成，其英文形式最早见于1835年；更早的1802年，同义的 Translettering 一词已经出现。但作为语言实践，音译的历史远早于这个术语——玄奘的译经体系即是明证，阿拉伯语人名、地名的规范化转写传统同样绵延千年。

进入计算语言学时代后，音译完成了从经验技艺到技术任务的转变。其标志性变化是：专名的跨语言转写被明确建模为“字符串到字符串的映射问题”，拥有了平行数据、概率模型与量化评测。特别是在自动语音识别（ASR）、文本转语音（TTS）、跨语言信息检索（CLIR）与机器翻译（MT）等系统中，音译成为处理词表外（OOV）单词的关键手段——尤其是拉丁字母语言与中文、日文、韩文等表意文字语言之间的专名互转，几乎无法绕开音译环节。

四、技术实现：四条主流路线的对比与取舍

1. 规则与映射表方法

最直接的方案是建立字符级映射表，或采用官方标准化转写方案（如汉语拼音方案、各国通行的罗马化方案）。其优点非常突出：可解释、可审计、零训练成本、结果稳定可控；缺点同样明显——难以处理多音字、上下文相关的读音变化和不规则发音，且映射表维护成本随语言对数量线性增长。规则方法至今仍是专名规范化、地名标准化等对一致性要求极高场景的首选。

2. 发音桥接的两阶段方法

将任务拆分为“字素到音素”（G2P）与“音素到字素”（P2G）两步：先把源语文本转成音素序列，再由音素序列生成目标文字。中间的音素层相当于一门“通用语”，天然屏蔽了两套文字系统在拼写规则上的差异，特别适合处理读音规则悬殊的语言对。代价是需要两套模型，且误差会在阶段间传递。

其流程可以示意如下：

源文本 "Smith"
  → G2P → 音素序列 /s m ɪ θ/
  → P2G → 目标文字候选 "史密斯"

3. 统计对齐方法

基于平行专名对语料，学习源语言字符与目标语言字符之间的对齐概率与生成概率，解码时搜索整体概率最大的目标串。这类方法对语料分布的适应性好，能自动学到“某个源字符常对应哪几个目标字符”的统计规律，但效果高度依赖对齐质量与数据规模。

4. 神经序列模型

以编码器-解码器结构（含注意力机制、Transformer 架构）为代表的端到端模型，可以直接学习字符序列到字符序列的映射，自动捕捉上下文相关的读音歧义，是当前学术界与工业界处理音译问题的主流选择。其短板在于需要一定规模的平行数据，且对低频专名的泛化能力仍是难点。

评测指标

业界常用词错误率（WER）、字符错误率（CER）与 Top-K 候选命中率来衡量音译质量。需要注意：专名音译天然存在多个可接受答案（同一外文名可有多种约定俗成的汉字写法），因此 Top-K 指标往往比“唯一最优答案”指标更贴近真实业务需求。

五、典型应用场景

1. 机器翻译的 OOV 兜底。人名、地名、品牌名通常不在翻译词表内，音译模块负责把这些“查不到的词”合理地带入目标语言，是机器翻译系统处理专名的标准手段。
2. 语音链路的读音生成。TTS 需要为专名确定读音，ASR 需要将听到的专名落成正确的文字，双向都依赖音译或其逆过程。
3. 跨语言信息检索的召回扩展。将用户查询中的专名转写为目标语言的多种可能拼法，可以显著扩展检索召回，避免因拼写差异漏检。
4. 输入法与文本预测。部分输入法软件集成了音译能力，允许用户以拉丁字母键盘输入并获得目标语言字符的预测候选；专门的音译工具也支持多种语言间的字符互转。
5. 专名规范化与数据治理。在多语言数据仓库、国际化产品本地化中，为同一实体建立跨语言的规范转写形式，是消歧与实体对齐的基础工作。

在工程落地时，团队既可以基于上述路线自建音译模块，也可以借助云平台的通用类目服务快速获得基线能力——例如百度智能云等云服务商普遍提供机器翻译、语音识别与文本转语音等标准服务，专名处理正是这类服务绕不开的内置环节，适合作为能力验证与业务起步的选项。

六、工程实践要点与示例代码

规则式转写最容易上手，下面是一个简化的拉丁字母到西里尔字母的映射示例，重点展示“最长匹配优先”这一关键实现细节：

# 简化演示：拉丁字母 → 西里尔字母的规则式转写
# 生产系统还需处理上下文规则、音节结构与多候选生成
TRANS_MAP = {
    "sh": "ш", "ch": "ч", "zh": "ж", "th": "т",
    "a": "а", "b": "б", "g": "г", "d": "д", "e": "е",
    "z": "з", "i": "и", "k": "к", "l": "л", "m": "м",
    "n": "н", "o": "о", "p": "п", "r": "р", "s": "с",
    "t": "т", "u": "у", "v": "в", "f": "ф", "h": "х",
}
def rule_transliterate(text: str) -> str:
    out, i = [], 0
    while i < len(text):
        # 优先匹配双字符组合：保证 "zh" 输出 "ж"，
        # 而不是被错误拆解为 "з" + "х"
        if text[i:i + 2] in TRANS_MAP:
            out.append(TRANS_MAP[text[i:i + 2]])
            i += 2
        elif text[i] in TRANS_MAP:
            out.append(TRANS_MAP[text[i]])
            i += 1
        else:
            out.append(text[i])  # 无映射字符原样保留
            i += 1
    return "".join(out)
print(rule_transliterate("zharov"))  # 输出: жаров

除实现本身外，实践中还需关注以下要点：

• 数据构建：从高质量双语平行语料中抽取专名对，清洗同一实体的多种历史译名，是统计与神经路线的前提；
• 歧义消解：结合上下文、领域词表与多候选排序机制处理一对多映射，必要时引入人工审核闭环；
• 质量保障：通过回译校验、一致性词典、术语库冻结等机制，防止同一专名在系统各处出现多种写法；
• 降级策略：神经模型给出低置信度结果时，回退到规则映射或保留原文，保证系统输出始终可用。

七、挑战与发展趋势

音译至今仍面临三类核心挑战：一是一对多与多对一的映射歧义，同一发音可对应多种合法写法；二是方言、口音与发音变体带来的源端不确定性；三是低资源语言平行数据稀缺，模型泛化困难。趋势层面，随着多语言统一表示与大模型的发展，音译正逐步融入更通用的多语言理解框架，与实体链接、术语管理等任务协同，从孤立的“字符串转换”演进为跨语言知识处理链条中的一环。

八、结语

音译的本质，是在两套文字系统之间以语音为桥梁完成“传形”。它不解释意义，却让名字、地名与文化概念得以跨越语言的边界流动。对开发者而言，掌握其定义边界、历史逻辑与四类技术路线的取舍，再结合业务场景选择规则、统计或神经方案，就能构建出既准确又可维护的跨语言文本处理能力。