什么是翻译领域的 literal translation

简介: 什么是翻译领域的 literal translation

在探讨 literal translation (直译)这一概念之前,我们需要明确翻译活动本质上涉及的是两种语言文本之间的意义转换,这一过程可以大致分为 literal translationfree translation (意译)。literal translation,顾名思义,是指尽可能忠实于原文的字面意义进行的翻译。它强调在保持源语言表达的同时,尽量准确地传达其原有的意思和形式。


定义和特点

literal translation 通常被定义为一种较为严格的翻译方法,其主要特点是尽可能不添加、省略或改变原文的信息。这种翻译方式尤其重视文本的直接对应,包括词汇的直接对应和结构的直接对应。因此,它经常被用在法律文件、历史文献、技术说明书以及宗教文本等要求高度准确性的领域。


优点

literal translation 的一大优势是其对原文忠实度高,可以为专业人士或学术研究提供准确的参考。例如,在法律领域,准确的词汇和表达是极为重要的,任何微小的误差都可能导致法律诉讼中的误解或争议。


缺点

然而,literal translation 也存在一定的局限性,特别是在处理富有表现力的文学作品时。直译可能无法传达原文的文化背景、情感色彩以及语言风格,因此有时会显得生硬或不自然。在某些情况下,它可能无法为读者提供流畅和易于理解的译文。


实际应用

让我们来看几个 literal translation 的例子:


例子 1: 俗语翻译

中文俗语:马马虎虎

直译:horse horse tiger tiger

这个直译虽然忠实于原文的字面意义,但对于不熟悉这一表达的英语读者来说,这种翻译显得毫无意义。正确的翻译应考虑到表达的实际含义,即 so-so 或 just soso。


例子 2: 技术手册

英文原文:Make sure the device is turned off before cleaning.

直译:确保设备在清洁前已关闭。

这种直译在技术手册中是完全可接受的,因为它传达了必要的操作指令,确保使用安全。


例子 3: 文学作品

英文原句:The old man and the sea

直译:老人与海

虽然这是海明威作品的标题,直译在这里非常合适,因为它简洁而精确地保留了原标题的意境和信息。

结论

literal translation 作为一种翻译策略,其适用性取决于文本类型和翻译目的。它在确保信息准确传递、维持原文结构和意义方面具有不可替代的作用,尤其适合于法律文件、科技文献等领域。然而,在处理文学作品和日常交流时,则需要更灵活的翻译方法,以更好地适应目标语言的文化和语言习惯。


通过对 literal translation 的深入了解,我们可以更加明智地选择适合各种具体情境的翻译方法,不仅仅是机械地应用一种固定的策略。每一种翻译方法都有其独特的优势和局限,选择合适的翻译方式,可以使翻译工作更加高效和准确。

相关文章
什么是翻译领域的 Interpretative translation
什么是翻译领域的 Interpretative translation
|
2月前
|
机器学习/深度学习 自然语言处理 对象存储
[wordpiece]论文分析:Google’s Neural Machine Translation System
[wordpiece]论文分析:Google’s Neural Machine Translation System
28 1
|
2月前
|
机器学习/深度学习 自然语言处理 TensorFlow
[Character Embedding]论文实现:Text Understanding from Scratch
[Character Embedding]论文实现:Text Understanding from Scratch
19 2
|
2月前
|
自然语言处理 算法 Python
[SentencePiece]论文解读:SentencePiece: A simple and language independent subword tokenizer...
[SentencePiece]论文解读:SentencePiece: A simple and language independent subword tokenizer...
24 0
|
2月前
|
机器学习/深度学习 自然语言处理
机器翻译(Machine Translation, MT)
机器翻译(Machine Translation, MT)
54 1
|
9月前
|
数据挖掘
【提示学习】Prompt Tuning for Multi-Label Text Classification: How to Link Exercises to Knowledge Concept
文章这里使用的是BCEWithLogitsLoss,它适用于多标签分类。即:把[MASK]位置预测到的词表的值进行sigmoid,取指定阈值以上的标签,然后算损失。
|
机器学习/深度学习 编解码 人工智能
Text to image综述阅读(2)A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis
这是一篇用GAN做文本生成图像(Text to Image)的综述阅读报告。 综述名为:《A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis》,发表于2019年,其将文本生成图像分类为Semantic Enhancement GANs, Resolution Enhancement GANs, Diversity Enhancement GANs, Motion Enhancement GANs四类,并且介绍了代表性model。
Text to image综述阅读(2)A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis
|
11月前
|
自然语言处理
【论文速递】ACL 2022 - Prompt for Extraction? PAIE: Prompting Argument Interaction for Event Argument Extr
在本文中,我们提出了一个既有效又高效的模型PAIE,用于句子级和文档级的事件论元抽取(EAE),即使在缺乏训练数据的情况下也能很好地泛化。一方面,PAIE利用抽取目标的提示调优,以充分利用预训练语言模型(PLMs)的优势。
51 0
|
机器学习/深度学习 人工智能 数据可视化
【文章阅读】Frustratingly Simple Few-Shot Object Detection
从几个例子中检测稀有物体是一个新出现的问题。先前的研究表明,元学习是一种很有前途的方法。但是,微调技术几乎没有引起人们的注意。我们发现,仅对稀有类现有检测器的最后一层进行微调对于少镜头目标检测任务是至关重要的。在当前的基准测试中,这种简单的方法比元学习方法高出大约2~20个百分点,有时甚至会使以前的方法的准确率翻一番。
168 0
|
算法 计算机视觉 C++
翻译:Selective Search for Object Detection
在这篇指导,我们将会理解一个在目标检测中的重要概念——Selective Search。我们也会在 C++ 的和 Python 上分享 OpenCV 代码。
111 0