沉浸式翻译

定义

沉浸式翻译是一款运行在浏览器中的翻译扩展程序，其核心形态是双语对照翻译：打开外文网页后，页面上的原文保持不变，译文按段落插入到对应原文的下方或附近，用户可以同时看到两种语言^[1]。这一呈现方式与浏览器自带的全页替换式翻译不同，后者翻译完成后原文通常不再保留。

该扩展的命名来自它的阅读体验设计。开发者为它设定的翻译最小单位是段落而非整页，通过识别网页的主内容区域，只在正文位置插入译文，从而降低对原网页结构和排版的干扰，让读者在页面中保持上下文语境阅读^[2]。

原理

沉浸式翻译本身不训练翻译模型，而是充当调度层：扩展负责抓取网页中的文本、切分段落、调用翻译服务并把译文写回页面，实际的翻译由外部的机器翻译服务或大语言模型完成^[3]。用户可以自行选择或配置翻译接口，接入的服务包括微软翻译、谷歌翻译、DeepL、OpenAI、Gemini、Claude、DeepSeek 等^[4]。

在网页翻译环节，扩展先对页面结构做分析，判断哪一部分是标题、正文、评论区等区域，只将正文部分送去翻译，再把译文节点插回原位。这一过程可以用下面的流程表示：

flowchart LR

A[加载网页] --> B[识别主内容区域]

B --> C[按段落切分文本]

C --> D[调用所选翻译引擎]

D --> E[译文回填至段落下方]

对于 PDF 和图片类内容，由于文本无法直接读取，扩展会引入文档解析与光学字符识别（OCR）能力，先提取文字再翻译，并把译文重新排版回原文档的版式之中，以保留公式、表格等元素的位置^[1]。

发展历程

沉浸式翻译由独立开发者 Owen 创建。据其自述，灵感来自阅读萧伯纳剧本《巴巴拉少校》时见到的「一段原文加一段译文」的排版，他由此意识到全页覆盖式翻译会破坏原文排版，于是着手做一个双语对照的网页翻译工具^[5]。该扩展于 2022 年 10 月上架，初版上线后经由开发者和技术社群的口碑传播，积累起首批约 40 万名用户^[5]。

2023 年前后，扩展陆续加入输入框翻译、鼠标悬停翻译，以及对 PDF、Epub 电子书、TXT 和字幕文件的翻译支持^[6]。此后它把翻译引擎扩展到十余种，成为同类工具中支持翻译服务较多的产品之一^[7]。

2024 年，沉浸式翻译入选 Chrome 浏览器年度最佳扩展程序^[5]。同一年，项目被一家公司收购，开发者继续负责产品的技术与研发工作^[5]。

应用

网页阅读是它最主要的用途。用户在 Chrome、Edge、Firefox 等桌面浏览器以及部分移动端浏览器中安装扩展后，可直接对外文新闻、技术文档、论坛和社交媒体页面开启双语显示^[8]。针对 Google、Twitter、Reddit、YouTube、彭博社、华尔街日报等站点，扩展做了单独的适配，使译文区域更贴合这些页面的结构^[3]。

在文档场景中，它可以对 PDF、EPUB 电子书、TXT 和字幕文件进行翻译，并允许下载双语版或仅译文版^[1]。视频方面，扩展可为 YouTube、Netflix、Bilibili、TED 等站点的视频生成双语字幕，也适配了 Google Meet、Zoom、Microsoft Teams 等在线会议的字幕翻译^[1]。

面向学习和专业阅读，扩展提供术语库和 AI 专家等功能，用户可以指定某一行业的角色设定或固定专有名词的译法，以提高特定领域译文的准确性和一致性^[1]。

局限

译文质量并不由扩展本身决定，而取决于用户选用的翻译引擎。不同引擎在语种和领域上的表现差异明显，传统统计式或神经网络机器翻译与基于大模型的翻译在长句、专业术语和语气上的效果也不一致^[9]。扩展提供的是调用通道和展示方式，无法修正底层引擎给出的错误译文。

双语对照的插入方式对页面的动态性和结构有一定要求。当网页大量使用动态加载内容，或正文与控件、图片混排时，主内容区域的识别可能出现偏差，导致部分内容未被翻译或译文位置不当^[2]。

翻译行为需要把网页或文档文本发送到第三方翻译服务，因此使用效果受网络连通性影响，部分服务在特定网络环境下不可用^[9]。此外，扫描件、纯图片内容需要先经过 OCR 识别，识别错误会直接带入译文^[1]。

项目最初以开源形式起步，之后转为闭源并进入商业运营，公开的源代码仓库已不含扩展源码，早期版本仓库于 2023 年 1 月 17 日归档^[10]。这一变化使第三方难以审计其代码实现。

参见

• 机器翻译 —— 沉浸式翻译调用的底层翻译技术类别。

• 大语言模型 —— 扩展可接入的 AI 翻译引擎所依赖的模型。

• 光学字符识别 —— 处理 PDF 与图片翻译时用到的文字提取技术。

• 浏览器扩展 —— 沉浸式翻译的产品形态。

• DeepL —— 可选的翻译引擎之一。

• 双语对照阅读 —— 该扩展的核心呈现方式。