阿里翻译是阿里巴巴推出的多语种在线实时翻译网站，官方描述为覆盖 200+ 语言的智能机器翻译服务，支持多种领域，并提供文档翻译、图片翻译、视频翻译、语音翻译等多模态能力。
「多模态」这个词听起来抽象，落到实际使用上其实很好理解：你要翻的东西不再只是一段文字，而是文件、图片、视频和声音。这篇文章按这几种形态分别讲。
文本翻译：200+ 语言与领域适配
文本翻译是最基础的一层。官方描述提到覆盖 200+ 语言，同时支持多种领域，后者其实比语言数量更值得关注。
通用机器翻译在新闻、日常对话这类内容上表现通常不错，但到了垂直领域就容易出问题：同一个词在电商、医疗、金融里的含义可能完全不同。语种数量决定你能不能用，领域适配决定你用起来准不准，这两个维度要分开看。
还有一点值得注意：领域适配通常不是自动完成的。多数平台会提供领域或模型选择项，需要你在提交前手动指定。不指定领域，就等于让系统用通用模型处理专业内容，结果往往差一截。
文档与图片翻译
文档翻译面对的是文件，官方描述把它列为多模态能力之一。这类翻译的核心诉求是保结构，译文要尽量对回原文的段落和版式，否则翻完还要人工重排。
图片翻译面对的是图片里的文字，比如商品图、截图、扫描件、路牌。它的流程比文档多一步：先识别文字，再翻译。这一步很关键，识别错了，后面的翻译再准也没用。 所以图片清晰度、拍摄角度、字体是否规整，都会直接影响结果。
视频与语音翻译
视频翻译和语音翻译属于同一类，输入都是连续的音频流。官方描述把它们列为独立能力，说明平台区分了这两种形态。
语音类翻译的难点不在词汇，而在音频本身：语速快、口音重、多人对话、背景噪声，都会让识别先出错。视频翻译还要多考虑一层字幕的时间轴——译文长度和原文不一致时，字幕的显示时长和换行位置都需要调整。这也是行业里视频翻译通常比文本翻译更费时的原因。
多模态翻译的边界
能力多不等于每一条都能直接交付。图片和语音翻译都建立在识别环节之上，识别环节有误差，最终结果的误差就会叠加。
另外，官方描述强调的是覆盖范围和能力种类，并没有展开每种能力的具体限制。涉及正式对外发布的内容，把机器翻译的结果当草稿、再人工过一遍，是更稳妥的做法。
实际工作中更常见的做法是分段处理：把容易出错的部分，比如专有名词、数字、表格内容单独拎出来人工核对，其余交给机器。机器翻译省的是时间，不是责任。
小结
- 阿里翻译是阿里巴巴推出的多语种在线实时翻译网站。
- 官方描述覆盖 200+ 语言，并支持多种领域。
- 多模态能力包括文档、图片、视频、语音翻译。
- 图片与语音翻译多一道识别环节，识别质量直接决定最终结果。
- 正式对外内容建议机器翻译加人工复核。