长期以来，口译教学最重要的四步“听、记、译、评”中，前三步教师能在课堂上带着学生走，第四步却常常“带不动”。一份交替传译练习，教师要重听录音、比对源语，判断哪里漏了信息、译反了逻辑，哪些卡顿影响沟通，才能写出评语……广东外语外贸大学高级翻译学院副院长王巍巍教授说：“一个班30人，如果一周进行一次练习，教师就要听30遍录音。这几乎是不可能完成的工作量。”这是口译教学长期面临的共性难题，“AI云帆译”由此应运而生。

从国家标准到智能平台

2014年至2018年，王巍巍团队参与研制《中国英语能力等级量表》（CSE）口译量表。2018年，该量表由教育部、国家语委正式发布。它把过去较多依赖经验判断的口译质量，转化为可描述、可分级的能力指标。

王巍巍说：“量表要真正起作用，必须变成教师和学生都能使用的工具。这就是‘AI云帆译’的起点。”

从量表到产品，团队走了近10年。2019年起，团队与阿里达摩院、阿里云等合作开展算法研发，逐步搭建1.0算法底座；2024年完成工程化开发，“AI云帆译”平台于当年底上线发布；2026年，基于预训练模型的口译自动评分模型（Pretrained-model based Automatic Scoring for Interpreting，PASI）获广东省生成式人工智能服务备案登记，成为广东省首个完成备案的高校自研口译测评模型。

平台贯通课堂4个环节

与市面上的翻译学习类AI产品相比，“AI云帆译”的特点在于以国家语言能力标准为理论基础。团队参与了CSE口译量表研制，对量表构念、等级描述与教学应用有持续而深入的理解，这使量表解释、模型建构与教学反馈能够保持较高的一致性。

王巍巍介绍，“AI云帆译”的技术链路分为4段：语音识别将学生的口译录音和源语音频转为文字；声学特征评分关注发音、流畅度、韵律和停顿等声音特征；语义评分在句级对齐基础上，结合多参考译文、源语信息与量表分级判据，评估信息传递质量，避免把单一参考译文视为唯一答案；最后通过反馈生成与交互，将分数转化为学生看得懂、能照着改的评语。

落到课堂上，平台可贯通4个环节：课前，学生完成预习性练习，系统自动测评并生成班级学情数据；课中，教师依据能力分布确定讲解重点，不再只凭印象判断；课后，学生开展线上线下练习，获得AI即时反馈并参与同伴互评；复盘时，再进行问题诊断和目标设定。一学年下来，每名学生都能沉淀出一份“口译能力发展测评报告”。

平台的核心底座是PASI口译自动评分模型。模型从内容、表达、交际三个维度评分，对应CSE口译量表中的准确度与完整性、语言使用与逻辑连贯、流畅度与有效沟通等核心要求。学生看到的不只是一个分数，还包括“目前处于什么水平、下一阶段需要做到什么”。目前平台主要覆盖中英双向交替传译训练，其他语对与任务类型正在持续建设。

覆盖校内4万余名师生

自2024年上线以来，平台已在广外本硕课程中常态化使用，服务覆盖校内4万余名师生。活跃用户累计使用中英口译练习素材538篇，教师发布班级口译任务741个，学生在线练习时长达7519小时。平台已嵌入《交替传译》《专题口译》《模拟会议口译》等核心课程，并辐射境内外多所合作高校。

云帆实验室负责人、广东外语外贸大学高级翻译学院口译系副教授许艺从平台上线起便在多门口译课程中持续使用。她认为，平台解决的较大问题不只是提高评分效率，更是把课外练习真正组织起来。教师精力有限，不可能每次练习都逐份点评；现在学生练习后能较快得到内容、表达、交际三个维度的反馈。她还观察到，同伴互评的质量也随之提高：过去讨论多停留在漏译和语法等表层问题，现在学生熟悉三个维度后，讨论更容易深入。

羊城晚报全媒体记者 陈亮