简短回答： 按四项因素合并打分来排列语言的先后，而不是按使用人数：每种语言能释放的收入与用户、基座模型对它的处理能力如何、把数据做到你的质量门槛需要多少成本，以及上线之后的运营负担。多数团队第一波应当发布三到五种语言，之后再一波一波地增加。
核心要点
- 语言的先后顺序是一个跨四项因素的组合决策：对你而言的市场价值、基座模型的就绪度、达到目标质量所需的数据成本，以及长期的运营负担。
- CSA Research 一项覆盖 29 个国家、8,709 名消费者的调查发现，76% 的人偏好在有母语产品信息的情况下购买，40% 的人则根本不会在其他语言的网站上购买。
- 在不同语言之间，达到同样产品质量的成本可以相差一个数量级，而且恰恰在基座模型最弱的地方成本最高。
- 只有当母语评测集存在、模型在其上达到质量门槛，并且配有母语者升级处理通道时，一种语言才算被支持。
- 翻译过来的基准会高估模型能力，因此就绪度必须用母语来测，否则路线图的顺序就会排错。
为什么语言顺序是一个数据决策，而不只是市场决策？
因为在 AI 产品中支持一种语言，并不是预算里的一行翻译费。它是一整套数据工程，涵盖采集、微调素材，以及一个能告诉你产品在当地是否真的可用的评测集——而这套组合的成本在不同语言之间差异极大。
语言支持 指的是模型在这种语言上已经做过数据采集、基于母语质量的数据做过调优并接受过评测，而不只是界面被翻译了一遍。
差异本身才是重点。对高资源语言来说，可用的文本和语音数据或许现成就能授权取得，而且基座模型本来就表现不错，所以你额外要做的数据工作很薄。对低资源语言来说，数据必须去采集而不是去找现成的——这种实地作业的现实，在以下文章中有描述： 如何为低资源语言收集语音数据，而基座模型的起点质量也更低，于是恰恰在数据最难获取的地方，数据需求反而更大。同样一小时的音频，走自动化流程可能不到一美元，而由专业人员采集则可能超过一百美元——这个差距在以下文章中有详细拆解： 多语言 AI 数据采集的经济账.
低资源语言 指的是可用于模型训练的数字化文本或语音极少的语言，因此数据通常必须从母语者那里采集。
因此，两种市场规模完全相同的语言，要达到同样的产品质量，成本可能相差好几倍。仅凭一张市场规模表画出来的路线图，会系统性地在早期对昂贵语言投入过多，同时把便宜的收获白白留在桌上。排序必须把两边的账都算进去。
语言覆盖究竟能为你换来什么？
它换来的不只是触达：还有偏好、信任和真正完成的交易，而且相关研究的结论异常一致。客户在购买时偏好自己的语言；一个把某种语言处理得很糟的 AI 产品，比一个干脆不提供这种语言的产品危害更大。
CSA Research 与 Kantar 合作、基于覆盖 29 个国家、8,709 名消费者的调查所做的「读不懂就不买」系列研究发现：76% 的网购者偏好购买带有母语信息的产品，40% 的人完全不会在其他语言的网站上购买，65% 的人即便内容质量并不完美，也仍然偏好母语内容。这种偏好并不是因为读不懂英语：即使在那些对自己英语最有信心的受访者中，仍有明显多数在客户服务方面偏好母语。
| 调查发现 | 占比 |
|---|---|
| 偏好在有母语产品信息的情况下购买 | 76% |
| 即使质量不完美，也仍偏好母语内容 | 65% |
| 不会在其他语言的网站上购买 | 40% |
这种偏好的强度因国家而异，该系列研究指出日本处于偏低的一端（50%），这本身就说明：应当逐个市场打分，而不是套用一个全球统一的假设。
对 AI 产品来说，风险比网站更高，因为模型在未被支持的语言中的失败方式，不是缺一段翻译，而是流利地给出错误答案。模型的能力与一种语言在训练时所拥有的数据量相关，而这种分布极不均衡。可测量的代价——准确率更低、推理更差、编造更多——在《为什么生成式 AI 在你的第二语言里表现更糟》一文中有详细说明。推出一种模型处理得很糟的语言，比不推出更糟，因为用户分不清自信的错误和真正的能力。
这里还有一层可见度红利：AI 助手是按语言逐一检索答案的，因此你投入的那些语言，也正是你的品牌有机会出现在 AI-生成答案中的那些市场。
决定排序的那四项因素是什么？
所释放的市场价值、基座模型的就绪度、达到目标质量所需的数据成本，以及上线后的运营负担。四项要一起打分，因为单看其中任何一项，都会得出具有误导性的顺序。
因素 1——所释放的市场价值。 不是看使用人口，而是看每种语言对应的可触达用户、收入和战略客户。一种有 4000 万使用者、而你在当地既有销售团队又有自然需求的语言，排序要高于一种有 3 亿（300 million）使用者、而你两样都没有的语言。请依据你自己的销售管道、用未支持语言提交的工单和市场计划来打分，而不是依据一张世界语言人口表。
因素 2——基座模型的就绪度。 你所依托的模型，在这种语言上已经表现得如何？这在花钱之前就能测出来：在每一种候选语言上跑你自己的真实任务，而不是通用基准，并由母语者打分。就绪度高，意味着你的数据工程只是查漏补缺；就绪度低，意味着那是从头建设。翻译过来的基准在这里会系统性地误导人、高估模型能力，原因详见 多语言 AI 模型是如何做基准测试的，所以要用母语去测，否则就等于没测。
因素 3——达到目标质量所需的数据成本。 补齐因素 2 暴露出来的那个缺口要花多少钱？这取决于数据的可得性（能否授权取得，还是必须自己采集）、母语者是否好招募、文字体系与工具链的复杂度，以及所谓「这一种语言」实际上是一个还是好几个地区变体。从右至左书写的文字和复杂文字体系有它们自己的成本溢价，正如《为从右至左书写与复杂文字体系采集文本数据》一文所展示的那样。
地区变体（locale） 指的是在某一地区实际使用的语言，有它自己的词汇、口音和习惯用法；阿拉伯语、西班牙语和中文各自都是一族地区变体，而不是单一条目。
各地区变体在词汇上有差异，在语音方面还有声学上的差异，因此 按地区变体界定语言覆盖范围 ，在此之前任何成本测算都谈不上可信。
因素 4——上线之后的运营负担。 一种已上线的语言需要持续的评测、内容更新、由母语者处理的升级通道，以及模型更新后的回归测试——而且是长期如此。五种语言做深，胜过十五种语言放着不管；被弃置的语言会悄悄退化成「说得流利但答得不对」的失败状态。
如何对候选清单打分并排序？
先列出八到十二个候选语言，在四项因素上各按 1 到 5 分打分，然后按波次排序，而不是排成一条单一名次。要简单到能在预算会议上说得清楚、站得住脚。
第 1 步——列出八到十二个候选语言 ，依据的是真实信号：按语言划分的当前流量与工单、按市场划分的销售管道、竞争对手的覆盖情况以及法规要求。
第 2 步——在四项因素上各按 1 到 5 分打分， ，其中因素 3 要反向计入（越便宜得分越高）。如果一定要加权，就把市场价值的权重加倍。
第 3 步——按波次排序，而不是排名次。 有用的产出是三个层级：
- 第 1 波（现在）：价值高、就绪度高。 那些对你重要、而基座模型本就表现不错的市场。这类回报最快，通常只需适度微调加一个母语评测集就能发布。
- 第 2 波（接下来）：价值高、就绪度低。 那些值得投入一整套数据工程的市场。现在就开始采集，因为它的前置周期最长；什么时候发布由评测说了算，而不是由路线图说了算。
- 第 3 波（观察）：价值较低，或地区变体的问题尚未理清。 每季度回顾一次；基座模型就绪度的变化之快，足以让某些语言在两次回顾之间就被提前。
第 4 步——为每种语言附上「完成」的定义：存在母语评测集、模型在该评测集上达到你的质量门槛，并且配有母语者的升级处理通道。缺少其中任何一项的语言，只是被宣布了，而不是被支持了。
母语评测集 指的是由目标地区变体的母语者撰写或审校、并围绕你真实任务构建的测试集，用来判断模型是否已经可以在该语言上发布。
数据成本（因素 3）会拉长或压缩第 2 波的时间表，而运营负担（因素 4）则决定了任何一波最多能容纳多少种语言。
哪些错误会让语言路线图失败？
按使用人数排序、把翻译当作「支持」、在没有母语评测集的情况下上线、把各地区变体混为一谈，以及把运营预算摊到太多语言上。
按使用人数排序。 世界上使用人数最多的语言，未必是你最大的市场，而使用人口与基座模型质量之间的相关性也很松散。一些体量中等的欧洲语言，在当前模型上得到的支持反而好过别处那些大得多的语言——这是以下文章所解释的那道鸿沟造成的： AI 训练中高资源语言与低资源语言的对比.
把翻译当作「支持」。 把界面翻译了，底下的模型却仍然在这种语言上推理得很差，这会造出最损害信任的组合：一层本地化的外壳，裹着退化的答案。更深层的问题在于，翻译搬走的是词句，却把知识和文化语境留在了原地——这正是《为什么 AI 需要有文化相关性的数据》所讨论的主题。
在没有母语评测集的情况下就上线。 如果你无法在该语言上衡量质量，那你就只能从用户流失中发现问题。评测集是整套组合里最便宜的一环，却也是最常被跳过的一环——《如何为 LLM 构建多语言评测集》一文正是针对这个缺口。
把各地区变体混为一谈。 一份取自西班牙的「西班牙语」数据集，部署到整个拉丁美洲时，会以你那套基于西班牙的评测永远看不出来的方式失败。
把运营预算摊到太多语言上。 路线图的幻灯片上写着二十种；维护预算实际只撑得起六种。剩下那十四种就会荒废。先定下预算真正支撑得起的数量，再在这个数量之内诚实地排序。
数据合作方如何帮你安排语言扩张的顺序？
数据合作方可以先做就绪度评估、界定地区变体范围、按语言测算数据成本并先行搭建评测集，这样在采集开始之前，路线图就已经算好了账。
语言优先级的排定，正是 Lifewood 许多 管理多语种数据收集 项目正是从这里开始的，因为在任何采集简报说得通之前，都必须先回答排序这个问题。工作方法沿用本文的做法：由母语者针对客户的真实任务，在候选语言上做就绪度评估；按地区变体而非按语言界定范围；针对补齐每个缺口所需的数据，按语言建立成本模型；以及一份先搭好评测集的分波路线图。成立于 2004 年的 Lifewood Data Technology 覆盖 100+ 种语言，在 30+ 个国家设有 40+ 个交付中心，其中包括需要实地采集的低资源语言，因此模型中成本的那一侧来自实际运营，而不是估算。
如果你正在比较服务商， 顶尖的多语言数据采集公司 是按明确的标准对它们做的排名。决策中市场价值的那一面，受益于独立的信息来源：CSA Research 的消费者系列研究，是按市场衡量语言偏好的标准参考。至于基座模型的就绪度，已公开的多语言基准可以作为起点（注意上文关于翻译基准的提醒），而最终的判断依据是你自己用母语评测过的真实任务。无论你如何给这几项因素加权，真正要紧的纪律是：在敲定路线图之前把四项都算上价钱——不管数据最终由谁来做。
在敲定语言路线图之前，你该做什么？
在定下方案之前：先拉出你自己的语言信号、在每种候选语言上用母语测试你的真实任务、按地区变体界定范围、测算整套成本，并为每种语言定义「完成」的标准。
- 先把你自己的语言信号拉出来。 按语言和市场划分的流量、工单、销售管道和流失率；需求的证据其实已经在你自己的系统里了。
- 在每种候选语言上运行你的真实任务 ，并让母语者为结果打分。这是一周的工作量，却能取代整个计划中最大的那个假设。
- 按地区变体界定范围 ，然后再谈成本。「阿拉伯语」和「西班牙语」是一个组合，而不是一个条目。
- 按语言测算整套成本：数据采集、调优数据、评测集和持续维护，而不是翻译那一项开支。
- 按每波三到五种语言来排序， ，并且第 2 波的数据采集现在就要启动，因为它是周期最长的那一环。
- 为每种语言定义「完成」的标准： 母语评测集、达到质量门槛、配有母语升级处理人员。
- 每季度重新打分。 基座模型的就绪度变化很快；去年还排在第 3 波的语言，今年可能就成了唾手可得的收获。