我们提出了一种新的框架——增强型自然语言之间的翻译（Translation between Augmented Natural Languages, TANL），用于解决多种结构化预测语言任务，包括联合实体与关系抽取、嵌套命名实体识别、关系分类、语义角色标注、事件抽取、共指消解以及对话状态追踪。与传统方法通过训练特定任务的判别性分类器来处理问题不同，我们将其建模为在增强型自然语言之间的翻译任务，从而能够更便捷地提取与任务相关的信息。我们的方法在所有任务上均能达到或超越现有特定任务模型的性能，尤其在联合实体与关系抽取（CoNLL04、ADE、NYT 和 ACE2005 数据集）、关系分类（FewRel 和 TACRED）以及语义角色标注（CoNLL-2005 和 CoNLL-2012）任务上取得了新的最先进（state-of-the-art）结果。值得注意的是，该方法在整个过程中仅使用统一的模型架构与超参数，并且即使在训练单一模型以同时处理所有任务（即多任务学习）的情况下，仍能保持卓越性能。此外，我们进一步证明，该框架在低资源场景下也能显著提升性能，这得益于对标签语义信息更高效的利用。