現代では翻訳機能を持ったWebサービスやアプリなども登場し、非常に便利になりました。

しかもその精度も年々向上し、人が翻訳したかのようなレベルに到達しつつあります。

その背景には機械翻訳システムがあるのですが、これは自然言語処理を行う代表的なシステムの一種で、段階的にこれまで進化を遂げてきました。

大別すると3種あり、ここではそれら機械翻訳の手法を紹介するとともに、近年登場した「ニューラル機械翻訳」に関して詳しく解説していきます。

ニューラル機械翻訳とは？

ニューラル機械翻訳（NMT：Neural Machine Translation）とは、ニューラルネットワークを用いた機械翻訳システムです。

従来のルールベースや統計的手法とは異なり、深層学習技術を活用して翻訳を行います。

2016年にGoogleが発表した「GNMT」により実用化が進み、現在ではGoogle翻訳やDeepLなど、多くの翻訳サービスで採用されている技術でしょう。

最大の特徴は、文脈全体を理解した上で自然な訳文を生成できる点です。

単語を一つずつ置き換えるのではなく、文章全体の意味を捉えて翻訳するため、人間が訳したような自然な文章を出力できます。

特にエンコーダ・デコーダモデル（Seq2Seqモデル）を基盤とした仕組みが、この高精度な翻訳を実現しているのです。

代表的な機械翻訳システム3種

翻訳の仕組みは近年登場したわけではありません。数十年以上前から存在していました。

しかしその精度は現代ほど高くなく、それ故用途も限定的でした。

IT等の発展に伴いその精度は徐々に進化していきますが、常に一定の成長曲線で進化していくわけではありません。

革新的な技術が登場すれば飛躍的に進化を遂げることができます。

以下ではこれまでの機械翻訳システムに関して、順を追って紹介していきます。

ルールベース機械翻訳

AIが登場した当初と同じように、機械翻訳にも昔はルールベースの手法が用いられていました。

この手法においては、2つの言語に関するマニュアルを人が事前に作成しておかなくてはなりません。

そのマニュアルに沿って照合し、訳文を出力するのです。

例えば構文のルール、単語の意味を両言語に対応させた辞書などを実装します。

この場合、膨大な量のルールの登録、複雑なルールの登録が大変という難点を抱えていました。

統計的機械翻訳

1980年代後半からはルールベースに代替する手法がいくつか提案されるようになり、その過程で登場したのが統計的機械翻訳です。

統計モデルの学習を経て訳文を出力する仕組みでできており、1990年代にはこの手法が主流となりました。

逐一ルールを設定することなく、データを使ってシステムが学習できるようになったのです。

両言語における文章のペアを大量に集め、これを学習データとして用います。

そうしてこれらのペアを結びつける確率テーブルを算出し、新たな文章の入力を受けたときには学習済み確率テーブルを参照して翻訳文を探します。

Google翻訳でも、2016年までの10年間、この手法が採用されていました。

ニューラル機械翻訳

続いて紹介するニューラル機械翻訳は、近年登場し、期待を寄せられているシステムです。

2016年、この仕組みを用いた「GNMT（Google Neural Machine Translation）」がGoogleから発表され注目を集めました。

当該システムには、RNN（リカレントニューラルネットワーク）の対から構成されるエンコーダ・デコーダモデルが組み込まれています。

翻訳においては系列の長さが異なるものへの変換が求められるため、符号化を行うエンコーダ、復号化を行うデコーダを持つネットワークが必要になります。

エンコーダが原文を読み込み、埋め込み層と呼ばれる層で分散表現に変換、入力の意味を捉え、特徴表現へと隠れ層で変換、活性化値をデコーダに渡します。

デコーダにより訳文を出力します。

このシステムにより精度はさらに向上し、最近ではGoogle以外でもニューラル機械翻訳が用いられるようになっています。

ニューラル機械翻訳はどのような仕組みで翻訳しているのか

ニューラル機械翻訳について、もう少しその翻訳の仕組みを見ていきましょう。

エンコーダ・デコーダモデルとは？

近年の言語モデルの多くにRNNが用いられています。

RNNはフィードバック機構を持ち、文章の変換に必要な、時系列データの処理ができるからです。

そして自然言語処理においては、RNNを用いた「sequence-to-sequence（Seq2Seq）」と呼ばれるモデルが使われます。

Seq2Seqはエンコーダとデコーダの、２つのRNNから構成されるため「エンコーダ・デコーダモデル」と呼ばれるのです。

エンコーダで入力データが符号化され、符号化された情報をデコーダの方で複元しています。

ただ、出力データも時系列であることから一気に出力をすることはできません。

そこで時系列の次のステップにおいては、デコーダは自らの出力を入力として受け取りつつ、1つずつ処理していくことになります。

つまりフィードバックしながら出力を組み立てていくのです。

機械翻訳の流れ

「ある女性は彼女の猫を抱えています」という意味である”A woman is carrying her cat”（英語）を、”Une femme tient son chat”（フランス語）に翻訳していく流れを見ていきましょう。

図の白い長方形は、連続的な時間ステップで処理するエンコーダとデコーダを表しています。

図の上部にあるように、入力はEND符号を含め7つの時間ステップでエンコードされます。

点線の矢印は隠れ層における再帰型の繋がりを表します。

単語を１つずつ隠れ層の活性化値としてエンコードし、次のユニットに送っていくことで原文を表すものが作られていきます。

END符号が付与されると、隠れ層の活性化値が文章全体のエンコードの結果として図下部のデコーダ・ネットワークへ送られます。

原文の解釈ができれば、続いて翻訳文を作り始めます。フィードバックを繰り返しつつ作成され、また、入力のステップ数とは異なる出力をすることもできます。

この例でも英語では入力が7個であったのに対し、フランス語は出力が６個となっています。

このように、エンコーダ・デコーダモデルだと理論上は文章の長さに関係なく翻訳ができます。

ただ実際は翻訳前の文章が長くなりすぎると先頭の情報を「忘れる」という現象が起こってしますので、長い文章に対する翻訳には工夫が必要になるでしょう。

関連記事：E資格とは？合格率（合格点）・難易度や本当に「意味がない」のかも解説

NMTの強みと弱み｜導入前に知っておくべきリスク

ニューラル機械翻訳は高精度な翻訳を実現しますが、完璧ではありません。

導入を検討する企業にとって、その限界を理解することは極めて重要でしょう。

ここではNMTの強みと弱みを、実用的な観点から解説します。

NMTの3つの強み

1. 文脈を踏まえた自然な翻訳

従来の統計的機械翻訳と異なり、文章全体の文脈を理解した上で訳文を生成します。

そのため、単語単位の直訳ではなく、人間が訳したような自然な表現が可能です。

2. 未知の単語への対応力

学習データに含まれない単語でも、文脈から意味を推測して翻訳できます。

これは統計的手法にはない大きな利点でしょう。

3. 言語ペアの拡張性

一度モデルを構築すれば、複数の言語ペアに対応できる多言語モデルの開発も可能です。

Google翻訳では100以上の言語に対応しています。

NMTの4つの弱み｜実務で注意すべきリスク

1. 特定の言語ペアでの精度低下

英語⇔日本語のような主要言語ペアでは高精度ですが、マイナー言語間の翻訳では精度が大きく低下します。

学習データの量に依存するため、データが少ない言語ペアでは誤訳が頻発するリスクがあるのです。

2. 専門文書における誤訳リスク

法律文書、医療文書、技術仕様書など、専門用語が多い文書では誤訳が発生しやすくなります。

例えば法律用語の「善意」を「good faith」ではなく「kindness」と誤訳するケースも。

あなたの企業で専門性の高い文書を扱う場合、人間による校正は必須でしょう。

3. 長文での情報欠落

文章が長くなると、先頭の情報を「忘れる」現象が起こります。

これはRNNの構造的な限界によるものです。

ただし、近年登場したTransformerモデル（注意機構を持つアーキテクチャ）により、この問題は改善されつつあります。

4. ニュアンスの微妙なずれ

敬語表現、婉曲表現、文化的背景を含む表現などでは、微妙なニュアンスのずれが生じやすいです。

ビジネス文書や公式文書では、このずれが誤解を招くリスクがあるでしょう。

導入時の実務的な対策

企業がNMTを導入する際は、以下の対策が推奨されます。

• 専門用語辞書のカスタマイズ：業界特有の用語を事前登録
• 人間による最終チェック体制の構築：特に重要文書では必須
• 段階的な導入：まず社内文書から試験運用を開始
• 翻訳品質の定期評価：誤訳パターンの蓄積と改善

NMTは強力なツールですが、その限界を理解した上で適切に活用することが成功の鍵です。

まとめ