自動翻訳

デジタル大辞泉

じどう‐ほんやく【自動翻訳】

読み方：じどうほんやく

［名］(スル)⇒機械翻訳

ウィキペディア

機械翻訳

出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2024/07/31 23:18 UTC 版)

ウィキペディアにおける機械翻訳については、「Wikipedia:翻訳のガイドライン#機械翻訳」をご覧ください。

この記事には複数の問題があります。改善やノートページでの議論にご協力ください。 出典がまったく示されていないか不十分です。内容に関する文献や情報源が必要です。（2015年5月） 正確性に疑問が呈されています。（2015年5月） 出典検索?: "機械翻訳" – ニュース · 書籍 · スカラー · CiNii · J-STAGE · NDL · dlib.jp · ジャパンサーチ · TWL

言語学
世界の言語分布図
基礎分野
音声学 音韻論 形態論 統語論 意味論 語用論 個別言語学
言語の変化と変異
歴史言語学 比較言語学 言語地理学 言語系統論 言語年代学 言語類型論 社会言語学 方言学
理論
生成言語学 認知言語学
応用分野
応用言語学 対照言語学 言語人類学 心理言語学 神経言語学 生物言語学 計算言語学 計量言語学 法言語学 言語獲得 言語の起源
関連項目
言語 言語学者
ポータル カテゴリ
表 話 編 歴

機械翻訳（きかいほんやく、英: machine translation）とは、ある自然言語を別の自然言語に翻訳する変換を、コンピュータを利用して自動的に行おうとするものである。

歴史

詳細は「en:History of machine translation」を参照

1629年に、ルネ・デカルトは、単一の記号をもって異なった言葉での同一の概念を割り当てる普遍言語を提案した^[2]。

機械翻訳という発想は20世紀半ばには生まれていた。機械翻訳という発想が生まれた起原のひとつは、暗号学である。ウォーレン・ウィーバー（シャノンによる論文『通信の数学的理論』の書籍版の共著者）が1947年3月にノーバート・ウィーナーに送った手紙によると、ロシア語で書かれた文章について、それを「暗号化された英語の文章」とみなせば暗号解読の要領で機械的に翻訳できるのではないか、と提案している。しかし同年4月のウィーナーの返信によれば、自然言語は曖昧な表現が多いために、暗号解読のようにはうまくできないのでは、と懐疑的であった。

米国およびソ連の場合、機械翻訳は冷戦を背景とした需要があった。一方欧州の場合は、多国間交渉や条約などで多国語間の翻訳という課題を抱えていたという動機があり、2言語間ではなく多言語間の翻訳という比較的難しい問題に挑む一方、ある程度近い言語間の翻訳ではあった。日本の場合は、とにかく英日・日英の翻訳が望まれた。

上位の学術分野としては自然言語処理あるいは計算言語学であるが、いずれもコンピュータの発達により自然言語を扱えるようになったことで発展した分野であり、また自然言語の統計的性質を研究する点など、暗号学に起源の一部を辿れる点も似ている。機械翻訳はこれらの分野で主要な応用の位置にある。

大学や研究機関による成果の最も早いものは、1954年にジョージタウン大学などの研究グループにより発表された。これを皮切りに、形態素解析や係り受け解析などの機械翻訳に必要な技術の研究が始まった。日本では1950年代に九州大学の栗原俊彦らが研究を開始し、1950年代末に実験機「KT-1」を^[3]、またそれとは独立に電気試験所（後の電子技術総合研究所）の研究チームが実験機「やまと」を^[4]作成している。その後も研究が続いたが、当時のコンピュータの性能による限界が厳しく、米国では1964年に発表された「ALPACレポート」で機械翻訳の様々な問題点が指摘され実用レベルには程遠いとされたことにより、米国ではしばらく予算がつかず約10年にわたって研究が停滞した。その中でも研究する者はおり、緩やかに進んだ。1980年代になると、ルールベースの機械翻訳システムが一定の成果を上げるようになった。

しかし1990年代頃から2000年代頃にかけて人工知能の開発が行き詰まり、今後に懐疑的な見方が強まった。機械翻訳の正確さに関してはいろいろと懸念されてきたが、マンチェスター大学のアナ・ニーノ博士は教室で機械翻訳を利用することの利点のいくつかを調査研究した。そのような教育上の方法の一つは「悪い見本としての機械翻訳 (MT as Bad Model) 」と呼ばれる^[5]。

悪い見本としての機械翻訳は言語学習者に矛盾した言葉や訳文の不正確な側面を同一視することを強制する。逆に個人は（期待をもって）言語をよりしっかりと把握するものである。ニーノ博士はこの教具が1980年代後半に実現したことを引用する。さまざまな学期の終わりに、ニーノ博士は悪い見本としての機械翻訳だけでなくその他の諸モデルも使ったことのある学生から得られた調査結果を入手することができた。圧倒的に、学生は自らの目標言語（英語版）において、理解力と語彙の検索が改善され、信頼が増したことに気付いたようであった^[5]。

一方、IBMは1990年代に異なる言語間の単語対応を統計的に獲得する「IBMモデル」という手法を提案した。これが統計的機械翻訳の始まりである。初期の統計的機械翻訳は単語の並べ替えに基づくものであったが、2000年代に句構造を利用した翻訳手法が発表され、語族が異なる言語間でも翻訳の精度が飛躍的に向上することとなった。

2010年代に入り、文章翻訳への応用はできないとされていたニューラルネットワークによるディープラーニングを使ったニューラル機械翻訳（NMT）が登場したことで品質が向上した^[6]。(BERTなど)

2010年代後半には、AIのディープラーニング技術により、急速に成長し、特定の用途に限った翻訳においては人間の手で補助することで、ある程度の解決がみられるようになっていて、日常生活における異言間のコミュニケーションに大きな影響を与えることが期待されるようになっていた^[7]。

情報通信研究機構によると、2021年現在の人工知能は、音声認識能力においては人間を上回っているものの、その精度やスピードには大きな課題がある。課題解決にむけて重点的に開発されている機能は「チャンク」「補正」「翻訳精度そのものの向上」である。現状のAIによる同時通訳は10秒程度のタイムラグがあり（人間による同時通訳は2～3秒）テンポのいい会話などの通訳は難しい。これは現状の機械翻訳が文ごとにしか訳せない為であり、意味ごとに訳す「チャンク」という機能の開発が現在行われている。また、日本語などの言語においては「動詞・否定など重要な情報が末尾にくる」「主語が省略される」などの特徴がある為AIが誤訳しやすく、その解決策として「修正機能」が開発されている。翻訳機能の基幹となる「精度」においては「GPT-3」機能の応用などが研究されている。しかし、いずれにおいても「横一直線で、現状成果は出ていない」という批判もある^[8]。

2021年4月、NVIDIAではリアルタイムで多言語の音声認識と翻訳が可能な人工知能フレームワーク「Jarvis」を公開した^[9]。技術デモにおいては、ジェン・スン・ファンが英語で九州じゃんがらへの道順を声で尋ねると、リアルタイムでテキスト化され、1～2秒程度で違和感の無い日本語テキストに変換されるレベルとなっている^[9]。

2022年11月に大規模言語モデルによるchatGPTが登場し、高性能の翻訳に加えそれまでとは次元が異なる言語処理を行えるようになり、機械翻訳業界の状況がそれまでとは一変した。#大規模言語モデル方式AIの機械翻訳

言語別

印欧言語

現実の翻訳は互いの言語の関係によっても大きく異なる。共通の歴史が長い言語同士では、文法や語彙に共通性、あるいは共通の起源を多く持つことがある。そのような場合、極端に言えば単語を置き換えるだけでもある程度のレベルの翻訳が可能であるから、機械翻訳もより容易い。

だいたいの意味を知るための概訳については、フランス語、スペイン語、イタリア語などインド・ヨーロッパ語族ロマンス語系諸語間の自動翻訳は比較的早く^[いつ?]順当な水準に達し、英語とロマンス語系あるいはゲルマン語系言語との間の自動翻訳も実用レベルに達していた。

日本語

日本語からの翻訳の場合、早々と実用レベルに達したのは朝鮮語との相互翻訳である。日本語と朝鮮語は膠着語であるという文法的共通性や漢語からの借用語などが多く、単語の置き換え以外にはあまり複雑な処理を必要としない。このため、「GoKorea」「KJCLUB」などの自動翻訳掲示板なども存在する。

日本語の場合は助詞や同音異義語が多数存在し、主語の省略も行われる。このため、形態素解析の段階で解析誤りが発生し、推測しなければならない情報も数多く存在する。例えば一般に英日翻訳に比べて日英翻訳の能力は低い段階にあった^[10]。殆どの言語で機械翻訳の恩恵を受けにくい状況が長く続き、再翻訳結果がネットミームとして遊ばれていたような状況だったが^[11]、2010年代以降のAI技術の発展で、みらい翻訳やDeepL翻訳が自然な翻訳を実現、大きな話題を集めた^[12][13][14]。

翻訳支援の場合、特定の分野の翻訳に適したユーザー辞書を作成することにより、翻訳ソフトの品質は大幅に向上する。だが一定規模の企業・組織ユーザー以外の、一般ユーザーによる小規模な利用シナリオでは、ユーザー辞書の効果よりも辞書の作成にかかる時間・労力のほうが大きい。その理由には、辞書作成に技能を要する、ユーザー辞書のコンテンツがない、辞書の相互利用のためのインフラがない、翻訳の量が少ない（規模が少ない・頻度が少ない）といった理由が挙げられる。これらの問題を解決するために、AAMT（アジア太平洋機械翻訳協会）がユーザー辞書を共有するための用語集仕様であるUPFを策定した。その後UPFの検討は中止され、2006年に後継の仕様であるUTXの策定が開始され、2013年現在ではバージョン1.11が公開されている。

課題の認識の変遷

• 1975年にYehoshua Bar Hillelは、現実的に研究すべき機械翻訳として、以下3点を述べており、この視点がその後も受け継がれた。
  1. 機械の支援を伴う人間翻訳
  2. 人間の支援を伴う機械翻訳
  3. 低品質の機械翻訳
• 奥村学（自然言語処理）は「翻訳は人間でも言外の意味の理解や知識を要求される非常に負荷の高いタスクであり、『全自動高品質機械翻訳』の完成を目指してはいけない」と2014年に指摘した。
• Thierry Poibeau （LATTICE言語学研究所所長）は、「機械翻訳が、人間の翻訳を取って代わることはない。そのようなことは目標でも望ましい結果でもない」と2017年に述べた。
• 「人工知能やロボット等による代替可能性が高い100種の職業」(野村総合研究所)では、「翻訳通訳」は圏外である^[15]。
• 「Frey and Osborne」(2013年)による機械学習の研究では、「認知性・創造性・社会性」の観点から、機械化されるリスクに対し、様々な職種に指標を与えており、翻訳通訳は0.38の指標を与えられている。
  • 「1」は現時点で機械化が可能。
  • 「0.7 - 0.99」は将来（10年 - 20年以内）機械化される可能性が高い。
  • 0.7未満は中、0.3未満は低レベルのリスク。数字が小さいほどリスクが低い。

• 今後も「ディープラーニング」を活用した機械翻訳技術の向上により、記述のルールが定まった文書（特許・法律文書、論文など）であれば、書く側が「あらかじめ機械翻訳に配慮」することで、翻訳の精度は相当に高くなっていくことが期待できる。一方研究が進むにつれ、言語の複雑さに由来する機械翻訳の限界も指摘された。IT評論家の西田宗千佳は2018年に「中学生レベルの英語は不要になる」「翻訳者には、失業の心配はありません」「我々の文化や言葉のニュアンスまで読みとるAIが登場してくれば、興味深い『パートナー』になりうるだろうが、それはまだ、かなり先の出来事」と述べている。特に以下の3点による^[16]。
  • AIはディープラーニングにより「言葉の意味そのもの」を学習するわけではない
  • ディープラーニングには「誤った学習結果」が含まれる
  • AIは人間の非言語・ニュアンス・感情などを理解できない。特に話し言葉は曖昧である。

2020年には、人工知能、自然言語処理、ニューラル機械翻訳などの立場では「克服すべき課題は多く，完璧な機械翻訳を期待するのは現実的ではない」と認識されていた（主に「機械翻訳の限界と人間による翻訳の可能性」瀬上和典より）。

詳細は「自然言語処理#処理内容とその限界」を参照

アプローチ

機械翻訳の手法は大きく分けて「ルールベース機械翻訳（RBMT）」と「コーパスベース方式」に大別される^[17]。コーパスベース方式には「統計的機械翻訳（SMT）」と「ニューラル機械翻訳（NMT）」がある^[6]。

2010年以降はニューラル機械翻訳が主流となっている^[6]。

手法としては以下のようなものがある。

用例に基づく翻訳

特許やマニュアルなど、文のスタイルがほとんど変わらない状況では、汎化能力が小さくてもシステムとして十分機能する場合がある。 用例に基づく翻訳では、翻訳の例文を記憶した「用例辞書」と単語対応を記憶した「単語辞書」を使用する。

システムの大まかな流れは以下の通りである。

1. システムに原文${\displaystyle f}$

   ここで、以下のような辞書を使って英語の単語を日本語の単語に置き換える:

   英語	日本語
   I	私
   have	持っている
   a	- (空白)
   pen	ペン

   構文木は次のようになる:

   (S (NP (pron 私)) (VP (verb 持っている) (NP (det -) (noun ペン))))
   

   しかしまだ語順が正しくないし、助詞もない。 ここで構文木に対して以下のような規則を適用して変換をおこなう:

   • "S → NP VP" というノードがあれば、それを "S → NP は VP" に変換せよ。
   • "VP → verb NP" というノードがあれば、それを "VP → NP を verb" に変換せよ。

   すると変換された木はこのようになっている:

   (S (NP (pron 私)) は (VP (NP (det -) (noun ペン)) を (verb 持っている)))
   

   ここから、以下のような翻訳文を生成できる:

   "私はペンを持っている。"
   

   これは非常に単純な例である。 実際には英語の have は複数の語義をもつので、語義の曖昧性解消をしなければ単純に「have → 持っている」という変換をすることはできない。 また、モダリティの考慮や、照応の解決、敬語の扱い、自然な言い回しの文の生成など、実用的な翻訳ソフトウエアをつくるためには多くのことを考慮に入れる必要がある。

   構文木に基づく翻訳では、構文解析誤りが翻訳結果に悪影響を及ぼす場合がある。その場合の解決策として、複数の構文木の候補（構文森）を考慮した翻訳手法も存在する。

   統計的機械翻訳

   詳細は「en:Statistical machine translation」を参照

   計算機の発達によって1990年代以降研究が盛んになっているのは、統計的な手法を用いた機械翻訳である。

   ルールベースの翻訳では、ルールを作成した人間が想定しなかった入力文には対応できない問題がある。また、翻訳ルールの記述や見直しには膨大な手間がかかるため、効率が悪い。そこで統計的機械翻訳では、パラレルコーパスと呼ばれる複数の言語で文同士の対応が付いたコーパスを利用し、翻訳のルールを自動的に獲得し、各ルールの重要度を統計的に推定する。 パラレルコーパスには自前のデータを利用することもあるが、最近では各言語に翻訳された特許や、Webページのクローリングデータなどを利用することもある。

   統計的機械翻訳は、従来音声認識の分野で用いられていた雑音チャネルモデルを応用したもので、原言語（翻訳元の言語） ${\displaystyle f}$

   この節の加筆が望まれています。
   主に: date2024年6月

   基礎的な課題

   機械翻訳の実現にあたっては、自然言語をコンピュータで扱うことに起因する様々な問題に対処する必要がある。 ここでは日英翻訳において顕著な例をいくつか挙げる。なお、これらの言語が特別このような特徴を持っているわけではなく、他の言語の組み合わせでも似たような現象は一般的に見られるものである。

   ゼロ代名詞

   日本語では代名詞（「私」「これ」など）が頻繁に省略されるが、英語はこれらを明確に文に含める必要がある。このため、日英翻訳では省略された代名詞を適切に補う必要がある。以下に例を示す。

   弟は公園に行った。そこで友達と会った。
   

   この文から、友達と会ったのが「弟」であることは明らかであり、挿入すべき代名詞は He であることが分かる。対応する英文は例えば以下のようになる。

   My brother went to the park. He met his friend there.
   

   ところが、機械翻訳で単純に文単位の翻訳をした場合、2文目だけでは誰が友達に会ったのか明らかではなく、前後の文を利用して挿入すべき代名詞を推測する必要がある。 さらに、「弟」や「妹」などのように代名詞が容易に判断できる場合は良いが、より複雑な文ではどのような代名詞を挿入すべきか簡単には判断できない状況もある。

   逐語式の無理、訳語の選択

   以下の英文を考える。

   I ate rice.
   

   「rice」→「ご飯」のような1対1の逐語変換の規則を多数持たせ、あとは統語法に基づいた語順変換処理などをして「私はご飯を食べた」という訳文を出力させることはできるが、少し複雑な次のような文になるとそれでは対応できなくなる。

   We will have rice harvest tomorrow.
   

   多くの言語間での「原語→訳語」の関係と同様に、英語の「rice」に対応する日本語も複数あり、文脈に応じて、「稲」「（お）米」「ご飯」などと訳し分ける必要がある。

   常識

   機械翻訳の難しさのひとつは、自然言語の文を扱うということは、統語論では完結せず、常識的な知識や意味論も扱わねばならないことが頻繁にある、という点にもある。

   たとえば英文 「Time flies like an arrow. 」について、意味分析や常識判断を加えないと、数種類のツリー構造が候補として挙り翻訳文が数パターンできる。「時間は矢のように飛び去る」と以外にも、「時間蠅は矢を好む 」「蝿たちを計時せよ！ 矢のように(素早く)！」という翻訳文まで機械翻訳システムは吐き出してしまうかも知れない。

   単なる統語分析や文法解析では複数の候補翻訳文が挙げられる場合でも、人間は意味論や常識や過去の言語的体験も働かせてひとつの翻訳文を選びとっており、機械翻訳システムでも、現実世界の常識や現実世界に流通している大量のまともな文章と照らし合わせて、間違った翻訳文を却下する必要があり、こうした判断を機械翻訳システムにさせるアルゴリズムなどをかませる必要がある。

   「時間は矢のように飛び去る」という候補は残し、他の候補を排除するには、「人は時が素早く過ぎると感じられることがある」「矢は速く飛ぶ」「日常会話で『時間蠅』などという語が登場したことは無い」などといった言語的経験が必要となる。

   「Time flies like an arrow.」の場合はさらに、日本語には「光陰矢のごとし」ということわざがあるという知識も使って、これにたどりつくのが良いことになる。

   翻訳支援

   「翻訳支援ツール」および「翻訳メモリ」も参照

   機械翻訳は主に「自動翻訳（機械翻訳）」と「翻訳支援（コンピュータ支援翻訳）」という異なる応用先で用いられ、両者は区別される^[20]。自動翻訳では人間の介入は最小限であり、入力文すべてを機械に翻訳させようとする。これは「翻訳元の言語を理解することができない人」のための技術であると言える。翻訳支援はプロの翻訳者が翻訳作業を効率的かつ高品質に行うために翻訳ソフトを活用するものである。また、電子辞書をコンピュータに備え、辞書引きをコンピュータに行わせつつ、人間が行う翻訳は、コンピュータ支援翻訳と呼ばれる。

   機械翻訳装置

   この節の加筆が望まれています。

   • 翻訳機
   • 翻訳ソフト
   • 翻訳サイト

   ツールキット

   商用・非商用両方で多くの機械翻訳のアプリケーション、ツールキットが存在する。オープンソースソフトウェアとして公開されているものは主に統計的機械翻訳のためのツールであり、これらを利用するにはパラレルコーパスを自ら用意する必要がある。

   プロプライエタリ

   • SDL Machine Translation^[21]
   • SYSTRAN

   フリーソフトウェア

   • KyotoEBMT (統計／用例に基づく翻訳)
   • Moses (統計／様々な翻訳手法を実装した総合ツールキット)
   • cdec (統計／構文木に基づく翻訳)
   • Travatar (統計／構文木に基づく翻訳)
   • cicada (統計／構文木に基づく翻訳)

   評価

   機械翻訳の評価方法として、人手評価と自動評価がある。

   人手評価

   人手評価は、その名前の通り、人間の評価者が翻訳機の出力結果を読んでスコアを付けてゆく方法である。 スコアとして、例えば以下のような基準を設定する。

   • 5: 不自然さを感じず、意味も正確である。
   • 4: 多少不自然さがあるが、意味は概ね理解できる。
   • 3: 不自然さがあり、意味が分かりにくい。
   • 2: 不自然さがあり、所々誤訳が含まれている。
   • 1: 翻訳が完全に崩壊している。

   各文に対して上記のような指針に従ってスコア付けを行い、最後に各評価の割合（どのスコアの文が何パーセント含まれているか）を計算して翻訳システムの評価結果とする。 複数の基準に従って評価したり、評価者が自由にコメントできるようにすることで、単純なスコア付けだけでなく、システムの改善に繋げることが可能である。

   自動評価

   自動評価は、機械翻訳の結果を機械的に評価する方法である。 評価を行う場合は、まず、原文と参照訳（翻訳の正解文）を数千対程度用意し、翻訳システムを用いて原文を翻訳する。 次に、翻訳結果と参照訳の類似度を各文に対して計算し、最後に平均を取って翻訳システムの評価とする。

   自動評価尺度として、以下のようなものがある。それぞれの尺度に特徴があるため、1つの尺度を信頼するのではなく、複数の尺度を併用することが望ましい。

   • BLEU
   • General Text Matcher(GTM)
   • IMPACT
   • METEOR
   • Position-independent word Error Rate (PER)
   • RIBES
   • Translation Error Rate(TER)
   • Word Error Rate(WER)

   著作権

   著作権の保護を受けるのは独創的な著作物のみであり、機械翻訳には創作性がないため、機械翻訳の結果には著作権の保護を受ける権利が与えられないと一般的に考えられている^[22]。またそのように主張する学者もいる^[23]。問題となっている著作権は二次的著作物（英: derivative work）についてである。原語で執筆された原著作物（英: original work）の著者^{[訳注 1]}は作品が翻訳されたときに権利を失うことはなく、翻訳者は翻訳物を出版するには許可を得なければならない。

   脚注

   [脚注の使い方]

   注釈

   訳注

   1. ^ または作者

   出典

   1. ^ たとえばCuuturat; Leau. Histoire de la langue universelle ; Guérard. A Short History ; Cohen. On the Project of a Universal Character を参照。
   2. ^ 浜口, 稔 (1993-4-30). 英仏普遍言語計画. 工作舎. p. 70-71. ISBN 4-87502-214-X. "普遍的文字の構築という初期の試みに言及するときは、1629年11月デカルトがメルセンヌに宛てた手紙から始まる、というのが通り相場となっている。^[1]しかし、この問題への関心を最初に誘発した多くの要因を吟味してみると、ある種の共通の書字という着想は明らかに、ずっと以前から比較的なじみ深いものになっていたようである。…フランシス・ベイコンは、1605年出版の学問の進歩についてのなかで、そのような真正の文字の体系は便利であると述べていた" , Knowlson, James. UNIVERSAL LANGUAGE SCHEMES IN ENGLAND AND FRANCE 1600-1800 より翻訳。
   3. ^ “翻訳実験用計算機KT-1 論理パッケージ，磁気ドラム-コンピュータ博物館”. museum.ipsj.or.jp. 2024年4月15日閲覧。
   4. ^ “機械翻訳専用機「やまと」-コンピュータ博物館”. museum.ipsj.or.jp. 2024年4月15日閲覧。
   5. ^ ^{a b} Nino,Ana. "Machine Translation in Foreign Language Learning: Language Learners's and Tutor's Perceptions of Its Advantages and Disadvantages" ReCALL: the Journal of EUROCALL 21.2 (May 2009) 241-258.
   6. ^ ^{a b c} 敏明, 中澤 (2017). “機械翻訳の新しいパラダイム：ニューラル機械翻訳の原理”. 情報管理 60 (5): 299–306. doi:10.1241/johokanri.60.299. https://www.jstage.jst.go.jp/article/johokanri/60/5/60_299/_article/-char/ja/. 
   7. ^ “「急速に進化した機械翻訳」に、それでもできない3つのこと（西田 宗千佳）”. ブルーバックス | 講談社. 2024年4月15日閲覧。
   8. ^ 日本経済新聞 2021.1.11朝刊9面
   9. ^ ^{a b} 株式会社インプレス (2021年4月14日). “NVIDIA ジェンスン・フアンCEO、対話型AIサービス「Jarvis」で「じゃんがらラーメン」を探すデモ”. Car Watch. 2021年4月15日閲覧。
   10. ^ 成田一『パソコン翻訳の世界』1997年
   11. ^ “エキサイト翻訳がサービス終了へ、22年間の歴史にネット「一つの時代が終わった」”. マイナビニュース (2022年10月13日). 2024年4月15日閲覧。
   12. ^ 「DeepL」の驚くほど自然な翻訳に迫る。失敗しない使い方 - Impress Watch
   13. ^ 株式会社インプレス (2020年3月23日). “Google翻訳を超えた？ 新しい翻訳サービス「DeepL」がその精度の高さで話題に【やじうまWatch】”. INTERNET Watch. 2024年4月15日閲覧。
   14. ^ 株式会社インプレス (2019年4月25日). “無料で“Google 翻訳”より高精度！ “みらい翻訳”のお試し翻訳が便利／TOEIC960点レベルのビジネスマンと同等の翻訳精度【やじうまの杜】”. 窓の杜. 2024年4月15日閲覧。
   15. ^ https://www.nri.com/jp/news/2015/151202_1.aspx
   16. ^ “「急速に進化した機械翻訳」に、それでもできない3つのこと（西田 宗千佳）”. ブルーバックス | 講談社. 2024年4月15日閲覧。
   17. ^ 3-F ニューラル機械翻訳は翻訳プロセスをどう変えていくか－最近の機械翻訳技術と利用に関する動向－ | JTFジャーナルWeb版 | 一般社団法人日本翻訳連盟 機関誌
   18. ^ S. Ravi and K. Knight (2011). “Deciphering Foreign Language”. Proc. ACL. 
   19. ^ 機械翻訳の新時代：大規模言語モデルはライオン達の夢を見るか？[1 ]
   20. ^ “著作権審議会第9小委員会（コンピュータ創作物関係）報告書 | 著作権審議会/文化審議会分科会報告 | 著作権データベース | 公益社団法人著作権情報センター　CRIC”. www.cric.or.jp. 2020年7月28日閲覧。 “機械翻訳とは、人間の援助の下で、コンピュータが行う翻訳である。なお、電子辞書をコンピュータに備え、辞書引きをコンピュータに行わせつつ、人間が行う翻訳は、コンピュータ支援翻訳といわれ、機械翻訳とは区別される。”
   21. ^ “SDL Machine Translation”. 2020年9月26日閲覧。
   22. ^ “著作権審議会第9小委員会（コンピュータ創作物関係）報告書 | 著作権審議会/文化審議会分科会報告 | 著作権データベース | 公益社団法人著作権情報センター　CRIC”. www.cric.or.jp. 公益社団法人著作権情報センター. 2020年7月28日閲覧。 “現在の機械翻訳システムにおいては、二次的著作物と評価されるに足る翻訳物を作成するためには、前編集や後編集などの形で一般に何らかの人の創作的寄与が必要であり、特に文芸的な著作物については、コンピュータ・グラフィックスと同様、最終的には人の感性に訴えかけるものであるため、少なくとも近い将来においてこの状況が変わることはないと考えられる。 なお、学術的な分野などでは、例えば外国語の技術的な文章の大意を大ざっぱに把握するために、原文を機械的に入力し得られた結果を、多少の誤りや読みにくさはあってもそのまま利用するといった利用法が考えられる。現在のところ、このような翻訳物は一般に二次的著作物と評価することはできないと考えるが、今後の技術の動向等によっては将来の検討課題となると考えられる。”
   23. ^ “Machine Translation: No Copyright On The Result?”. SEO Translator, citing Zimbabwe Independent. 2012年11月24日閲覧。

   関連項目

   • 自然言語処理
   • 人工知能
   • 中間言語
   • 翻訳機
   • 万能翻訳機
   • 自動通訳
   • Buffalo buffalo Buffalo buffalo buffalo buffalo Buffalo buffalo
   • 形式文法
   • 句構造規則
   • アジア太平洋機械翻訳協会

   外部リンク

   • 『機械翻訳』 - コトバンク

   表 話 編 歴 自動化・合理化・省力化
   オフィス・オートメーション/OA ビジネス・プロセス・オートメーション/BPA ロボティックプロセスオートメーション/RPA マーケティングオートメーション/MA サポート自動化 資産管理システム（英語版）/PMS ダイナミック・プライシング/価格最適化 人感センサ オートロック スマートロック 自動ドア ロボット草刈機 家庭用ロボット 文書自動作成 機械翻訳 音声合成 飼育装置 自動飼育装置 自動給餌器 自動給水装置 飼養管理システム 時刻同期 電波時計 測位システム（英語版） RFID 自動機械学習（英語版） AutoAI（英語版）
   製造・開発	ファクトリーオートメーション 産業用ロボット 溶接ロボット 電子設計自動化（EDA）
   生活・飲食・育児・介護	自動清掃 掃除用ロボット 全自動洗濯機 食器洗い機 洗車機 給湯器 自動調理器 自動炊飯器 マルチクッカー（英語版） 全自動洗濯機 全自動折りたたみ機 警備ロボット コイン式サービス コインロッカー コールドロッカー コインランドリー コインシャワー コインパーキング コイン洗車場 コイン精米機 自動洗髪機（オートシャンプー） スマートバシネット 介護ロボット 自動搬送式納骨堂
   交通・運輸・郵便	自動停止 自動列車停止装置/ATS 衝突被害軽減ブレーキ/自動緊急ブレーキ 自動速度制御 自動列車制御装置/ATC 自動速度制御装置（英語版）/ISA オートパイロット 自動列車運転装置/ATO 自動運転車 自動駐車 自動進路制御装置 列車運行管理システム 自動入出管理 自動改札機 自動化ゲート ETC セキュリティゲート 自動券売機 指定席券売機 自動チェックイン機 自動精算機 自動手荷物預け機 スマートバス停 自動倉庫 郵便区分機 トラフィックカウンター 線路設備モニタリング装置
   小売・飲食・宿泊	接客ロボット 陳列ロボット 配膳ロボット 寿司ロボット 無人店舗 自動販売機 カップ式自動販売機 成人識別自動販売機 オートマチック・スーパー・デリス（ASD） オートレストラン アウトマート 自動採寸/サイズテック
   医療・医薬品	医療用ロボット 手術ロボット 調剤ロボット 自動分包機 ラボラトリーオートメーション ハイスループットスクリーニング 自動細胞培養装置 AI創薬 AI診療 IBM Watson Health（英語版） 自動PCR検査システム マッサージチェア
   建設・建物・インフラ	建設施工自動化/コンストラクションオートメーション i-Construction ドローン測量 自動配筋検査 シールドマシン自動操作 自動打設システム ドローン点検 交通誘導システム ビルオートメーション ホームオートメーション スマートホーム 自動検針（英語版） スマートメーター 自動配電 スマートグリッド
   出版・メディア・情報通信	自動貸出機 蔵書点検ロボット AI記者 自動番組制御装置 自動作曲 アルゴリズム作曲法 ビルド自動化 Infrastructure as Code/インフラ構築自動化 テスト自動化 継続的インテグレーション/CI 自動バグ修正（英語版） アプリケーションリリース自動化/ARA 継続的デプロイ/CD 自動コーディング OpenAI Codex
   農業・林業・漁業・鉱業	播種機 調製機 農業用ロボット 農業用無人航空機 自動移植機 自動直播機 着果モニタリング 自動収穫機 水管理システム 植物工場 スマート農業 自動選別計量機 搾乳ロボット スマート林業 自動伐倒作業車 自動集材機 自動走行フォワーダ 長壁式採掘法（英語版） コンティニュアスマイナー
   金融・保険	勘定系システム 現金自動預け払い機 口座自動振替 アルゴリズム取引
   Category:オートメーション

   表 話 編 歴 新技術（英語版）
   分野	情報通信 アンビエントインテリジェンス（英語版） モノのインターネット 人工知能 人工知能の応用（英語版） 人工知能の進歩（英語版） 機械翻訳 モバイル翻訳（英語版） マシンビジョン セマンティック・ウェブ 音声認識 アトムトロニクス（英語版） カーボンナノチューブ電界効果トランジスタ（英語版） サイバー方法論（英語版） 第4世代光ディスク 3D光学データストレージ（英語版） ホログラフィック・データ・ストレージ（英語版） GPGPU メモリ プログラム可能なメタライゼーションセル（英語版） 強誘電体メモリ ミリペードメモリ（英語版） 磁気抵抗メモリ 相変化メモリ レーストラック・メモリ 抵抗変化型メモリ ソノス（英語版） 電気化学RAM（英語版） ウルトラRAM 光コンピューティング RFID チップレスRFID（英語版） ソフトウェア無線 三次元集積回路（英語版） 第6世代移動通信システム
   トピック	コリングリッジのジレンマ（英語版） 差別化技術開発（英語版） 破壊的技術 エフェメラリゼーション 技術倫理（英語版） 生命倫理学 サイバー倫理（英語版） 脳神経倫理 ロボット倫理学 探索的エンジニアリング（英語版） 架空の技術（英語版） プロアクション原則（英語版） 技術的変化 技術的失業 技術的収束 技術の進化（英語版） 技術的パラダイム（英語版） 技術予測（英語版） 収穫加速の法則 ホライズンスキャン（英語版） ムーアの法則 技術的特異点 技術スカウト（英語版） 技術成熟度レベル ロードマップ トランスヒューマニズム
   ポータル 技術と産業 カテゴリ

   典拠管理データベース: 国立図書館	フランス BnF data ドイツ イスラエル アメリカ ラトビア 日本 チェコ