急速に進化する翻訳技術の展望の中で、人工知能 (AI) は、翻訳サービスのレンダリングと価格設定の方法に大きな変化をもたらしました。 AIが進歩し続けるにつれて、特に翻訳メモリ (TM) 、機械翻訳 (MT) エンジン、および大言語モデル (LLM) の開発を通じて、翻訳業界は、変革の頂点に立っています。 この記事では、これら3つのAI主導のテクノロジーが翻訳コストに与える影響を掘り下げ、効率を高め、費用を削減し、翻訳プロセスの品質と速度を再定義する可能性を探ります。
翻訳メモリは、翻訳技術の進化の基礎となっています。 以前に翻訳されたテキストセグメントを保存することにより、TMは新しい翻訳で繰り返し使用できるため、翻訳者が同じフレーズや文を再翻訳する必要がなくなります。 これにより、翻訳プロセスが高速化されるだけでなく、時間の経過とともにコストが大幅に削減されます。 マッチレートとこれらのレートに基づく割引の導入は、TMの費用対効果をさらに高めます。 ただし、TMシステムでは、エラーの蓄積を防ぐために継続的なメンテナンスが必要です。これを無視すると、修正と品質管理の必要性により、長期的なコストが増加する可能性があります。
たとえば、英語から中国語に翻訳された簡単な文を考えてみましょう。「周囲を清潔に保ちます」。 対応する中国語の翻訳は、「保的環境清洁」である可能性があります。この文は、翻訳されると、次のような形式としてTMシステムに保存されます。
En-US: 周囲を清潔に保ちます。
Zh-CN: 的環境清洁。
マッチ率は、TMを利用する上で重要な概念である。 これは、新しいテキストとTMに格納されているエントリとの間の類似性の割合を指します。
たとえば、別のドキュメントに「周囲を清潔に保ってください」という文が含まれている場合、TMシステムは保存されている文との類似性を識別します。 この新しい文が前の例で保存されたエントリの80% と一致すると仮定すると、文の一致率は80% になります。
同様に、「周囲をきれいに保とうとしている」という文は、オリジナルからの変更が長いため、一致率が低くなる可能性があります。たとえば、70% です。
翻訳コストは、多くの場合、マッチレートに基づいた割引で計算できます。 たとえば、一致率が75% から94% の文は、単語あたりのレートから40% の割引を受ける可能性があり、まったく新しいテキストと比較して、それらを翻訳するのに必要な労力が少ないことを認めています。 この割引システムは、既存の翻訳の再利用に直接関連するコスト削減を実証することにより、TMの使用を奨励します。
マッチレートに基づく割引率の例を次に示します。
名前 | TMマッチ | 加重 (例) |
一致しません | 0-74% | 1 |
繰り返し | 0-74% と同じ | 0.15 |
ファジーマッチが少ない | 75-94% | 0.6 |
高いファジーマッチ | 95-99% | 0.3 |
正確な一致 | 100% | 0.2 |
ICEマッチ | > 100% | 0.1または0 |
時間が経つにつれて、TMの使用は大幅なコスト削減につながる可能性があります。 たとえば、マニュアルやレポートを定期的に更新するIT分野のクライアントは、長年にわたって膨大なTMデータベースを蓄積する可能性があります。 翻訳された新しいドキュメントはそれぞれ、TMからの50% 以上のコンテンツを利用する可能性があり、コストを段階的に節約できます。 このようなクライアントは、5年間で、以前に翻訳されたコンテンツを効率的に再利用できるため、翻訳コストを最大30% 削減できます。
TMシステムは有益ですが、「汚染」、つまりエラーをTMに組み込むことを回避するために適切なメンテナンスが必要です。これにより、将来の翻訳でエラーが永続する可能性があります。 メンテナンスには、保存された翻訳の正確さと関連性を確保するための定期的な更新とレビューが含まれます。 これにはある程度のコストがかかりますが、汚染されたTMによる潜在的な損失と比較して最小限であり、修正が必要なエラーを導入することでコスト削減のメリットを大幅に損なう可能性があります。再翻訳。
TMシステムを統合して適切に保守することにより、企業や翻訳サービスプロバイダーは、多言語コンテンツ制作の高品質を維持しながら、翻訳コストを大幅に削減できます。
Aとの機械翻訳神経机械翻訳ソフトウェアAIの出現とともに急速に拡大しました。 Google翻訳のような一般的なMTエンジンは、日常のユーザーにアクセス可能なソリューションを提供しますが、特殊なMTエンジンは、特定の業界の翻訳精度を向上させるカスタマイズされたソリューションを提供します。 人間の翻訳者がMT出力を調整する編集後のワークフローの導入は、コストを大幅に削減することが証明されています。 必要なポスト編集の深さに応じて、従来の翻訳方法に比べてコストを大幅に削減できます。 ただし、MTをプロのワークフローに統合するには、コスト削減と潜在的な品質リスクのバランスを取るための慎重な管理が必要です。
機械翻訳 (MT) エンジンは、さまざまなレベルのアクセシビリティと品質を提供することにより、翻訳コストに大きな影響を与えます。 一般に、MTエンジンには、ジェネリックと特殊の2種類があります。
Google MTのような一般的なエンジンは誰でもアクセスでき、費用効果が高いです。 特定のカスタマイズなしで一般的に使用できるように設計されています。 一方、特殊なエンジンは、専用のコーパスを使用して特定のニーズに合わせて調整され、通常、組織内で個人的に展開されます。 特殊なエンジンは通常、一般的なエンジンよりも高い翻訳品質を提供しますが、トレーニングとメンテナンスのコストはかなり高くなります。 同等の品質を達成するための総コストを考慮すると、2つのタイプの違いは、ここで詳細な議論を正当化するのに十分ではありません。
ポストマシンの翻訳編集は重要であり、完全なポスト編集とライトポスト編集の2つの形式があります。 完全なポスト編集 (Full PE) には、機械翻訳されたテキストの包括的なレビューと修正が含まれ、高水準の精度と流暢さを満たしていることを確認します。 対照的に、ライトポストエディティング (Light PE) は、主要なエラーと一貫性に焦点を当て、最小限の修正で許容可能な品質を目指しています。
13人の経験豊富な翻訳者の調査では、フルPEの見積もり価格を従来の人間の翻訳と比較しました。 結果によると、フルPEの価格は完全に手動での翻訳に請求される金額の約70% であり、機械翻訳を統合することで約30% のコスト削減を示唆しています (MT自体のコストを除く)。
軽いPE価格はフルPEレートの約半分であり、手動翻訳コストの約35% であり、約65% の節約を示しています。
全体的な翻訳ワークフローを評価するとき、100% として設定した翻訳とレビューを含む、純粋な人間の翻訳のコストに対してベンチマークを行います。 コストマシンの翻訳ステップに関しては、人間の翻訳コストの5% を設定します。 機械翻訳とそれに関連するプロセスがコストを削減する方法は次のとおりです。
プロセス | 説明 | 総コスト | コスト節約 | 品質 |
翻訳 + レビュー | 純粋な人間の翻訳 | 100% | 0 | |
機械翻訳 + フルPE + レビュー | このプロセスは、人間の翻訳の質に一致するか、または近づくことを目的としています。 | 85% | 15% | 人間の翻訳に近い |
マシン翻訳 + フルPE | 2番目の翻訳者によるレビューなし | 60% | 40% | 品質へのリスクが高まります。 |
マシン翻訳 + ライトPE | 翻訳者にのみ主要な問題をチェックしてもらう | 35% | 65% | より質の高いリスクを伴います。 |
マシン翻訳 | 誰も翻訳をチェックしない | 5% | 95% | 品質へのリスクはかなり高い |
結論として、機械翻訳はに応じて大幅なコスト削減を提供します品質要件と採用された特定のプロセス。 これは、特に戦略的な編集後の慣行と組み合わせると、コストを効果的に管理しながらさまざまな翻訳ニーズに対応するために、スケーラブルで経済的に実現可能なオプションを提供します。
OpenAIによって開発されたような大言語モデルは、翻訳においてさらなる革命を約束します。 LLMは、予備翻訳をすばやく生成し、大量のテキストを処理できます。 さらに、品質をチェックしたり、用語を抽出したり、複数の言語で直接コンテンツを作成したりすることで、翻訳者を支援します。 翻訳プロセスを合理化し、人間の介入の必要性を減らすという彼らの役割は増え続けています。
大言語モデル (LLM) は当初、翻訳コストを最大30% 削減する可能性があると宣伝されていましたが、実際のパフォーマンスはまだこれらの期待に完全には応えていません。 翻訳プロセスにおけるLLMのコスト削減の可能性を3つの側面から分析しましょう。
翻訳の迅速な提供: LLMは予備翻訳を迅速に生成できます。これは、緊急に必要なドキュメント処理に特に役立ちます。 しかし、これらの迅速な翻訳の品質は常に信頼できるとは限らず、通常、さらなる人間の修正と修正が必要です。
大量のコンテンツの処理: LLMは、大量のテキストの処理に優れています。特に、大量で頻繁に更新されるコンテンツに役立ちます。
それでも、この利点は、基本として従来の機械翻訳への依存を依然として必要とする品質の問題のために、既存の高度な機械翻訳技術に比べて大幅なコスト削減の利点を示していません。 処理速度と量の利点にもかかわらず、これらの機能によるコスト削減は、追加の人間の介入を必要とする品質上の懸念のために実質的ではありません。
品質チェック: LLMは、翻訳、特に文法と使用法のエラーを検出して修正するのに役立ちます。 ただし、それらの不安定さは、翻訳者がこれらの出力を検証および修正するために費やす追加の時間につながることがあります。
用語の抽出: LLMは、特定のドメイン用語を抽出する機能を示し、翻訳者が専門用語をより迅速に理解して使用するのを支援します。
研磨翻訳: LLMは、スタイルと音色の改善の提案を提供でき、翻訳がターゲット言語の規範により密接に準拠するようにします。
元のテキストの解釈: あいまいまたは複雑なテキストの場合、LLMは可能な解釈を提供し、翻訳者が元のコンテンツの意図をよりよく理解するのに役立ちます。
参照用の補助翻訳の提供: LLMによって生成された翻訳は参照資料として機能し、翻訳者に追加の視点と比較ポイントを提供します。
翻訳者の調査によると、LLMはこれらの支援を提供しますが、技術が不安定であるため、効率への全体的な影響は限られているため、これらの側面ではコストが大幅に削減されません。
コンテンツ作成の支援: テクニカルライターまたはコンテンツ作成者は、LLMを使用して複数の言語で直接コンテンツを作成できるため、後続の翻訳の必要性を減らすことができます。 たとえば、ライターが別の言語に堪能な場合、LLMを利用してその言語のコンテンツを生成し、必要な調整を行うことができます。
ローカルコンテンツ作成: グローバルコンテンツに基づいて、ローカルユーザーはLLMを使用して、市場に合わせたローカライズされたコンテンツを作成し、従来の翻訳要件をさらに削減できます。
作成を通じて翻訳のニーズを減らすこれらの方法は、クライアントにいくらかのコストを節約し、コンテンツ作成分野におけるLLMの可能性を示しています。
大型言語モデルは、特にコンテンツ処理機能と翻訳者の支援において、翻訳コストを削減する上でいくつかの潜在的な利点を提供します。 ただし、テクノロジーの不安定性と既存の機械翻訳テクノロジーの競争力のある存在により、実際のコスト削減は当初の期待に達していません。 テクノロジーが向上し、アプリケーションが安定するにつれて、LLMが翻訳業界でコストを削減する可能性が徐々に明らかになる可能性があります。
AIテクノロジーの翻訳業界への統合は、すでにかなりのコスト削減と効率の向上を示しています。 各テクノロジー (翻訳メモリ、機械翻訳、大言語モデル) は独自の強みと課題をもたらしますが、全体的な傾向は、より自動化され、正確で、コスト効果に向かっています。Ive翻訳プロセス。 これらのテクノロジーが発展し成熟し続けるにつれて、それらの集合的な影響は拡大し、さらに高い効率を提供し、言語サービスの展望を変革する可能性があります。 翻訳の未来は、コストを削減するだけでなく、世界中の視聴者のアクセシビリティと品質を向上させることでもあります。
EN 
cn 
de 
jp 
