統計的機械翻訳とは
統計的機械翻訳とは、人が訳した大量の対訳データから言葉の対応と文の現れ方を学び、確率の高い訳文を選ぶ翻訳方式です。英語ではStatistical Machine Translation、略してSMTと呼ばれます。現在主流のニューラル機械翻訳が広がる前に、機械翻訳の中心を担いました。
英語表記：Statistical Machine Translation（SMT）
どの訳文を選ぶ仕組みなのか
同じ文にも複数の訳し方があるでしょう。SMTは大きく、原文と訳文の語句がどれほど対応しそうかを見る翻訳モデルと、訳した側の言語として文章がどれほど自然かを見る言語モデルを組み合わせる構成。その点数を使って多くの候補を比較し、最も有力なものを探します。
例えば英語の語句が日本語のどの表現へ対応しやすいか、語の並びをどう変えると自然かを対訳から数えるのが基本。人が文法規則をすべて手書きするのではなく、実際の翻訳例に現れた傾向を利用するところが転換点でした。ただし、言語の組み合わせや専門分野に合うデータが少ないと、良い確率を学びにくくなるでしょう。
ニューラル機械翻訳と何が違うのか
代表的なSMTは、語句の対応、訳文らしさ、語順変更などの部品を分け、それぞれの点数を合わせます。ニューラル機械翻訳（NMT）は、原文から訳文を生む処理全体をニューラルネットワークで学ぶ方式です。2010年代後半からNMTが大きく普及し、Google Researchのレビューでも、SMTはNMTへ広く置き換えられたと説明されています。
SMTは数え上げた部品を組み合わせる設計、NMTは文章の変換を一体として学ぶ設計と捉えると違いが見えます。ChatGPTが公開された2022年より前に起きた技術交代であり、SMTは生成AIサービスの別名ではありません。
実務で知っておく意味
新しく翻訳サービスを選ぶだけなら、SMTを指定する場面は多くありません。一方、長く運用している翻訳システム、社内に蓄積した対訳、専門用語辞書を見直す際には、どの方式を前提に作られた資産かが移行費用へ影響します。
方式名だけで新旧や品質を決めず、自社文書を使った比較テストを行うことが重要です。専門用語の一致、数字や固有名詞の保持、修正時間、機密データの扱いを測れば、既存資産を残す部分と新方式へ移す部分を分けやすくなります。
Topic発想は1949年に提案されていた
IBMの研究者が1990年に発表した原論文は、Warren Weaverが1949年に統計と情報理論を翻訳へ使う案を示していたと振り返っています。研究者たちは理論上の反論を並べ、この案をすぐ手放しました。ただし原論文の著者は、本当の障害は別のところにあったと見ています。当時のコンピューターの非力さと、機械で読める文章の乏しさです。考え方だけでは実用化できず、計算資源とデータがそろってから再び前進した技術でした。
統計的機械翻訳に関するよくある質問
- 統計的機械翻訳は、毎回ランダムに訳す方式ですか？
- 違います。モデルが計算した確率を基準に候補を比較し、条件の下で最も有力な訳を探します。統計を使うことは、さいころのように無作為で決めることを意味しません。
- 対訳データが少ない言語でも、すぐ高精度に翻訳できますか？
- 十分とは限りません。統計的機械翻訳は、原文と訳文が対応したデータから規則性を学ぶため、言語の組み合わせや専門分野に合う資料の量と質が結果を大きく左右します。
