AI翻訳の間違いはどこで起きる?固有名詞・否定・訳抜けの見つけ方

印刷した訳文に赤ペンで印をつける手元。AI翻訳の間違いを見つける作業

この記事でわかること

  • AI 翻訳で起きやすい間違いの種類(固有名詞・専門用語・否定・抜け・追加・つながり)
  • それぞれの間違いについて、論文で分かっていること
  • 読めない言語でも、間違いを見つけやすくする確かめ方
  • koevo で見つけた間違いを直す方法と、直せないこと

まず読む: AI翻訳の精度は人の翻訳に追いついた?比較の研究でわかったこと

AI 翻訳の間違いとは?(結論)

AI 翻訳の精度は大きく上がりました。それでも間違いはゼロにはならず、起きやすい場所には傾向があります。研究で繰り返し取り上げられているのは、次の種類です。

  • 会社名・製品名などの固有名詞や、社内の専門用語の取り違え
  • «してはいけない» のような否定の訳しそこね
  • 原文の一部が訳されない «訳抜け»、原文に無い言葉が加わる «追加»
  • 原文とほとんど関係のない文が出てくる «幻覚(ハルシネーション)»
  • 一文ずつは正しくても、前後の文とつながらない間違い

どれも、訳がなめらかに読めるほど見落としやすいのが厄介なところです。この記事では、種類ごとに論文で分かっていることを紹介し、研修動画の訳を確かめるときの見方をまとめます。AI 翻訳と人の翻訳の差そのものについては、AI 翻訳の精度は人の翻訳に追いついた?で紹介しています。

間違いはどんな仕組みで起きる?

いまの AI 翻訳は、大量の原文と訳文の組から、«この言葉の並びには、この訳がもっともらしい» という傾向を学んでいます。そのため、学んだデータにたくさん出てくる言い回しは得意ですが、次のような所でつまずきやすくなります。

  • めったに出てこない言葉:社内の略語や新しい製品名は、学んだデータにほとんど無い
  • いくつもの意味を持つ言葉:どの意味かを文の外の情報で決める必要がある
  • 小さな言葉が意味を決める文:否定の一語で意味が逆になる
  • 文をまたぐ情報:«それ» が何を指すか、同じ言葉を同じ訳にそろえるか

種類ごとに、研究で何が分かっている?(出典つきの数字)

否定:意味が逆になる

2020年に発表されたある研究は、否定を «人の言葉の中心にあり、発話の意味を大きく左右する性質» として取り上げました[1]。17 の翻訳の方向を使って、いまの AI 翻訳にとって否定の翻訳が問題になるかを調べています[1]。その結果、否定があることで訳の品質が大きく下がることがあり、場合によっては 60% を超える低下になったと報告しています[1]。

否定が AI 翻訳に与える影響(2020年の研究)出典: Hossain, Anastasopoulos, Blanco, Palmer (2020) It's not a Non-Issue: Negation as a Source of Error in Machine Translation
否定が AI 翻訳に与える影響(2020年の研究)
項目数
調べた翻訳の方向17方向
否定による訳の品質の低下(大きい場合)60%超

研修動画では、«触らないでください» «外さないでください» のような否定の指示が、安全に直結します。いちばん先に確かめたい所です。

訳抜けと追加:なめらかな文に紛れる

2022年に発表された研究は、内容の抜けと追加を、AI 翻訳によくある問題としてはっきり位置づけています[2]。この研究は、手本の訳が無くても、訳文の余分な言葉や、訳されずに残った原文の言葉を見つけ出す方法を提案しました[2]。

抜けや追加は、訳文だけを読んでも気づきにくい間違いです。たとえば «作業前と作業後に点検してください» の «作業後» が抜けても、訳文は文として自然に読めてしまいます。

専門用語:用語を指定しても崩れることがある

2019年に発表された別の研究は、利用者が決めた用語を、翻訳するときに AI に守らせる方法を提案しました[3]。論文によると、それまでの «訳の候補を無理やり用語に合わせる» 方法は、現実に近い条件で試すともろいことがあったとしています[3]。そこで、入力と一緒に用語を渡され、それを使えるように AI を学習させる方法を示しています[3]。

研究の世界でも、«この言葉はこう訳す» を守らせるのは簡単ではない、ということです。社内の用語集をつくり、訳を確かめるときの物差しにすることには意味があります。

二列の表で社内の言葉を整理した画面と、印刷した用語の一覧

固有名詞と多義語:どの意味かを取り違える

2018年に発表された研究は、従来の AI 翻訳には、いくつもの意味を持つ言葉の翻訳が苦手になりやすいという問題があると指摘しました[4]。そこで、原文の中の人名や組織名などの «固有表現» の印を AI に渡して訳す方法を提案し、英語から日本語への翻訳などで試しています[4]。

会社名や製品名が、ふつうの言葉と同じ文字でできていると、AI はそれをふつうの言葉として訳してしまうことがあります。人の名前や地名も、読み方や書き方が違って出てくることがあります。

幻覚:原文に無い文が出てくる

AI 翻訳が、原文とほとんど関係のない文を出してしまうことを «幻覚(ハルシネーション)» と呼びます。2023年に発表された研究は、わざと雑音を加えない自然な条件で、この現象を調べました[5]。3.4k(約3,400)を超える文に、重大な誤りや幻覚の種類の印を付けたデータを作っています[5]。めったに起きませんが、起きると意味が大きく変わる、見つけておきたい種類の間違いです。

文をまたぐ間違い:一文ずつでは見えない

2018年に発表された別の研究は、一文ずつでは見つけにくい、または見つけられない間違いが、訳の品質の差を決めるようになっていると述べています[6]。同じ言葉が場面ごとに違う訳になる、«それ» の指すものを取り違える、といった間違いです。

研修動画では、どう確かめればよい?

ここまでの種類を、確かめ方と合わせて表にまとめます。

間違いの種類研修動画での例言語が分からなくてもできる確かめ方
否定«外さない» が «外す» の意味になる日本語へ訳し戻して、否定が残っているかを見る
訳抜け手順の一つが訳されていない原文と訳の文の数・数字の数を比べる
追加・幻覚原文に無い説明が加わる訳し戻した文に、原文に無い内容がないかを見る
専門用語社内の用語が場面ごとに違う訳になる用語集の訳語が、どの場面でも同じかを見る
固有名詞会社名がふつうの言葉として訳される会社名・製品名・人名が訳文にそのまま残っているかを見る
つながり«それ» の指すものを取り違える一文ずつでなく、動画を通して訳を読む

確かめる順番は、意味が逆になる・抜ける所から がおすすめです。否定と数字は、間違うと安全や手順に直結します。次に固有名詞と専門用語、最後に通して読んだときのつながりを見ます。

確かめる流れは?

  1. 日本語の原稿を先に確かめる
    文字起こしの誤りは、すべての言語に引き継がれます。否定・数字・固有名詞が正しく文字になっているかを、まず日本語で見ます。
  2. 用語の一覧を用意する
    会社名・製品名・社内の呼び方と、それぞれの言語での決まった訳を並べておきます。確かめるときの物差しになります。
  3. 否定と数字を見る
    訳し戻した日本語で、否定が残っているか、数字や単位が変わっていないかを確かめます。
  4. 抜けと追加を見る
    原文と訳の文の数、手順の数をくらべ、訳し戻した文に原文に無い説明が増えていないかを見ます。
  5. 通して読む
    最後に、一文ずつではなく動画の最初から最後まで通して、同じ言葉が同じ訳になっているか、話がつながっているかを見ます。

この順番にすると、意味が大きく変わる間違いを先に見つけられます。全部の言語を同じ深さで見られないときも、1 から 3 までは、どの言語でもそろえて行うのがおすすめです。

社内にその言語が分かる人がいれば、全部でなくても、大事な場面だけ読んでもらうと安心です。なぜ人の確認を前提にしているのかは、AI 翻訳は人の確認が必要?に書きました。

ヘッドホンで研修動画を止めながら、AI翻訳の訳を確かめる担当者

向いている場面・気をつけたい場面は?

AI 翻訳だけでも進めやすい人の確認を厚くしたい
一般的な言葉が中心の説明安全・禁止・手順の指示
一文が短く、主語がはっきりした原稿社内の略語・製品名が多い原稿
何度も見直せる社内向けの資料外部の人や多くの人に配る動画

原稿の段階で、一文を短くし、主語をはっきりさせ、否定は «〜しないでください» のようにはっきり書くと、AI 翻訳の間違いは起きにくくなります。

訳し戻しで気をつけることは?

訳し戻しは、読めない言語の訳を確かめる手軽な方法ですが、万能ではありません。訳し戻しにも AI 翻訳を使うと、行きと帰りの両方で間違いが起き、たまたま元の日本語に近い文に戻って見えることがあります。逆に、訳は正しいのに、訳し戻しの段階で言い回しが変わって不安に見えることもあります。

訳し戻しは «意味が逆になっていないか» «大事な言葉が抜けていないか» を見る目安と考え、細かな言い回しの良し悪しまでは判断しないのが無難です。気になる所が見つかったら、その言語が分かる人に確かめてもらいます。

見つけた間違いは、どう直す?

koevo では、==完成後にエディターで字幕・翻訳文を直せます==[7]。会社名や専門用語の取り違えが全部の言語に出ているときは、«一括置換» で全部の言語の字幕をまとめて直せます[7]。

ただし、字幕を直しても吹き替えの音声は変わりません[7]。音声まで正しくしたい場合は、元の日本語の原稿や話し方を見直すことが大切です。訳の評価のしかたそのものは、機械翻訳の評価とは?で説明しています。

よくある質問

AI 翻訳でいちばん気をつけたい間違いは何ですか?

意味が逆になる否定の間違いと、会社名・製品名などの固有名詞の取り違えです。研究では、否定を含む文で訳の品質が大きく下がる場合があることが報告されています[1]。

訳文がなめらかなら、正しいと考えてよいですか?

そうとは限りません。訳の抜けや、原文に無い言葉が加わる間違いは、読みやすい文の中に紛れることがあります[2]。原文と見比べて、文の数や大事な言葉が残っているかを確かめます。

読めない言語の訳はどう確かめればよいですか?

数字・会社名・製品名など形が変わりにくい所が訳に残っているかを見ます。日本語へ訳し戻して意味を比べる方法もあります。大事な場面は、その言語が分かる人に読んでもらうと安心です。

会社名の訳がすべての言語で間違っていたら、どう直せばよいですか?

koevo では «一括置換» で、全部の言語の字幕をまとめて直せます[7]。ただし字幕を直しても、吹き替えの音声は変わりません[7]。

AI 翻訳の間違いは、否定・固有名詞・専門用語・訳抜けや追加・文のつながりに集まりやすいことが研究で分かっています。訳がなめらかでも安心せず、否定と数字から順に、種類ごとに確かめましょう。読めない言語は、形の変わりにくい言葉と訳し戻しで確かめられます。

おわりに

AI翻訳の間違いやすい所について、いかがでしたか?固有名詞や専門用語、否定の訳しそこね、訳の抜けや追加、前後のつながりに誤りが集まりやすく、種類ごとに人が確かめるのが近道でしたね。

ちなみにスリーでは、「koevo」というサービスを提供しています。日本語の動画から、翻訳・字幕・吹き替えをまとめて作る動画の多言語化の仕組みです。研修やマニュアルの動画を、母国語の声で届けられます。日本語の研修動画を、字幕や吹き替えで母国語に置きかえて届けたいときにお使いいただけます。よろしければ、サービスページものぞいてみてください。

koevo のサービスページを見てみる

よくある質問

AI 翻訳でいちばん気をつけたい間違いは何ですか?

意味が逆になる否定の間違いと、会社名・製品名などの固有名詞の取り違えです。研究では、否定を含む文で訳の品質が大きく下がる場合があることが報告されています。

訳文がなめらかなら、正しいと考えてよいですか?

そうとは限りません。訳の抜けや、原文に無い言葉が加わる間違いは、読みやすい文の中に紛れることがあります。原文と見比べて、文の数や大事な言葉が残っているかを確かめます。

読めない言語の訳はどう確かめればよいですか?

数字・会社名・製品名など形が変わりにくい所が訳に残っているかを見ます。日本語へ訳し戻して意味を比べる方法もあります。大事な場面は、その言語が分かる人に読んでもらうと安心です。

会社名の訳がすべての言語で間違っていたら、どう直せばよいですか?

koevo では «一括置換» で、全部の言語の字幕をまとめて直せます。ただし字幕を直しても、吹き替えの音声は変わりません。

参考文献

論文 6自社の一次資料 1

この記事は 7 本の出典をもとに書いています。うち 7 本は、引用した文が出典のページにあることを確かめています(2026年11月20日)。

  1. Hossain, Anastasopoulos, Blanco, Palmer (2020) It's not a Non-Issue: Negation as a Source of Error in Machine Translation. Findings of EMNLP 2020. DOI: 10.18653/v1/2020.findings-emnlp.345論文
  2. Vamvas, Sennrich (2022) As Little as Possible, as Much as Necessary: Detecting Over- and Undertranslations with Contrastive Conditioning. ACL 2022. DOI: 10.18653/v1/2022.acl-short.53論文
  3. Dinu, Mathur, Federico, Al-Onaizan (2019) Training Neural Machine Translation to Apply Terminology Constraints. ACL 2019. DOI: 10.18653/v1/P19-1294論文
  4. Ugawa, Tamura, Ninomiya, Takamura, Okumura (2018) Neural Machine Translation Incorporating Named Entity. COLING 2018論文
  5. Guerreiro, Voita, Martins (2023) Looking for a Needle in a Haystack: A Comprehensive Study of Hallucinations in Neural Machine Translation. EACL 2023. DOI: 10.18653/v1/2023.eacl-main.75論文
  6. Läubli, Sennrich, Volk (2018) Has Machine Translation Achieved Human Parity? A Case for Document-level Evaluation. EMNLP 2018. DOI: 10.18653/v1/D18-1512論文
  7. koevo ヘルプ(使い方・料金)自社の一次資料

この記事を書いた人

動画の多言語化に毎日向き合っている koevo のチームが書いています。数字や制度は、元の資料へのリンクを付けています。