この記事でわかること
- 機械翻訳の一文の定義
- 規則・統計・ニューラル・大規模言語モデルの移り変わり
- 機械翻訳でできること・苦手なこと
- 研修動画の翻訳で使うときの進め方
- 似た言葉(ポストエディット・翻訳メモリ)との違い
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
機械翻訳とは?
機械翻訳とは、コンピューターが、ある言語の文章を別の言語に自動で訳す技術のことです。英語の machine translation を略して「MT」と書かれることもあります。ウェブページの翻訳ボタンや、スマートフォンの翻訳の機能、動画の自動字幕の翻訳など、身の回りの多くの所で使われています。
最近は「AI 翻訳」と呼ばれることも増えました。いまの機械翻訳の多くが AI の技術で動いているためで、ほぼ同じものを指しています。機械翻訳のほうが、古い方式も含めた広い呼び方です。
身近な言い方をすれば、機械翻訳は「とても速い下訳の係」です。大量の文章を一瞬で訳せますが、その訳が正しいかどうかを最後に決めるのは、読む人の目です。
機械翻訳の仕組みはどう移り変わってきた?
機械翻訳の方式は、大きく 4 つの段階で移り変わってきました。
1. 規則に基づく方式
はじめは、人が文法の規則と辞書を書き、その規則に沿ってコンピューターに訳させる方式でした。規則を書いた範囲ではそろった訳が出ますが、言葉の例外は限りなくあり、規則を書き足し続ける手間がかかりました。
2. 統計の方式
次に広まったのが、たくさんの対訳(同じ内容を 2 つの言語で書いた文の組)から、「この言葉はこう訳されることが多い」という確率を学ぶ方式です。代表的な研究の一つが、1990 年に計算言語学の学術誌に載った「機械翻訳への統計的な取り組み」という論文です[1]。人が規則を書かなくても、データから訳し方を学べるようになりました。
3. ニューラルの方式
2015 年に機械学習の国際会議 ICLR で口頭発表された研究は、ニューラル機械翻訳を、従来の統計の方式と違い、翻訳の性能が最も高くなるようにまとめて調整できる 1 つのニューラルネットワークを作るものだと説明しています[2]。人の脳の神経のつながりをまねた計算の仕組みで、文全体を見ながら訳すため、訳が自然になりました。
2017 年には、注意の仕組み(アテンション)だけで組み立てた新しいネットワークの形が提案されました[3]。この形は、その後の機械翻訳や、次に述べる大規模言語モデルの土台になっています。
4. 大規模言語モデルの方式
いまは、翻訳のためだけに学習したモデルに加えて、文章全般を大量に学んだ大規模言語モデル(LLM)に翻訳もさせる方法が広がっています。2024 年の機械翻訳の国際的な評価の場 WMT24 では、11 の言語の組の翻訳が課題とされ[6]、8 つの大規模言語モデルと 4 つのオンラインの翻訳サービスからも訳を集めて比べています[6]。
| 方式 | 訳し方 | 代表的な年 |
|---|---|---|
| 規則に基づく方式 | 人が書いた文法の規則と辞書で訳す | 初期 |
| 統計の方式 | たくさんの対訳から確率を学んで訳す | 1990年の論文 |
| ニューラルの方式 | ニューラルネットワークで文全体を見て訳す | 2015年の論文 |
| 大規模言語モデル | 文章全般を学んだモデルに訳させる | 2020年代 |

機械翻訳で何ができる?
機械翻訳の強みは、速さと量です。
- 大量の文章をすぐに訳せる:研修の資料やマニュアル、字幕の全文も、短い時間で下訳ができます
- 多くの言語に一度に訳せる:同じ日本語の原文から、いくつもの言語の訳を同時に作れます
- 内容をつかむ:知らない言語の資料でも、何が書いてあるかのあらすじが分かります
- 人の翻訳の下書きにする:機械の訳を人が直す進め方(ポストエディット)で、ゼロから訳すより手間を減らせます
訳の良し悪しをどう測るかについて、WMT24 は、専門の評価者が誤りの箇所に印を付けていく新しい方法で、各システムの訳を評価したと報告しています[6]。評価の方法そのものは、機械翻訳の評価とはで説明しています。
機械翻訳の苦手なことは?
機械翻訳は便利ですが、どんな文でも正しく訳せるわけではありません。研究で分かっている苦手な点を 2 つ挙げます。
1 つ目は、言語による差です。2023 年に公開された研究は、大規模言語モデルの翻訳が、話者の多い言語ではとても競争力のある品質を出す一方、話者の少ない言語では力が限られると報告しています[4]。
2 つ目は、原文に無い内容を作ってしまう誤り(幻覚)です。2023 年に学術誌 TACL に載った研究は、こうした訳は、機械翻訳を実際に使うときに信頼を大きく損ない、安全の問題を起こしうると指摘しています[5]。とくに話者の少ない言語への翻訳や、英語から他の言語へ訳すときに起きやすいとしています[5]。
ほかにも、会社だけで使う呼び方や新しい製品の名前、人の名前は、学んだデータにほとんど出てこないため、誤りやすくなります。どこで誤りが起きやすいかは、AI翻訳の間違いはどこで起きる?でくわしく整理しています。

どんな場面で使う?(研修・マニュアル動画の例)
研修やマニュアルの動画を多言語にするとき、機械翻訳は字幕や吹き替えのもとになる訳を作る役を担います。使うときは、次の順番がおすすめです。
- 原文の日本語を整える
一文を短くし、主語と述語をはっきりさせると、訳の誤りが減ります - 用語集を用意する
会社名・製品名・安全の言葉の訳を、言語ごとに決めておきます - 機械翻訳で下訳を作る
字幕の全文を、選んだ言語へまとめて訳します - 否定・数字・固有名詞から確かめる
意味を大きく変える誤りを先に見つけます - 直した言葉を用語集に足す
次の動画で同じ誤りを早く見つけられるようにします
機械の訳を人が直す作業の考え方は、ポストエディットとはで説明しています。
koevo では、字幕・翻訳文をエディターで直せます[7]。会社名や専門用語は「一括置換」で、全部の言語をまとめて直せます[7]。字幕の手直しとして、エディター・一括置換・AI 再翻訳が使えます[7]。
似た言葉とはどう違う?
| 言葉 | 意味 | 機械翻訳との関係 |
|---|---|---|
| AI 翻訳 | AI の技術で行う翻訳 | いまの機械翻訳とほぼ同じ意味 |
| ニューラル機械翻訳(NMT) | ニューラルネットワークで訳す機械翻訳 | 機械翻訳の方式の一つ |
| 大規模言語モデル(LLM)の翻訳 | 文章全般を学んだモデルに訳させる | 機械翻訳の新しい方式 |
| ポストエディット | 機械翻訳の訳を人が直す作業 | 機械翻訳のあとに行う |
| 翻訳メモリ | 過去の訳を文ごとにためて使い回す仕組み | 機械が新しく訳すのではなく、人の過去の訳を探し出す |
ニューラル機械翻訳と大規模言語モデルの翻訳の違いは、LLMの翻訳とニューラル機械翻訳の違いで比べています。AI の翻訳と人の翻訳を比べた研究は、AI翻訳の精度は人の翻訳と比べてどうかにまとめています。
よくある質問
機械翻訳とAI翻訳は同じものですか?
いまはほぼ同じ意味で使われます。現在の機械翻訳の多くは、ニューラルネットワークや大規模言語モデルといったAIの技術で動いているためです。機械翻訳のほうが、規則や統計の方式も含む広い呼び方です。
機械翻訳の訳はそのまま使えますか?
内容をざっとつかむ目的なら使えることも多いですが、社外に出す文や安全・手順に関わる文は、人が読んで確かめてから使います。研究でも、原文に無い内容を作ってしまう誤りが報告されています。
どの言語でも同じくらい正確ですか?
同じではありません。研究では、話者の多い言語では高い品質が出る一方、話者の少ない言語では力が限られると報告されています。訳したい言語ごとに確かめる必要があります。
機械翻訳の誤りを減らすにはどうすればよいですか?
原文を短く分かりやすく書く、会社名や専門用語の訳を用語集で決めておく、訳を人が確かめて直す、の 3 つが基本です。直した言葉を用語集に足していくと、次の翻訳で同じ誤りを見つけやすくなります。
機械翻訳とは、コンピューターが自動で文章を訳す技術です。規則・統計・ニューラル・大規模言語モデルと方式が移り変わり、速く大量に訳せるようになりました。一方で、言語による差や原文に無い内容の誤りがあるため、大事な文は人が確かめてから使いましょう。
おわりに
機械翻訳について、いかがでしたか?コンピューターが自動で訳す技術で、規則・統計・ニューラル・大規模言語モデルと方式が移り変わり、速く大量に訳せる一方で誤りもあるため、大事な文は人が確かめるのでしたね。
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。日本語の研修やマニュアルの動画を機械翻訳で訳し、字幕と吹き替えまで作ったうえで、訳をエディターで確かめて直し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。
よくある質問
機械翻訳とAI翻訳は同じものですか?
いまはほぼ同じ意味で使われます。現在の機械翻訳の多くは、ニューラルネットワークや大規模言語モデルといったAIの技術で動いているためです。機械翻訳のほうが、規則や統計の方式も含む広い呼び方です。
機械翻訳の訳はそのまま使えますか?
内容をざっとつかむ目的なら使えることも多いですが、社外に出す文や安全・手順に関わる文は、人が読んで確かめてから使います。研究でも、原文に無い内容を作ってしまう誤りが報告されています。
どの言語でも同じくらい正確ですか?
同じではありません。研究では、話者の多い言語では高い品質が出る一方、話者の少ない言語では力が限られると報告されています。訳したい言語ごとに確かめる必要があります。
機械翻訳の誤りを減らすにはどうすればよいですか?
原文を短く分かりやすく書く、会社名や専門用語の訳を用語集で決めておく、訳を人が確かめて直す、の 3 つが基本です。直した言葉を用語集に足していくと、次の翻訳で同じ誤りを見つけやすくなります。
参考文献
論文 5海外の資料 1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21日)。
- Brown, Cocke, Della Pietra, Della Pietra, Jelinek, Lafferty, Mercer, Roossin (1990) A Statistical Approach to Machine Translation. Computational Linguistics 16(2): 79–85論文
- Bahdanau, Cho, Bengio (2015) Neural Machine Translation by Jointly Learning to Align and Translate. ICLR 2015. arXiv:1409.0473. DOI: 10.48550/arXiv.1409.0473論文
- Vaswani et al. (2017) Attention is All you Need. Advances in Neural Information Processing Systems 30 (NIPS 2017)論文
- Hendy et al. (2023) How Good Are GPT Models at Machine Translation? A Comprehensive Evaluation. arXiv:2302.09210. DOI: 10.48550/arXiv.2302.09210海外の資料
- Guerreiro et al. (2023) Hallucinations in Large Multilingual Translation Models. TACL 11. DOI: 10.1162/tacl_a_00615論文
- Kocmi et al. (2024) Findings of the WMT24 General Machine Translation Shared Task. WMT 2024. DOI: 10.18653/v1/2024.wmt-1.1論文
- koevo ヘルプ(使い方・料金)自社の一次資料
更新履歴
- 似た言葉の表から、ニューラル機械翻訳(NMT)と大規模言語モデル(LLM)を一語ずつ解説した記事へ案内を足しました









