ニューラル機械翻訳(NMT)とは?しくみと得意・不得意

日本語の文と機械の訳を並べた画面と、しくみの図を印刷した紙。ニューラル機械翻訳とは

この記事でわかること

  • ニューラル機械翻訳(NMT)の一文の定義
  • 統計的な機械翻訳との違い
  • エンコーダ・デコーダと注意のしくみ
  • 研究で示された進歩の大きさ
  • 得意・不得意と、LLM の翻訳との違い

まず読む: LLMの翻訳とニューラル機械翻訳の違いは?研究からみた選び方

ニューラル機械翻訳(NMT)とは?

ニューラル機械翻訳(NMT)とは、ニューラルネットワークという AI のしくみを使い、文を丸ごと読んで別の言語に訳す機械翻訳の方法です。NMT は英語の Neural Machine Translation の頭文字です。ニューラルネットワークは、人の脳の神経のつながりをまねた計算のしくみで、たくさんの例から自分で規則を学びます。

2015 年に発表された代表的な研究は、NMT を「それまでの統計的な機械翻訳と違い、訳がよくなるように全体を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ことを目指す方法」と説明しています[1]。

ニューラル機械翻訳で何ができる?

NMT の強みは、文全体を見て、つながりの自然な訳を作れることです。部品ごとに訳をつなぎ合わせる方法に比べて、文の流れに沿った訳になりやすくなりました。

進歩の大きさは、研究の数字にも表れています。2016 年に大手の検索サービスの研究チームが発表した研究は、簡単な文を人が並べて比べた評価で、NMT の訳の誤りが、それまで使っていた語句をつなぐ方式に比べて平均 60% 減ったと報告しています[3]。

ニューラル機械翻訳の進歩を示した研究の数字出典: arXiv:1609.08144(2016)・arXiv:1409.3215(2014)
ニューラル機械翻訳の進歩を示した研究の数字
項目数
語句をつなぐ方式と比べた訳の誤りの減り方(2016 年の研究・人の評価)60%
英語→フランス語での NMT の点数(2014 年の研究・BLEU)34.8点
同じ試験での語句をつなぐ方式の点数(BLEU)33.3点

BLEU は手本の訳との言葉の重なりを見る点数。訳の誤りの減り方は人が並べて比べた評価

ニューラル機械翻訳のしくみは?

エンコーダとデコーダ

初期の NMT の多くは、「読む係(エンコーダ)」と「書く係(デコーダ)」の 2 つでできていました。2015 年の研究は、エンコーダが原文を決まった長さの数の並びにまとめ、デコーダがそこから訳を作る、と説明しています[1]。2014 年の研究も、原文を決まった大きさの数の並びにまとめ、別のしくみでそこから訳の文を作る方法を示しました[2]。

この研究では、英語からフランス語への翻訳の試験で、NMT が BLEU という点数で 34.8 となり[2]、語句をつなぐ統計的な方式の 33.3 を上回りました[2]。BLEU のしくみと注意点は、BLEUとはで説明しています。

注意(アテンション)のしくみ

「読む係」が長い文を 1 つの決まった長さにまとめるやり方には、限界がありました。2015 年の研究は、決まった長さにまとめることが性能を上げる妨げになっていると考え[1]、訳の 1 語を作るたびに、原文のどの部分に関係があるかを自動で探すしくみを加えました[1]。これが「注意(アテンション)」のしくみで、長い文でも訳がくずれにくくなりました。

2017 年には、この注意のしくみだけで組み立てた、より単純な構造が提案されました[4]。いまの翻訳や、文章を作る AI の多くは、この流れの上にあります。

段階しくみ何が変わったか
統計的な機械翻訳語句の訳の確率を部品ごとに計算部品をつなぐため、文の流れが不自然になりやすい
初期の NMTエンコーダとデコーダ[1]文全体を学習して訳す
注意つきの NMT訳すたびに原文の関係する部分を探す[1]長い文でも訳がくずれにくい
注意だけの構造注意のしくみだけで組み立てる[4]学習が速く、大きなしくみにしやすい
二台のパソコンの訳文を見比べる人。LLMの翻訳とニューラル機械翻訳

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は、字幕や吹き替えのもとになる訳を NMT などの機械翻訳で作るのが一般的になっています。使うときは、得意・不得意を知っておくと安心です。

得意なこと気をつけること
文の流れに沿った自然な訳めずらしい言葉・社内の言葉[3]
大量の文をすばやく訳す学習のデータが少ない言語[5]
よく使われる言語どうしの訳原文に無いことを書く「作り話の訳」[5]

2016 年の研究は、多くの NMT がめずらしい言葉を苦手とすると書いています[3]。2023 年の研究は、原文に無いことを書いてしまう訳(ハルシネーション)は、実際に使うときに大きな問題や安全上の問題を起こしうるとし[5]、それがとくに学習のデータが少ない言語の向きや、英語から訳すときに起きやすいと報告しています[5]。

社内の言葉や製品名は、あらかじめ訳を決めておくと間違いを減らせます。考え方は翻訳の用語集の作り方にまとめています。koevo では、字幕・翻訳文をエディターで直せ[6]、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[6]。機械の訳を人が直す進め方はポストエディットとはで説明しています。

LLM の翻訳とはどう違う?

いま広く話題の、文章を作る AI(大規模言語モデル・LLM)も翻訳に使われます。どちらもニューラルネットワークを使いますが、NMT は翻訳のために作られたしくみ、LLM はさまざまな文章の作業を学んだしくみという違いがあります。2023 年の研究は、LLM が出す作り話の訳は、NMT のものとは性質が違うと報告しています[5]。

どちらを選ぶかの考え方はLLMの翻訳とニューラル機械翻訳の違いで、訳の評価の方法は機械翻訳の評価の方法で整理しています。

よくある質問

NMT は何の略ですか?

英語の Neural Machine Translation の略で、日本語ではニューラル機械翻訳と呼びます。ニューラルネットワークという AI のしくみを使った機械翻訳のことです。

NMT とそれ以前の機械翻訳は何が違いますか?

それ以前の統計的な機械翻訳は、言葉や語句の訳の確率を部品ごとに計算して組み合わせていました。NMT は、1 つの大きなしくみ全体を、訳がよくなるようにまとめて学習させる点が違います。

NMT と、文章を作る AI(LLM)の翻訳は同じですか?

どちらもニューラルネットワークを使いますが、NMT は翻訳のために作られたしくみ、LLM はさまざまな文章の作業を学んだしくみです。研究では、作り話の訳(ハルシネーション)の出方が両者で違うと報告されています。

NMT の訳はそのまま使っても大丈夫ですか?

大事な文書や安全に関わる研修では、人が確かめてから使うのが安全です。とくにめずらしい言葉、学習のデータが少ない言語、否定や数字は間違いやすいので、相手の言語を話す人に読んでもらいます。

ニューラル機械翻訳(NMT)とは、ニューラルネットワークで文を丸ごと読んで訳す機械翻訳です。エンコーダ・デコーダと注意のしくみで大きく進歩し、いまの翻訳の土台になりました。めずらしい言葉や少ないデータの言語、作り話の訳には弱いので、研修の訳は人が確かめてから使いましょう。

おわりに

ニューラル機械翻訳(NMT)について、いかがでしたか?文を丸ごと読んで訳す、1 つのしくみ全体を学習させる機械翻訳で、注意のしくみで大きく進歩した一方、めずらしい言葉や少ないデータの言語、まれな作り話の訳には注意が要るのでしたね。

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・マニュアル動画を多言語の字幕や吹き替えにし、訳を画面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。

koevo のサービスページを見てみる

よくある質問

NMT は何の略ですか?

英語の Neural Machine Translation の略で、日本語ではニューラル機械翻訳と呼びます。ニューラルネットワークという AI のしくみを使った機械翻訳のことです。

NMT とそれ以前の機械翻訳は何が違いますか?

それ以前の統計的な機械翻訳は、言葉や語句の訳の確率を部品ごとに計算して組み合わせていました。NMT は、1 つの大きなしくみ全体を、訳がよくなるようにまとめて学習させる点が違います。

NMT と、文章を作る AI(LLM)の翻訳は同じですか?

どちらもニューラルネットワークを使いますが、NMT は翻訳のために作られたしくみ、LLM はさまざまな文章の作業を学んだしくみです。研究では、作り話の訳(ハルシネーション)の出方が両者で違うと報告されています。

NMT の訳はそのまま使っても大丈夫ですか?

大事な文書や安全に関わる研修では、人が確かめてから使うのが安全です。とくにめずらしい言葉、学習のデータが少ない言語、否定や数字は間違いやすいので、相手の言語を話す人に読んでもらいます。

参考文献

論文 4海外の資料 1自社の一次資料 1

この記事は 6 本の出典をもとに書いています。うち 6 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)。

  1. 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
  2. Sutskever, Vinyals, Le (2014) Sequence to Sequence Learning with Neural Networks. NIPS 2014. arXiv:1409.3215. DOI: 10.48550/arXiv.1409.3215論文
  3. Wu et al. (2016) Google's Neural Machine Translation System: Bridging the Gap between Human and Machine Translation. arXiv:1609.08144. DOI: 10.48550/arXiv.1609.08144海外の資料
  4. Vaswani et al. (2017) Attention is All you Need. Advances in Neural Information Processing Systems 30 (NIPS 2017)論文
  5. Guerreiro et al. (2023) Hallucinations in Large Multilingual Translation Models. TACL 11. DOI: 10.1162/tacl_a_00615論文
  6. 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。