ニューラル機械翻訳：その仕組み（2026）

「ニューラル」という言葉は、ソフトウェアではなく生物学の授業で使う言葉のように聞こえる。 しかし、テクノロジーの世界では、 人工ニューラルネットワーク とは、脳を大まかにモデルにしたシステムであり、ニューロンが信号を発するように、互いに情報を伝達する接続されたノードの層から構成されています。

では、それが翻訳とどう関係するのでしょうか？

長年にわたり、Google翻訳のようなツールは、統計的機械翻訳（SMT）と呼ばれる古い手法に依存していた。 2016年にGoogleはNMTに切り替え、 Google自身の評価では、この新しいシステムによって翻訳エラーが平均 60%削減された。 （今日ではどれくらい正確なのか気になりますか？） Google翻訳の実際の信頼性はどれくらいか。

ウェブサイトを翻訳する場合、ほぼ間違いなくニューラル機械翻訳（NMT）に遭遇するでしょう。 すべての企業が人間の翻訳者からなるチームをフルに編成できるわけではないため、ニューラル機械翻訳（NMT）を最初の段階として利用することが、新しい市場に参入する最も迅速な方法となる。 技術の仕組みを理解することで、サイトに最適なローカライズワークフローを選択しやすくなります。

In this guide, we’ll cover everything you need to know about NMT, including why a 2017 architecture called the Transformer turned machine translation into something businesses can reliably build on, why neural translation still struggles with harder languages, and why multilingual SEO is the smartest place to start with AI translation.

ニューラル機械翻訳とは何ですか？

つまり、ニューラル機械翻訳は、手作業でコード化された文法規則に従うのではなく、膨大な二言語データセットからパターンを学習することで、深層ニューラルネットワークを用いてテキストを翻訳する。 単語は数値に変換され、モデルはそれらの数値のうちどれが互いに最も重要であるかを判断し、その後、ターゲット言語で新しい文を生成します。

では、NMTはAIなのでしょうか？ はい。 それは、自然言語処理と深層学習が融合した分野であり、音声認識や画像認識の背後にあるのと同じ幅広い技術です。 しかし、それは意味のある意味での「思考」ではない。 これはむしろパターン予測に近いものです。元の文とこれまでに生成された単語に基づいて、学習した何百万もの翻訳済み文ペアから、ターゲット言語で次に最も可能性の高い単語は何かを予測するのです。

これは、NMTの強みと弱みの両方を説明できる。 流暢さに関しては非常に優れている。なぜなら、流暢さとはまさに大規模なパターンマッチングが生み出すものだからだ。 一方で、稀なケース、曖昧なケース、あるいは文化的に特有のケースには対応しにくいという欠点がある。なぜなら、そうしたケースは学習データにあまり登場しないからである。

私たちはどうしてこうなったのか？

機械翻訳は常にこのような仕組みだったわけではない。 初期のシステムはルールベースだった。言語学者たちは文法規則や二言語辞書を、例外ごとに手作業でコード化していった。 このアプローチはすぐに限界に達した。なぜなら、自然言語は絶えず自らの規則を破るからである。

統計的機械翻訳は、それらの規則を確率に置き換えた。 何百万もの文のペアが揃っている場合、言語Bのどのフレーズが言語Aのこのフレーズと最も頻繁に一致するでしょうか？ それは改善ではあったものの、依然として翻訳を句ごとに組み立てていたため、古い機械翻訳のテキストはしばしば断片的でぎこちない読み物になってしまう。

ニューラル機械翻訳は、これら2つのアプローチを単一のエンドツーエンドネットワークに置き換えた。 文全体を読み込み、単語を調べるのではなく、単語同士の関係性を学習して翻訳全体を生成します。 これはGoogle翻訳が 2016年から使用しているシステムなので、過去10年間にGoogle翻訳を使ったことがあるなら、NMTを使ったことがあることになります。

パイプライン：トークン化、埋め込み、アテンション、デコード

ニューラル機械翻訳は4つのステップで動作します。 それでは、1つの文をスペイン語に翻訳して見ていきましょう。「黒猫はマットの上に座った。」

トークン化: モデルは文を処理可能な部分に分割します: [The, black, cat, sat, on, the, mat]。 ただし、これらは必ずしも単語全体を表すわけではありません。 長い単語や珍しい単語は、より小さな単語の断片に分割されることが多く、これが形態論的に密度の高い言語が結果的に正確性に欠ける理由の一つとなっている。

埋め込み： 各トークンはベクトルに変換されます。ベクトルとは、モデルが学習した他のすべての単語との関連において、その単語の意味を表す数値のリストです。 例えば、「cat」は数百次元にわたって[0.42, -1.08, 3.31, …]のような形になるかもしれません。 意味が似ている単語は似たようなベクトルを持つため、モデルは「猫」と「子猫」が関連していることを「認識」する。

注意： このモデルは、各単語が他のすべての単語にどれだけ影響を与えるべきかをスコア化します。 まず、入力文の中で次の処理が行われます。「sat」は「the」よりも「cat」（座っている人）と「mat」（座っているもの）について知る必要があります。 そして、翻訳を作成する際に、新しい出力単語ごとに、入力された単語を参照して、その時点で最も重要な原文の単語を判断します。 これにより、このモデルは言語間の語順の違いに対応できるようになり、単純な単語の入れ替えでは意味不明な結果になってしまう。

デコード： モデルは一度に1トークンずつ翻訳を生成します。各新しいトークンは、入力と、モデルがこれまでに書き込んだすべての情報に基づいて生成されます。 その過程で、形容詞を名詞の後ろに置く（「black cat」は「gato negro」になる）ことや、1つの英単語を2つのスペイン語単語に変換する（「sat」は「se sentó」になる）などして、「El gato negro se sentó en la alfombra」という形にたどり着きます。

それが今日のニューラル機械翻訳（NMT）の仕組みです。 しかし、 2010s年後半に翻訳の質が急激に向上した 理由 を説明するものではない。 そのためには、注目を集めるためのストーリーが必要です。

なぜ注目がすべてを変えたのか

当初は、 2014 年と2015 年の研究から注目を集め、当時言語タスクの標準的なアーキテクチャであったリカレントニューラルネットワーク（RNN）へのアドオンとして登場した。 RNNは文を単語ごとに順番に処理し、その過程で要約を順次展開していく。 それはまるで、本を一語ずつ読み進めながら、全体の筋書きを頭の中で把握しようとするようなものだ。 このアプローチには2つの問題点がある。 まず、処理速度が遅い。なぜなら、5つ目の単語を処理し終えるまで、6つ目の単語を処理できないからだ。 また、長い文の場合、文の冒頭部分の情報は文末に到達するまでに「忘れてしまう」傾向がある。

忘却問題を解決するために、特にRNNに注目が集まった。 これにより、モデルは圧縮された要約だけに頼るのではなく、元の文中の任意の単語を参照できるようになった。

より大きな変化は 2017年に起こり、Googleの研究者たちが「 Attention Is All You Need 」という論文を発表し、Transformerアーキテクチャを紹介した。 その核心的な洞察は、RNNの単語ごとの処理は全く必要ないということだ。 注意力がどの単語が他のどの単語にとって重要かを既に判断できるのであれば、文全体を並列処理し、注意力に単語間の関係性を直接処理させることができる。 そのメカニズム、すなわち自己注意機構は、現在、実用化されているほぼすべての主要な翻訳および言語モデルの基盤となっており、今日のAI翻訳ツールを支える大規模な言語モデルにも採用されている。

その結果、2つのことが変わった。 Transformerはテキストを並列処理するため、同じハードウェア上ではるかに高速に学習でき、より多くのデータで学習させることが可能です。 また、自己注意機構は、RNNよりもはるかに優れた方法で長距離依存関係（例えば、10語前の名詞を参照する代名詞など）を処理することができます。 それが、 2017話以降、翻訳の質が向上し続けた大きな理由の一つです。 単に新型モデルやデータ量の増加だけではなかった。

NMTの限界

ニューラル機械翻訳はデータ需要が非常に高いが、その需要は世界の言語全体に均等に広がっているわけではない。 強力なモデルを訓練するには、大量の整列されたバイリンガルテキストが必要ですが、Metaの「No Language Left Behind」チームがNature誌 で述べた ように、そのデータは言語間で「均等に入手できるわけではない」のです。 多くの言語ペアにとって、それはそもそも大規模な形で存在しない。

どれくらいあれば十分なのか？ 唯一の答えはありません。 初期の研究 NMTは、従来の統計システムよりも優れたパフォーマンスを発揮するには膨大な量の並列テキストが必要であると示唆したが、後期の作品 適切に調整されたモデルは、はるかに少ないリソースで済むことが示された。 それは言語ペア、モデル、そして設定の丁寧さによって大きく異なります。

形態論的に複雑な言語は、この問題をさらに悪化させる。 フィンランド語、トルコ語、アラビア語では、接頭辞、接尾辞、内部変化などを通じて単語の構造に意味が組み込まれており、一つの語根から数十もの有効な形が生み出される。 主に英語のデータで学習されたトークナイザーは、これらの単語を実際の言語単位とは一致しない方法で分割する可能性がある。 それが、これらの言語におけるニューラル機械翻訳の出力が、広く話されている形態論的に単純な言語に比べて一貫性に欠ける理由の一つである。

この分野は、データ不足に対して主に3つの方法で対応してきた。

• 転移学習： リソースが豊富な言語ペアでモデルを訓練し、その後、関連するリソースの少ない言語ペアで微調整することで、モデルがゼロから学習を始める必要がないようにします。
• 逆翻訳： 対象言語の実際のテキストを機械翻訳して元の言語に戻し、両者を組み合わせて追加の（合成）学習データを作成する。
• 多言語モデル： 1つのモデルを数十または数百の言語で同時に学習させることで、リソースの少ない言語でも他の言語で学習したパターンを活用できます。 例えば、Meta社のNLLB-200モデルは、 200 言語において、従来最先端のシステムと比較して翻訳品質を平均44%向上させた。

これらはいずれも、顧客対応に関するあらゆる事柄において、ネイティブスピーカーによるレビューに取って代わるものではありません。 機械翻訳を使えば、速くて流暢な初稿を作成できますが、特にモデルが学習できるデータが少ない言語の場合、出力結果がその言語を母語とする人にとって自然に読めるかどうかを確認する唯一の確実な方法は、資格のあるレビュアーに依頼することです。

生データから公開され、インデックス可能なサイトへ

APIを介した生の機械翻訳は安価です。 Google Cloudの翻訳APIは、実運用されているニューラル機械翻訳エンジンの中で最も広く使用されているものの1つであり、100万文字あたり20 ドルの料金がかかり、毎月最初の500,000 文字は無料です。 一般的な1,000語のマーケティングページは約 6,000 文字なので、1つの言語に翻訳するのにかかる費用は約12 セントです。 価格は頻繁に変動するため、予算を立てる前に最新の料金を確認することをお勧めします。

しかし、ウェブサイト翻訳の本当のコストは、API呼び出しにあるわけではありません。 それは、コンテンツをエンジンに通すための開発時間、公開前に担当者が出力内容を確認するレビューワークフロー、コンテンツの変更に伴う継続的なメンテナンス、そして検索エンジンが各言語バージョンを個別にインデックスできるようにするための hreflangタグ などの技術的なSEO作業など、その周辺にあるすべての要素です。 複数の選択肢を比較検討する場合、予算への影響という点では、機械翻訳の料金そのものよりも、 単語あたりの翻訳コストの方 がはるかに重要になります。

現在、企業がAI翻訳を様々な形で活用しているが、多言語SEOは最も明確な成果が期待できる分野だ。 適切にインデックス登録された多言語版ウェブサイトは、公開するすべての言語でオーガニック検索トラフィックを継続的に獲得します。

つまり、機械翻訳で生成された生のデータは、検索エンジンがクロール、インデックス作成、ランキング付けできる形式に変換される必要があり、さらに、訪問者がサイトにアクセスした後に滞在し続けるように、適切にローカライズされている必要があるということです。 これには、編集、レビュー、hreflang、ローカライズされたリンクなどのためのツールを含むワークフローが必要です。 Bablic 、これらのツールを1つのプラットフォームに統合します。

• SEO対策済みの導入環境。 サブフォルダまたはサブドメインにデプロイする場合、 Bablic hreflangタグと翻訳されたメタデータを処理するため、各言語バージョンを個別にインデックス化できます。
• 公開前に内容を確認してください。 すべての翻訳は公開前に下書きとして段階的に審査されるため、レビューなしで公開されることはありません。
• 文脈に沿った編集。 レビュー担当者はレンダリングされたページ上で直接編集できるため、翻訳者であろうとなかろうと、チームの誰でも最初からやり直すことなく、翻訳を抜き打ちでチェックして修正できます。
• 再利用可能な修正。 固定セグメントは保存され、サイト全体で再利用されます。 Bablicのコンテキスト翻訳レイヤーは、文脈に応じて同じ原文フレーズのページ固有のバージョンを適用することもできるため、再利用してもニュアンスが損なわれることはありません。
• 用語集の管理。 ブランド名、製品名、特定の表現をロックして、エンジンが不適切なものにアクセスしないようにします。
• ローカライズされたリンク。 翻訳されたページ上のリンクは、適切なローカルページまたはサイトを指すように設定できるため、訪問者はクリックしても英語のページに戻ることなく、自分の言語のまま閲覧を続けることができます。
• ローカライズされたアセット。 各言語ごとに異なる画像ファイルまたはPDFファイルを挿入すると、 Bablic 元のファイルよりも大幅に大きいファイルや、異なるファイル形式のファイルを自動的に検出します。
• セットアップが簡単。 インストールはJavaScriptのコード1行だけで済み、キャッシュが更新されれば通常10分程度で本番サイトに反映されます。

これらのいずれも、ニューラル機械翻訳の基本的な精度を変えるものではありません。 これにより、翻訳されたサイトが発見されやすく、一貫性を保ち、実際の顧客に対応できる状態を維持できます。 Bablic 仕組みについて 詳しく知りたい場合は、こちらをご覧ください。

よくある質問

ニューラル機械翻訳とは何ですか？

ニューラル機械翻訳（NMT）は、深層ニューラルネットワークを用いてテキストを翻訳する。 手作業でコーディングされた文法規則に従ったり、フレーズを一つずつつなぎ合わせたりするのではなく、大規模な二言語データセットからパターンを学習し、各文の完全な翻訳を生成する。

ニューラル機械翻訳はAIですか？

はい。 ニューラル機械翻訳（NMT）は、自然言語処理と深層学習が交わる領域に位置する。 しかし、それは人間のように意味について「考えたり」推論したりするわけではありません。 原文と、数百万組の翻訳済み文ペアから学習したパターンに基づいて、ターゲット言語で次に続く可能性が最も高い単語を予測します。

Google翻訳はニューラル機械翻訳を使用していますか？

はい。 Google switched Google Translate from statistical, phrase-based translation to its neural system, GNMT, in 2016. Google自身の評価によると、この変更によって翻訳エラーは約 60%削減された。

機械翻訳において、なぜTransformerがRNNに取って代わったのか？

RNNは文を単語ごとに処理するため、処理速度が遅く、長い文では前の単語の情報を見失いがちです。 2017で紹介されたトランスフォーマーは、自己注意機構を用いて文全体を一度に処理します。 そのため、学習が速く、離れた単語間の関係性を処理する能力がはるかに優れている。これが、翻訳や言語モデルの標準となった理由である。

ニューラル機械翻訳が一部の言語で苦戦するのはなぜですか？

ニューラル機械翻訳（NMT）は大量のバイリンガル学習データに依存しているが、多くの言語ペアにはそのようなデータが存在しない。 フィンランド語、トルコ語、アラビア語のような形態的に複雑な言語は、トークナイザーが実際の言語単位と一致しない方法で単語を分割する可能性があるため、さらに別の課題となる。 転移学習、逆翻訳、多言語モデルといった技術によって、そのギャップは縮小したものの、完全に解消されたわけではない。

機械翻訳の費用はいくらですか？

APIを介した生の機械翻訳は安価である。 Google Cloudの翻訳APIのようなエンジンは文字数に応じて課金されるため、一般的なページの翻訳にかかる費用は非常に少ない。 本当のコストは、開発時間、人的レビュー、継続的なメンテナンス、翻訳ページをインデックス登録するために必要なSEO設定など、関連するワークフローにある。

機械翻訳を使用した場合でも、人間のレビューは必要ですか？

顧客対応業務に関しては、はい。 ニューラル機械翻訳（NMT）は流暢な初稿を迅速に生成できますが、特に学習データが少ない言語の場合、エラーを発見し、出力が自然に読めることを確認するには、対象言語を話せるレビュアーによるレビューが依然として最善の方法です。