Машинный перевод заметно улучшился после перехода на системы на основе нейросетей в 2016 году, и теперь большие языковые модели создают переводы, которые лучше сохраняют стиль и контекст. Сегодня вы можете понять веб-страницу, электронное письмо или меню за считанные секунды. Но по-прежнему существует важный разрыв между «достаточно хорошо для понимания» и «готово к публикации».
Какой инструмент для каких целей?
- Классические инструменты перевода: Google Translate, DeepL и Microsoft Translator работают быстро, поддерживают множество языков и переводят документы.
- Чат-ассистенты: Вы можете рассказать таким ассистентам, как ChatGPT, Claude или Gemini, о стиле, аудитории и предпочтительных терминах, а также попросить их объяснить перевод или предложить альтернативы.
- Перевод с помощью камеры и голоса: Чтение вывесок и перевод разговоров очень удобны в путешествиях.
Советы для лучших результатов
- Указывайте контекст: например, «Это официальное письмо клиенту».
- Добавляйте глоссарий: Перечислите специальные термины вашего бренда или сферы деятельности и их предпочтительные варианты перевода.
- Используйте короткие и понятные предложения: Длинные, двусмысленные предложения увеличивают количество ошибок.
- Обратный перевод: Переведите результат обратно на исходный язык, чтобы проверить сохранение смысла.
- Дайте почитать носителю языка: Особенно для текстов, которые будут опубликованы.
Частые ошибки
- Идиомы и пословицы, переведенные слово в слово
- Неправильный уровень формальности
- Перепутанные форматы чисел, дат и единиц измерения
- Добавлена информация, которой нет в источнике, или пропущено предложение
Когда переводчик-человек незаменим?
Цена ошибок высока в контрактах, судебных документах, медицинских отчетах, инструкциях к лекарствам, официальных заявлениях, а также в книгах или рекламных материалах, предназначенных для публикации. Для этого пользуйтесь услугами профессионального и, при необходимости, присяжного переводчика. Использование машинного перевода в качестве черновика, исправленного экспертом (постредактирование), также является распространенным методом.
Как развивался машинный перевод?
Попытки компьютерного перевода восходят к 1950-м годам, но методы прошли через несколько основных этапов:
- Системы на основе правил: Лингвисты писали словари и правила грамматики одно за другим; результаты часто получались грубыми и дословными.
- Статистический перевод: В 2000-х годах системы начали учиться с помощью вероятностей определять, какая фраза чему соответствует, на основе миллионов переведенных людьми пар предложений.
- Нейронный машинный перевод: В 2016 году Google объявила о переходе на систему нейросетей, которая обрабатывает предложение в целом, и беглость речи заметно улучшилась.
- Трансформеры и большие языковые модели: Архитектура трансформера, представленная в 2017 году, лежит в основе современных инструментов перевода и чат-ассистентов.
Почему менее распространенные языки даются труднее?
Системам перевода требуется большое количество двуязычного текста для обучения. Качество высокое для таких языков, как английский, испанский или французский, поскольку таких данных в избытке; для языков с небольшим количеством текста в интернете количество ошибок заметно возрастает. Они называются «языками с низким ресурсом». Исследования, такие как проект Meta NLLB-200, о котором было объявлено в 2022 году, пытаются сократить этот разрыв с помощью моделей, охватывающих 200 языков. Тем не менее, если вы переводите важный текст на язык с низким ресурсом, проверка результата носителем языка важна как никогда.
Функции, планы и цены ИИ-инструментов часто меняются. Всегда проверяйте официальную страницу инструмента для получения актуальной информации.
Источники и дополнительная литература
- Yonghui Wu et al., “Google’s Neural Machine Translation System”, arXiv, 2016.
- ISO 18587:2017, “Translation services — Post-editing of machine translation output”.
- European Commission, eTranslation service and machine translation guidance.
- Wu, Y. et al. (2016), “Google’s Neural Machine Translation System”, arXiv:1609.08144
- Vaswani, A. et al. (2017), “Attention Is All You Need”, NeurIPS
- NLLB Team (2022), “No Language Left Behind: Scaling Human-Centered Machine Translation”, arXiv:2207.04672
Оставить комментарий
Ваш адрес электронной почты не будет опубликован. Обязательные поля помечены *