機械翻訳史 Systran→Google/DeepL/LLM 1990-2026（機械翻訳史）
Machine Translation MT 35年史 1990-2026。Georgetown-IBM Experiment (1954年1月7日 Russian→English 60文翻訳デモ・5年で完全自動翻訳予言→ALPAC Report 1966 失敗・冬の時代)・Systran (1968 Peter Toma・Cold War Russian→English・PanAm 1968-2016)・METEO (1976 Canada Weather)・Trados (1984 Translator's Workbench TM)・Logos+SDL+Across・Babel Fish (1997 AltaVista Systran技術)+Yahoo Babel Fish→2012年廃止・Google Translate (2006年4月 Statistical Machine Translation SMT・Phrase-based)→2016年11月 Neural Machine Translation NMT (Google's GNMT・LSTM Encoder-Decoder)・Microsoft Translator+Bing Translator (2007)・SDL FreeTranslation・SYSTRANet・Apertium (2005 OSS Rule-based)・Moses+OpenNMT (FOSS SMT/NMT)・DeepL (2017 Linguee Cologne Germany Gereon Frahling+Jaroslaw Kutylowski・Transformer Architecture・Quality Top・31言語対応 2024)+DeepL Pro (¥¥¥¥/月)・Yandex Translate (2011 Russia)・Baidu Translate (2011)・Naver Papago (2017 Korea)・Mirai Translator+T-3MT (2015 Japan NICT)・Reverso・iFLYTEK (2017 中国)・LLM Translation Era: GPT-4 (2023)+Claude 3.5 Sonnet (2024)+Gemini 1.5 (2024)・Local LLM Translate: Hunyuan-MT (2024)+Qwen3-Translate+Madlad-400・OPUS-MT FOSS Helsinki NLP (Marian-NMT)・¥0 Free-¥¥¥¥¥/月 Pro 2026 DeepL+Google+LLM 3勢力。
概要
1990年代初頭から2026年にかけて、機械翻訳（MT）はルールベース→統計ベース→ニューラルベース→LLMベースへと段階的に進化してきた。
- 1990‑2000：ルールベース（Systran、Apertium）と統計機械翻訳（Moses）の登場。
- 2000‑2010：統計機械翻訳（Google Translate 2006、Bing Translator 2007）が主流に。
- 2010‑2020：ニューラル機械翻訳（Google GNMT 2016、DeepL 2017）が精度を飛躍的に向上。
- 2020‑2026：LLMベース（GPT‑4、Claude 3.5、Gemini 1.5）と専用翻訳モデル（OPUS‑MT、Hunyuan‑MT）が併存。
主な特徴・仕組み
| 進化段階 | 代表的手法 | 主な特徴 | 代表製品 |
|---|---|---|---|
| ルールベース | 形態素解析＋語彙対訳 | 透明性高、専門領域向き | Systran 1968、Apertium 2005 |
| 統計ベース | 句構造統計＋確率モデル | 大規模コーパスで学習 | Moses 2006、Google Translate 2006 |
| ニューラルベース | Encoder‑Decoder＋Attention | 文脈把握が向上 | Google GNMT 2016、DeepL 2017 |
| LLMベース | 大規模言語モデル＋Zero‑Shot | 多言語・ドメイン汎用性 | GPT‑4 2023、Claude 3.5 2024、Gemini 1.5 2024 |
主要技術要素
- Encoder‑Decoder：入力文をベクトル化し、出力文を生成。
- Attention：長距離依存を学習。
- Transformer：Self‑Attentionで並列学習を実現。
- Zero‑Shot：学習済み言語間での翻訳を可能に。
- Fine‑Tuning：専門領域に特化したパラメータ調整。
具体例・対応製品 (テーブル必須)
| 製品名 | 発売年 | 対応言語数 | モデルサイズ | 推定BLEU | 推論速度 (s/文) | 主なユースケース | 価格帯 |
|---|---|---|---|---|---|---|---|
| Google Translate | 2006 | 100+ | 1.5B | 35 | 0.08 | ウェブ翻訳・API | 無料 |
| DeepL Pro | 2017 | 26 | 2.0B | 45 | 0.12 | ビジネス文書 | ¥12,000/月 |
| Microsoft Translator | 2007 | 70+ | 1.8B | 33 | 0.10 | 会議・チャット | 無料/有料 |
| GPT‑4 (翻訳モード) | 2023 | 100+ | 175B | 48 | 0.20 | クリエイティブコンテンツ | 料金プラン別 |
| OPUS‑MT (Marian) | 2018 | 80+ | 0.8B | 40 | 0.07 | オープンソース | 無料 |
| Gemini 1.5 | 2024 | 120+ | 200B | 50 | 0.18 | マルチモーダル | 料金プラン別 |
| Hunyuan‑MT | 2024 | 30 | 1.2B | 42 | 0.15 | 中国市場 | ¥8,000/月 |
| Yandex Translate | 2011 | 90+ | 1.0B | 30 | 0.09 | ロシア語中心 | 無料 |
| Baidu Translate | 2011 | 70+ | 1.3B | 32 | 0.11 | 中国語中心 | 無料 |
| Naver Papago | 2017 | 20 | 0.9B | 38 | 0.13 | 韓国語中心 | 無料 |
選び方・注意点
- 翻訳品質：BLEUスコアは参考値。実際のドメインでの検証が必要。
- レイテンシ：リアルタイム会議では0.1秒以下が望ましい。
- 言語カバー：対象言語が多いほど汎用性が高いが、品質は言語ごとに差が出る。
- データプライバシー：オンプレミス／オンデバイスでの実装が必要な場合は、ローカルモデルを選択。
- コスト：API呼び出し単価＋月額利用料を総合的に評価。
- カスタマイズ性：Fine‑Tuningやドメイン適応が可能か。
- サポート体制：エンタープライズ向けにSLAsが整っているか。
関連用語との違い
- 機械翻訳（MT）：自動でテキストを別言語へ変換する技術全般。
- 統計機械翻訳（SMT）：確率モデルを用いる旧世代。
- ニューラル機械翻訳（NMT）：深層学習を用いた現行の主流。
- 大規模言語モデル（LLM）：多様なタスクを一括で処理できるモデル。翻訳はその一機能に過ぎない。
- ゼロショット翻訳：学習済み言語ペア以外の翻訳を行う手法。
よくある質問 (FAQ)
-
LLMベースの翻訳は安全性が低いと聞きますが、本当ですか？
LLMは大規模データから学習するため、時に不正確な情報を生成するリスクがあります。機密性の高い文書では、事前に専門家のレビューを推奨します。 -
DeepLとGoogle Translateのどちらが高精度ですか？
BLEUスコアで見るとDeepLが平均5〜10点高い傾向がありますが、特定の専門領域ではGoogleが優れている場合もあります。実際の用途で比較検証することが重要です。 -
2026年に予定されている新しい翻訳モデルはありますか？
2026年にはGoogleの「Gemini 2」やDeepLの「DeepL‑X」など、さらに大規模なTransformerベースのモデルがリリース予定です。これらはゼロショット性能と低レイテンシを両立することが期待されています。
まとめ
1990年から2026年にかけて、機械翻訳はルールベースからLLMベースへと進化し、翻訳品質、速度、言語カバーの面で大きく飛躍しました。現在はGoogle、DeepL、Microsoft、OpenAI、Anthropic、Google Geminiなどが主要プレイヤーであり、2025‑2026年にはさらに大規模モデルとオンデバイス実装が加速しています。選定時は品質・レイテンシ・プライバシー・コストを総合的に評価し、用途に応じた最適なサービスを選ぶことが不可欠です。