AIでプロ品質の翻訳を実現する

LLM登場以前、プロダクト翻訳には主に2つのアプローチがありました。

1. 機械翻訳（Google翻訳やDeepLなどのツールを使用）

   • 文章Aを文章Bに単純に翻訳できる
   • 速くて安価だが、品質が低いことが多い

2. 人による翻訳

   • コンテキストを考慮しながら文章Aを文章Bに翻訳できる。
     • プロダクトの具体的なコンテキスト
     • 業界固有の専門用語の使用
     • 既存の翻訳との一貫性
   • 高品質を保証するが、時間とコストがかかる

この2つのアプローチのうち、翻訳者が必要なコンテキストにアクセスできるという前提のもと、2番目の方法が明らかに最高の翻訳品質を提供します。

しかし、このコンテキストへのアクセスは簡単ではありません。

• 翻訳者がプロダクトを完全に把握し、既存の用語、各機能の意味、プロダクト内のテキストの配置、ユーザージャーニー、業界の深い知識などを頭に入れているか。
• または、ドキュメント、スクリーンショット、用語集（業界用語とその各言語への翻訳を明記）を正式に整備し、翻訳者がそれらを丁寧に参照するか。

結論はシンプルです。機械翻訳は安くて速いが品質が低く、人による翻訳は高品質だがコストが高く時間もかかります。

AIとLLMによる革命

LLM（大規模言語モデル）の登場以来、Prismyのような翻訳ツールはこの革命を取り入れ、翻訳プロセスを大幅に簡素化しようとしています。

コスト・品質・スピードの3つの観点で3つのアプローチを比較すると：

翻訳方法の比較

コストとスピードの要素は比較的明確ですが、品質については、より深い分析が必要です。

Prismyが翻訳品質を保証する方法

AIを盲目的に信頼してプロダクトの翻訳を任せられますか？

これはよく聞かれる質問です。

先述のとおり、翻訳者が高品質な翻訳を提供できるのはコンテキストを考慮するからです。つまり、鍵はこのコンテキストをいかに取り込むかにあります。LLMが得意とするのはまさにそこで、多数の入力データを分析して出力を調整できます。

Prismyは翻訳品質を保証するために3つの柱に依拠しています。

翻訳品質の柱

柱1：コンテキストとトーン＆ボイスの定義

最初のステップは、最も一般的なもの（業界）から最も具体的なもの（プロダクト内のテキストの配置）まで、LLMにコンテキストを説明することです。

Prismyは業界、プロダクト、その用途をグローバルに定義できます。これにより、LLMは適切な専門用語を使えるようになり、翻訳品質が大幅に向上します。

次に、Prismyがプロダクトのテキストを翻訳する際、そのテキストがプロダクトのどの部分で使われるかを理解する必要がある場合があります。そのためにPrismyは、プロダクトのセクションごとに指示を定義する機能を提供しています。また、開発ブランチやプルリクエストに紐づくコンテキストなどのメタデータを活用し、機能ごとにテキストを翻訳できます。

さらに、Prismyでは言語ごと、プロダクトセクションごとにトーン＆ボイスを定義することもできます。

柱2：網羅的で最新の用語集

各企業には独自の専門用語があり、一貫性を保ちたい業界用語や、特定の翻訳を指定したい用語があります。

そのために、企業はよく用語集を使ってこれらの用語とその翻訳を定義します。

翻訳者であれば用語集に明記されていない用語も頭に入れておけますが、AIではこのアプローチはうまくいきません。すべての固有用語を正式かつ網羅的に文書化することが不可欠になります。この作業は手間に思えるかもしれませんが、Prismyはこの目的のための用語集を自動生成・維持管理できます。これはそれ自体が非常に興味深いテーマで、別の記事で詳しく解説します。

柱3：翻訳メモリ

最後の柱は、既存の翻訳を活用して一貫性を確保することです。翻訳の歴史から学び、品質が向上します。プロダクトの他の箇所で既に翻訳済みの単語や文の一部がある場合、Prismyはそれらの既存翻訳を参照するようLLMに指示し、全体的な一貫性を確保します。

これは万能な解決策か？

この3つの柱により、LLMはプロダクト翻訳に革命をもたらし、高品質を確保しながら速度と低コストを実現しています。

これで十分でしょうか。Prismyでの経験から、最適な設定を行えば翻訳は優れた品質に達しますが、卓越した品質を達成するには集中的な人によるレビューが依然として価値を持ちます。そのためPrismyはレビューワークフローも提供しており、最も不確かな翻訳を優先的に特定して、少数のテキストに的を絞ったレビューを可能にしています。

この戦略により、適切な初期設定とターゲットを絞ったレビューによる自動化プロセスが実現し、システムがリアルタイムで学習していきます。