The Key Advantages of Specialized Blockchain Translation Services
The most widely-spoken language in the world is indeed English, which is why many blockchain projects are translated into English even if they weren’t first started by English speakers. However, the top languages to translate your ICO into including Russian, Chinese, Japanese, and Korean, and in these countries, there are a lot of people who don’t speak English at the technical level to understand most whitepapers or blockchain projects. Hence the need for your blockchain project materials to be translated. If they aren’t, you’re leaving a huge part of the market completely untouched.
It’s long been established that translation is necessary if you want widespread promotion of your project, and your first thought might be to save money by asking a bilingual friend or coworker to do the translation. But unless they personally know the market they’re translating for, or they’ve been trained to translate for this industry, there are quite a few reasons why you should skip over them and take your documents to a professional blockchain translation service instead. Let’s discuss some of them:
- Technical Knowledge
Entering the blockchain sphere opens up a whole new world of vocabulary, and knowing what all of it means in one language is a task within itself. Just having a friend translate might lead you to have a translation that doesn’t necessarily know the terminology, and you can end up with a document that either makes no sense or that sounds awful. With a professional translation agency that specializes in blockchain and fintech, you can ensure your materials are handled with the utmost scrutiny with every word being conveyed in the correct way so that native speakers of the translated document will understand everything. Rest assured your document will carry full weight with investors, news agencies, as well as the average blockchain enthusiast because this is the specialization of the translation agency.
2. Cultural Knowledge
Each country has its own culture and, unless you live there, it’s hard to know exactly how it functions and plays into blockchain and fintech culture. But that is exactly the job of the professional translation agency. They research the culture intensely, consult with those that live there, or live there themselves and then use any combination of these to adapt their translation so that it fits the necessary culture. All this research is cut out for you by hiring professional translators.
3. Market localization
The United States market is not the same as the Chinese market, and professional translators understand this. Professional blockchain translators not only understand the culture of the country, but also the market conditions and how people interact with the blockchain, as well as being familiar with your intended market, be it investors or businesses in a certain industry. This is especially useful for translating marketing materials as your article or tweet can be focused to a certain group of people within the country that you would like to target, and all of that research is done for you by the agency, there’s no need to throw away extra hours or manpower on it.
4. Market exposure
The last thing getting your project professionally translated can do for you is give you market exposure. Since all of your materials are now accessible to a whole new market, this opens up your project to get the kind of exposure you might need for widespread adoption. Having a meticulous and adequate translation will allow your project to really make a mark in a foreign country that otherwise wouldn’t have been an option. If your website, whitepaper, or any other document necessary to your project isn’t understandable, this could spell disappointment in a foreign market.
So take these points into consideration when you’re deciding whether or not to translate your materials professionally. Your project might just be the next blockchain project to spread like wildfire across the world, all because you went with professional translation.
And when thinking of which professional translation agency to choose, think of PolyTranslate! We specialize in all translations blockchain and fintech. We have a team of highly dedicated professionals with over a year’s worth of experience in this field waiting to translate your document into a number of different languages.!
Как работает нейросеть Google Translate
Google Translate по праву считается машинным переводчиком № 1 в мире. Сервис поддерживает работу со 103 языками и каждый день обрабатывает около 500 миллионов запросов.
В 2016 году Google представила систему нейронного машинного перевода (GNMT), которая использует искусственную нейронную сеть для улучшения качества перевода.
Действительно ли перевод стал лучше с её помощью? Давайте узнаем!
Тонкости нейронного перевода: как это работает
Нейронная модель машинного перевода использует иные принципы работы с текстом, чем стандартный статистический метод перевода.
5 лайфхаков, которые гарантированно увеличат трафик и продажи фармпродукта
Как получить измеримые результаты в фарммаркетинге.
До появления нейронных сетей перевод проводился пословно — система переводила отдельные слова и фразы с учётом грамматики. Поэтому при сложных оборотах или длинных предложениях качество перевода оставляло желать лучшего.
GNMT же переводит предложение целиком, учитывая контекст. Система не запоминает сотни вариантов перевода фраз — она оперирует семантикой текста.
При переводе предложение разбивается на словарные сегменты. Затем с помощью специальных декодеров система определяет «вес» каждого сегмента в тексте. Далее вычисляется максимально вероятные значения и перевод сегментов. Последний этап — соединить переведённые сегменты с учётом грамматики.
Отрывок из презентации GNMT, в котором показано, как нейронная сеть переводит предложение с китайского языка, разбивая его на смысловые сегменты
Как действует алгоритм переводчика
Чтобы понять принципы работы нейронного перевода от Google, давайте немного углубимся в технические детали.
В основе Google Neural Machine Translation лежит принцип работы рекуррентных двунаправленных нейронных сетей (Bidirectional Recurrent Neural Networks), работающих с матричными вычислениями вероятности.
Разберём подробнее, что всё это значит.
«Рекуррентный» говорит, что система вычисляет значение слова или фразы на основе предыдущих значений в последовательности. Именно это позволяет системе учитывать контекст и правильно выбирать среди разных вариантов перевода.
К примеру, в словосочетании «лук из красного дерева» слово «лук» система переведёт как «bow», а не «onion».
Двунаправленность означает, что нейросеть разделена на два потока — анализирующий и синтезирующий. Каждый поток состоит из восьми слоёв, которые и проводят векторный анализ.
Первый поток разбивает предложение на смысловые элементы и анализирует их, а второй высчитывает наиболее вероятный вариант перевода, исходя из контекста и модулей внимания.
Обратите внимание, что анализирующая сеть «читает» предложение не только слева направо, но и справа налево — это позволяет в полной мере понять контекст. Отдельно она формирует модуль внимания, с помощью которого второй поток понимает ценность отдельных смысловых фрагментов.
В нейронной системе наименьшим элементом является не слово, а фрагменты слова. Это позволяет сосредоточить вычислительные мощности не на словоформах, а на контексте и смыслах предложения. GNMT использует около 32 000 таких фрагментов. По словам разработчиков, это позволяет обеспечить высокую скорость и точность перевода без потребления чрезмерных вычислительных мощностей.
Анализ фрагментов сильно уменьшает риски неточного перевода слов и словосочетаний с различными суффиксами, префиксами и окончаниями.
Система самообучения позволяет нейронной сети с высокой точностью переводить даже те понятия, которые отсутствуют в общепринятых словарях — сленг, жаргонизмы или неологизмы.
Но это ещё не всё. Нейросеть может работать и побуквенно. К примеру, при транслитерации имен собственных с одного алфавита на другой.
Статистика: действительно ли стало лучше?
С момента запуска системы GNMT прошло 2 года, поэтому можно оценить результаты.
Почему именно сейчас? Дело в том, что нейронная система работает без установленной базы данных, и ей требуется время, чтобы построить и скорректировать методы перевода.
К примеру, настройка машинной модели перевода, которая использует статистические методы, занимает от 1 до 3 дней. При этом построение нейронной модели такого же размера займёт больше 3 недель.
Примечательно, что при увеличении базы время на обработку статистической модели растёт в арифметической прогрессии, а для нейронной сети — в геометрической. Чем больше база, тем больше разрыв во времени.
А если учесть, что Google Translate работает с 10 000 языковых пар (103 языка), то понятно, что адекватные итоги можно подводить только сейчас.
В ноябре 2016 года после полного окончания обучения системы и официального запуска аналитики Google представили подробный анализ результатов GNMT. Из него следует, что улучшения в точности перевода несущественные — в среднем 10%.
Наибольший прирост дали самые популярные языковые пары вроде испанский-английский или французский-английский — с результатом точности в 85–87%.
В 2017 компания Google проводила масштабные опросы пользователей Google Translate: их просили оценить 3 варианта переводов: машинный статистический, нейронный и человеческий. Здесь результаты оказались более интересными. Перевод с помощью нейросетей в некоторых языковых парах оказался очень приближён к человеческому.
| Статистическая модель | Нейронная сеть | Человеческий перевод | |||
|---|---|---|---|---|---|
| Английский — Испанский | 4,885 | 5,428 | 5,550 | ||
| Английский — Французский | 4,932 | 5,295 | 5,496 | ||
| Английский — Китайский | 4,035 | 4,594 | 4,987 | ||
| Испанский — Английский | 4,872 | 5,187 | 5,372 | ||
| Французский — Английский | 5,046 | 5,343 | 5,404 | ||
| Китайский — Английский | 3,694 | 4,263 | 4,636 |
За основу взята 6-балльная система оценивания качества перевода. 6 — максимальная оценка, 0 — минимальная
Как видите, качество перевода в языковых парах «английский-испанский» и «французский-английский» практически соответствует человеческому. Но это и не странно, ведь именно на этих языковых парах происходило глубокое обучение алгоритмов.
Вот те же результаты в графическом отображении, чтобы вы наглядно увидели разницу со стандартным машинным переводом.
С другими языковыми парами ситуация не такая радужная, но масштабного исследования по ним нет. Тем не менее, если со схожими по структуре языками нейронный перевод работает вполне хорошо, то с кардинально разными языковыми системами (например, японский и русский) перевод заметно уступает человеческому.
При этом стоит заметить, что разработчики при запуске нейронной сети не пытались достичь максимальной точности перевода. Всё потому, что он потребовал бы сложных эвристических конструкций, а это сильно снизило бы скорость работы системы. Разработчики постарались найти баланс между точностью и скоростью работы. На наше субъективное мнение, это у них получилось.
И небольшой бонус напоследок
Специалисты утверждают, что если нейронная система Google Translate научится оперировать не только текстами, но также и аудио- и видеофайлами, то в таком случае нужно ожидать резкий скачок в развитии машинного перевода. Первые шаги в этих сферах уже сделаны, активно ведутся разработки новых алгоритмов для анализа видео и аудио. Поэтому пользователи могут уже в ближайшие несколько лет ожидать новых сюрпризов от Google.
Машинный перевод на основе нейронных сетей
Машинный перевод на основе нейросетей, или системы машинного перевода «глубинного обучения» (Deep learning machine translation), как их называют сейчас, впервые стали применяться в программах по распознаванию речи с начала 90-х годов. Первое научное исследование об использовании нейронных сетей в машинном переводе было опубликовано в 2014, со множеством последующих преимуществ таких систем (большие словарные базы, возможность использования для идентификации графической информации, перевод субтитров, мультиязычность).
Нейронные сети изначально были вдохновлены биологическими нейронами человеческого мозга, в котором нейроны передают и обрабатывают базовую информацию, из которой мозг затем выстраивает более сложные концепты и идеи. Искусственные нейронные сети, как и человеческий мозг, в состоянии строить более сложные концепты из разных частей информации, собранной на иерархической структуре.
Как отмечает Иан Гудфеллоу, [1] современный термин «глубинное обучение» выходит за рамки нейрононаучной перспективы для текущего поколения систем машинного перевода. Он обращается к более общим принципам, множественным уровням обучения, которые применяются в машинном обучении, необязательно основанных на нейронных сетях.
Применительно к машинному переводу, системы глубинного обучения сделали возможным алгоритмы, где лишь несколько параметров настраиваются вручную, а идея состоит в том, чтобы система сама могла выбирать лучшее соответствие, основываясь на своей базе данных. С этой точки зрения, данная идея уже была представлена в чисто статистических моделях перевода, но на практике все равно множество параметров приходилось настраивать вручную. Например, в пяти рассмотренных нами выше системах IBM, каждая новая модель была прописана вручную и призвана скорректировать недостатки предыдущей.
Системы глубинного обучения, напротив, делали возможным, по крайней мере в теории, сделать процесс обучения полностью автоматическим, основываясь на имеющихся в его распоряжении данных, без всякого постороннего человеческого вмешательства.
Система перевода таким образом основывается исключительно на глубинном обучении и состоит из энкодера (анализирующего обучающие данные) и декодера (той части системы, которая автоматически производит перевод, базируясь на данных, проанализированных энкодером). В отличие от статистических моделей, где энкодер и декодер используют комбинации из нескольких модулей (модель языка, модель перевода для работы энкодера), чтобы иметь возможность использовать разные стратегии для оптимизации перевода, энкодер и декодер в системах глубинного обучения основаны исключительно на нейронных сетях.
В нейронных сетях каждое слово кодируется через вектор чисел, а затем все векторы слов последовательно соединяются, чтобы предоставить перевод всему предложению. Анализ последних публикаций по нейронному машинному переводу, [2] позволяет сделать вывод, что нейронный машинный перевод применяет более традиционную архитектуру, чем статистические модели, так как энкодер в данной модели может рассматриваться как анализатор языка-источника, в то время как декодер генерирует перевод, который, опираясь на треугольник Вокуа, можно описать следующим образом (1):
Машинный перевод на базе нейронных сетей [там же] имеет ряд своих характерных особенностей:
1. «Анализ» называется кодированием, а его результатом является некая последовательность векторов.
2. «Перенос» называется декодированием и непосредственно генерирует целевую форму без какой-либо фазы генерации.
3. Процесс перевода разбит на две фазы. В первой каждое слово
переводимого предложения проходит через «кодер», который генерирует «исходный контекст», опираясь при этом на текущее слово и предыдущий контекст (2):
4. Последовательность исходных контекстов (ContextS1, <…> ContextS5) является внутренней интерпретацией исходного предложения по треугольнику Вокуа и представляет из себя последовательность чисел с плавающей запятой (обычно 1000 чисел с плавающей запятой, связанных с каждым исходным словом) (3).
5. На втором этапе формируется полная последовательность с упором на «исходный контекст», после чего один за другим целевые слова генерируются с использованием:
– «целевого контекста», сформированного в связке с предыдущим словом и предоставляющего некоторую информацию о состоянии процесса перевода.
– значимости «контекстного источника», представляющего собой сборку различных «исходных контекстов» опирающихся на «Модель внимания» (Attention Model), которая выбирает исходное слово для использования в переводе на любом этапе процесса ранее приведенного слова с использованием вложения слов для преобразования его в вектор, который будет обрабатываться декодером.
6. Перевод считается завершенным, когда декодер доходит до этапа генерации фактически последнего слова в предложении.
Данные системы принято считать иерархическими, хотя, как замечает в своей работе Т. Пуабу, [3] на самом деле они являются многоаспектными, что означает, что каждый элемент (слово, фраза) расположен в пределах более широкого контекста. Данный подход основан на гипотезе, что слова, появляющиеся в похожем контексте, могут иметь схожее значение. Таким образом, система пытается определить группу слов, появляющихся в схожем переводном контексте.
Второй характеристикой подхода глубинного обучения является то, что эти модели являются непрерывными. Это частично касалось и статистических моделей машинного перевода, поскольку в данных системах слова рассматривались более-менее идентичными друг другу. Но в подходе глубинного обучения идея состоит в том, что слова, а также более сложные лингвистические единицы (фразы, предложения, или просто группы слов) могут быть сравнимы на более обширном пространстве, что делает данный подход более гибким и способным, например, распознавать парафраз.
Наконец, стоит отметить, что близкородственные слова внутри предложения также постепенно идентифицируются и группируются вместе в процессе анализа. Вот почему подход глубинного обучения называют иерархическим, так как он способен раскрывать структуру внутри предложения, основываясь на замеченных регулярных совпадениях из тысяч примеров, рассмотренных системой во время поиска информации. Также системы глубинного обучения напрямую не кодируют синтаксис, а, предполагается, способны идентифицировать существующие синтаксические связи в предложении. То есть, вместо того, чтобы иметь разные модули для разных частей проблемы одновременно, подход глубинного обучения предполагает, что система рассматривает все предложение без его членения на более мелкие сегменты, и что все виды отношений в контексте одновременно. Эти отношения могут иметь вертикальную (группы, или похожие слова могут заполнить позицию в предложении) или горизонтальную структуру (синтаксически связанные группы слов в предложении), что делает данный подход более адаптивным и когнитивно более интересным, но и вычислительно более сложным.
Стоит также отметить, что данный подход остается эмпирическим, особенно когда это касается определения архитектуры использованных нейронных сетей (например, число слоев рекуррентной нейронной сети, длины использованных векторов), так же как и других параметров (способы перевода незнакомых слов). До сих пор еще имеется очень небольшая теоретическая база для подобных решений, которые обычно основаны на характеристике системы и ее продуктивности. Эти системы на сегодняшний момент часто критикуют за нехватку теоретической базы.
К основным недостаткам нейронного машинного перевода можно отнести, что данные системы до сих пор хорошо справляются только с простыми предложениями и уступают статистическим моделям при переводе более сложных. Во-вторых, незнакомые слова или группы слов (т.е. слова, не включенные в обучающие данные) в основном переводятся некорректно (или не переводятся вообще).
Нейронный машинный перевод хорошо себя зарекомендовал с короткими предложениями родственных языков и, в последнее время, с длинными предложениями более генетически далеких языков. Прогресс заметен уже сейчас, и подход «глубинного обучения» может рассматриваться как революция в области машинного перевода, каким был статистический перевод в 90-х. Что послужило значительным стимулом его широкого распространения. Все основные компании в области машинного перевода (Google, Bing, Facebook, SYSTRAN) уже используют данный подход с 2016 года для своих онлайн-систем.
На контрасте, статистическому машинному переводу потребовалось несколько лет, чтобы вытеснить rule-based системы. Распространение нейронного машинного перевода происходит гораздо быстрее. Это также означает, что данный подход более адаптивный и прогрессивный, чем статистический.
References
[1] Goodfellow, I. Bengio,Y, Courville A. Deep Learning. The MIT Press, 2016, p. 13.
[2] 1. Poibeau, Thierry. Machine Translation. The MIT Press, 2017, p. 189.
2. SYSTRAN Blog «How does Neural Machine Translation work?» (2016) Published online.
Машинный перевод: современные технологии и топ-10 полезных инструментов
Представители старшего поколения наверняка помнят, сколько времени нам приходилось возиться с домашними заданиями по иностранному языку в общеобразовательной школе. Конечно, были среди нас отличники, которым языки, да и прочие предметы, давались легко. Вот к ним-то и подходили на переменке с просьбой перевести заданный на дом текст на иностранном языке, потому что большинству было лень, да и качество перевода в случае, если вы не занимались языком дополнительно, тоже изрядно хромало.
То ли дело сейчас! Загрузил текст в Google переводчик, выбрал язык, и дальше остается лишь слегка отредактировать результат, чтобы не «спалиться» с изрядно топорным компьютерным переводом. Конечно, лучше бы знать языки самому, в чем вам поможет наша программа «Эффективное изучение иностранного языка». Но во многих случаях компьютерные словари и системы машинного перевода текстов могут очень сильно выручить, даже если вы владеете языком в совершенстве. Давайте посмотрим, что это такое и как это работает.
Что такое «машинный перевод»: немного истории
Машинным переводом называют перевод текстов при помощи компьютерной программы, онлайновой или же инсталлированной на компьютере. Сегодня с помощью специальных программ можно перевести текст на самые разные языки: для машинного перевода практически не существует языковых барьеров.
Так, вышеупомянутый и наиболее популярный для быстрых подручных операций Google переводчик предлагает перевод более чем с сотни различных языков, от английского до малоизвестного нам хмонга.
Для справки: хмонг – это группа диалектов, на которых говорит народность мяо в Китае, Таиланде, Лаосе и северном Вьетнаме. Эта справка нужна для того, чтобы показать, сколь дальние «лингвистические дали» захватил процесс машинного перевода.
Идея задействовать компьютер для перевода родилась практически одновременно с появлением первых электронно-вычислительных машин в 40-е годы 20 века. К 1954 году корпорации IBM совместно с Джорджтаунским университетом удалось «научить» компьютер переводить простейшие тексты.
В «распоряжении» самого первого машинного переводчика было 250 слов и всего 6 правил (мечта каждого школьника!) из всего богатства грамматики английского языка. Эта первая публичная презентация возможностей перевода при помощи компьютера вошла в историю как «Джорджтаунский эксперимент».
Всего в ходе эксперимента с русского на английский перевели более 60 предложений, преимущественно на тему органической химии. Подробности эксперимента можно узнать из пресс-релиза корпорации IBM, вышедшего на следующий день после эксперимента [IBM, 1954].
Уже в 1960-х годах в Штатах функционировали 2 системы перевода с русского на английский. Это MARK, которая использовалась в ВВС США, и GAT, собственная разработка того самого Джорджтаунского университета, где состоялся исторический эксперимент. GAT, помимо США, применяли и в Европе. В частности, в Европейском сообществе по атомной энергии в Италии.
Качество первых машинных переводов было не слишком высоким, что регулярно порождало сомнения в перспективности разработок, и приводило к снижению объемов финансирования на исследования.
Тем не менее, невзирая на все сомнения и преграды, машинный компьютерный перевод прошел путь от трудностей понимания элементарных печатных фраз до технологий аудиоперевода, когда можно просто нажать на значок микрофона и сказать «в смартфон», что именно нужно перевести. К слову, большинство людей инстинктивно стараются говорить в микрофон, изображенный на экране, а не в микрофонный выход смартфона.
Больше о развитии систем машинного перевода можно узнать из статьи «Русский не родной: как США узнавали научные и военные тайны Советского Союза» [А. Космарский, 2016].
У нас в стране большая часть работ в области компьютерного перевода сконцентрировались в педагогическом университете имена А. И. Герцена в Санкт-Петербурге. Исследования вела научная группа под руководством профессора Раймунда Пиотровского (1922-2009).
Это был небольшой исторический экскурс, а сейчас обратимся к технической сути вопроса и посмотрим, как это все работает.
Машинный перевод: как это работает?
В самом общем виде системы машинного перевода (Machine Translation, МТ) развиваются по трем основным направлениям: SMT, RBMT, HMT [Linguis, 2015].
Направления Machine Translation:
- Статистический (Statistical Machine Translation, сокращенно SMT).
- Основанный на правилах (Rule-based Machine Translation, аббревиатура RBMT).
- Гибридный (Hybrid Machine Translation, сокращенно HMT).
Теперь вкратце о каждом из направлений.
Statistical Machine Translation
Статистический машинный перевод – это, по сути, самообучающаяся система. Это постоянный анализ огромного массива идентичных текстов на разных языках, поиск основных лингвистических закономерностей, перевод программы в машинный код и, как итог, способность к переводу с высоким уровнем точности и учетом языковых нюансов.
Базовым условием для успешного анализа big data (больших объемов данных) и точного перевода в машинный код является наличие соответствующих вычислительных мощностей. Это доступно лишь самым крупным корпорациям, лидерам рынка, давно работающим на данном поприще, потому что для анализа больших объемов данных нужно достаточно много времени.
Основными примерами реализации технологии SMT являются такие сервисы, как Google Translator, Яндекс.Переводчик, Bing Translator от Microsoft.
Rule-based Machine Translation
Технология RBMT предполагает, что все правила для последующего перевода создаются людьми. Эффект, достигаемый в SMT за счет самообучения, в RBMT напрямую зависит от человеческого фактора. Специалисты непрерывно мониторят ситуацию, адаптируют и детализируют правила для максимально более точного машинного перевода текстов.
Уровень точности перевода зависит от того, насколько глубокого лингвисты проработали языковые нюансы для переводчика по технологии RBMT и насколько регулярно поддерживают актуальность базы данных. Процесс требует высокой квалификации и больших затрат человеческих ресурсов, зато в RBMT можно обойтись гораздо меньшими вычислительными мощностями, нежели при работе по технологии SMT.
В качестве примеров реализации технологии RBMT можно привести такие системы, как Linguatec и Multillect.
Hybrid Machine Translation
Гибридный машинный перевод призван соединить в себе все преимущества SMT и RBMT. Разумеется, это не так просто, и мало, кто берется за реализацию столь амбициозной задачи. Наиболее удачным примером может служить программная система машинного перевода Systran, созданная одноименной компанией в США и выкупленная затем корейской компанией CSLi. А также такие разработки Hybrid MT, как TranSphere, Carabao Machine Translation engine, PROMT DeepHybrid.
Теперь, когда мы вникли в основные технические нюансы и понимаем общие принципы работы машинного перевода, самое время изучить подробнее, как мы всем этим можем воспользоваться.
Машинный перевод: программы
В принципе, если ничего длиннее трех абзацев вам переводить не приходится, с этим вполне справится Google Translator, так что эту статью дальше можно не читать. А вот менеджерам совместных предприятий, международных корпораций, ученым, читающим научные статьи на языке оригинала, профессиональным переводчикам и всем, кому приходится иметь дело с огромными массивами данных на иностранных языках, нужны инструменты посерьезнее.
Уточним, что при всех перспективах машинного перевода без людей не обойтись. Отличаться может лишь степень вмешательства человека в процесс. Различают разные форматы участия человека в Machine Translation:
- Постредактирование, когда исходный текст переводит компьютер, а затем вручную делается редактирование машинного перевода.
- Предредактирование, когда специалист адаптирует текст для машинной обработки, упрощая слишком сложные конструкции и убирая обороты, которые предполагают неоднозначное прочтение.
- Интерредактирование, когда специалист вмешивается в работу системы перевода и по ходу процесса регулирует перевод особо сложных фрагментов текста.
- Смешанные и совмещенные формы редактирования (например, предредактирование и постредактирование).
Иногда в качестве синонима понятия «машинный компьютерный перевод» употребляется словосочетание «машинный автоматический перевод» или просто «автоматический перевод». Это полностью корректно, но, если встречается термин «автоматизированный перевод», тут обычно имеются в виду случаи, когда человек максимально вовлечен в процесс «помощи» компьютерной программе.
Или даже точнее будет сказать, что это программа помогает человеку справиться с переводом, потому что основной массив работы – адаптация текста для перевода, упрощение лингвистических конструкций и прочее – выполняет как раз человек.
Так или иначе, для реализации сценариев машинного перевода в большинстве случаев используются CAT tool программы. Это комплексное решение по автоматизации перевода с набором дополнительных функций. В частности, CAT tool (Computer-assisted translation tool) умеют подставлять готовые фрагменты теста из банка готовых переводов там, где это уместно, что заметно сокращает общее время перевода [Roi4cio, 2019].
На небольших фрагментах текста, которые любой онлайн-сервис переводит за считанные доли секунды, такая экономия не заметна. Однако когда речь заходит о больших массивах теста, CAT tool является настоящим спасением. Кроме того, CAT tool позволяет проверить правописание, правомерность употребления того или иного слова в том или ином контексте, использовать базы данных узкоспециальных терминов, пользоваться индексаторами текстов и управлять памятью переводов.
Какой конкретно софт сегодня можно задействовать для перевода больших объемных текстов? Тут можно посоветовать изучить, пожалуй, наиболее полный обзор доступных на сегодня инструментов машинного перевода «24 полезные программы для переводчиков» [Н. Самойленко, 2017]. Со своей стороны обратим особое внимание на Trados, позволяет сделать машинный перевод документа практически любого формата, в том числе HTML-документов и презентаций PowerPoint.
В обзор «24 полезные программы для переводчиков» включены собственно программы машинного перевода, словари, программы распознавания текста, сервисы подсчета статистики и локализации приложений.
Уточним, что локализация приложения – это перевод, включающий полную адаптацию контента в плане культурных особенностей страны, города, региона с учетом всех особенностей языка.
По поводу подсчета статистики скажем, что это очень важная функция для профессиональных переводчиков и копирайтеров, получающих оплату по количеству знаков без пробелов. В обычном вордовском документе при объемах в сотни страниц использование встроенной функции затруднено, поэтому специальные сервисы совсем не лишние.
Будет интересно изучить и более свежий обзор «Какие инструменты могут ускорить работу переводчиков: обзор сервисов» [А. Лещинский, 2018]. В числе прочего, стоит обратить внимание на представленный в этом обзоре онлайн-сервис SmartCAT с очень простым для освоения интерфейсом и достаточно широким функционалом.
И, наконец, «Лучшее программное обеспечение для машинного перевода, которое вы можете попробовать в 2022 году» [affdu, 2022]. Из достойного внимания можно назвать сервис нейронного машинного перевода Amazon Translate. Независимое рейтинговое агентство Intento признало Amazon Translate по итогам 2020 года лучшим поставщиком машинного перевода в 14 языковых парах, 16 отраслях промышленности и 8 типах контента [Amazon Web Services, 2021].
К слову, на сайте Intento вы можете не только следить за рейтингами, но и опробовать различные программные продукты в сфере машинного перевода [Intento, 2022]. Теперь давайте подытожим, какие наиболее полезные и практичные инструменты можно сегодня использоваться для машинного перевода. Для удобства ориентирования сразу будем давать ссылку на сайт и скриншот интерфейса.
Топ-10 самых полезных инструментов машинного перевода:
Trados – возможность работать с файлами самых разных форматов плюс функция ведения глоссариев. Доступная бесплатная пробная версия Trados.
Déjà Vu – пользуется успехом у переводчиков с французского, хотя работает с самыми разными языками. Поддерживает многие форматы файлов. Для желающих есть тестовая бесплатная версия Déjà Vu.
SmartCAT – помимо собственно функции машинного перевода, доступна база профессиональных переводчиков, если вы не справляетесь даже с помощью сервиса, и база для поиска заказов, если вы переводчик. Онлайн сервис SmartCAT – полностью русскоязычный ресурс.
OmegaT – полностью бесплатный сервис. Не поддерживает наиболее ходовые форматы MS Word и Excel, но текст всегда можно конвертировать в другой формат из числа поддерживаемых. Скачать OmegaT можно на официальном сайте.
Wordfast – есть несколько версий программы, в том числе бесплатная онлайн-версия Wordfast Anywhere. Судя по информации на официальном сайте, продуктами Wordfast пользуются Sony, Coca-Cola, McDonald’s и другие известные корпорации.
MemoQ – работает с мультиязычными файлами, обеспечивает локализацию контента при переводе текстов медико-биологической направленности, тематики игровой индустрии, пригодна для учебных заведений и научных организаций. Доступны разные версии MemoQ.
Amazon Translate – нейронный машинный перевод, локализация приложений, много других достоинств. До 2 миллионов знаков в месяц Amazon Translate позволяет переводить бесплатно.
WordFisher – поддерживает пакет макросов до Word 2003, поэтому является отличным вариантом для тех, у кого старый компьютер. Программа WordFisher доступа на английском языке, однако обратите внимание, что весь исходный текст на сайте написан на венгерском языке. Это большое подспорье для тех, для кого венгерский является родным, потому что венгреский язык весьма специфичен и его носители с трудом осваивают еще какие-либо языки.
XTM Cloud – предназначена для крупного и среднего бизнеса, промышленных предприятий и сферы услуг. Покупателям XTM Cloud обещают доступные цены и соответствие сделки правилам бухгалтерского и налогового учета для предприятий всех форм собственности в Российской Федерации.
SYSTRAN Translate – онлайн-переводчик с 50 языков. Визуально интерфейс похож на Google Translator, и принцип работы точно такой: в левое окошко грузится исходный текст, в правом появляется готовый перевод. Systran Translate использует готовые модели перевода для каждой области контента: финансы, юриспруденция, здравоохранение, IT-технологии, образование, производство. Есть платные и бесплатные версии.
Итак, мы вкратце разобрали основные аспекты машинного перевода текстов. А что же у нас с машинным переводом устной речи? Давайте посмотрим!
Устная речь и машинный перевод
В принципе, функция устного машинного перевода знакома всем, у кого есть смартфон и встроенный Google переводчик. Помимо собственно перевода, изначально включается функция распознания текста. Примерно как в голосовом навигаторе в автомобиле. Насколько удобно пользоваться всеми этими техническими средствами и сервисами?
Тут очень много зависит от простоты формулировки, окружающего шумового фона, темпа речи, дикции, наличия акцента. Наиболее наглядно процесс машинного распознания речи презентован в известном клипе группы «Ленинград» на композицию «В Питере пить», когда таксист «общается» с навигатором:
Жесткий акцент выходца из дружественной нам республики мешает голосовому помощнику распознать запрос, а в разразившемся далее потоке негодования наиболее бдительные и хорошо образованные зрители распознали аварский язык.
Заметим, что большинство обзоров, посвященных устному машинному переводу, более сосредоточены на изъянах сервисов, нежели на их достоинствах. Самым настойчивым и заинтересованным можем рекомендовать статью «Машинный перевод становится синхронным», посвященную устному переводчику STACL [sysblok, 2019].
Кроме того, достаточно интересен обор «Translatotron – машинный перевод устной речи на новом уровне» с разбором достоинств и отличий относительно прочих разработок [В. Кобальчинский, 2019]. На этом, пожалуй, можно остановиться, потому что более ранние разработки дают не слишком высокую точность распознания и перевода устной речи, в чем могли убедиться лично все, кто пытается быть «на острие» инновационных технологий.
Какой из всего вышеизложенного вывод? Иностранные языки нужно изучать и знать, независимо от того, что нам предлагают технологии машинного перевода. Во-первых, у вас не всегда может быть «под рукой» доступное интернет-соединение. Во-вторых, за рубежом вас может подвести акцент и ваш текст для перевода останется для онлайн-переводчика тайной, покрытой мраком. В-третьих, пока никто не отменил зачеты и экзамены в школах и вузах, где ни смартфоном не воспользуешься, ни одноклассника-отличника на помощь не призовешь. И тогда вы можете «погореть» даже на самом элементарном задании.
Классика жанра для технических вузов – это просьба перевести несложное во всех смыслах предложение Silver is a good conductor of electricity («Серебро хорошо проводит электричество»). Люди, напрочь игнорирующие лекции по английскому, предлагают свою версию, которая звучит как «Сильва хороший кондуктор в электричке». Как говорится, «занавес», и результат экзамена исключительно в зависимости от чувства юмора преподавателя.
Стать компетентными в том языке, за изучение которого вы взялись, и подсказать, как лучше взяться за изучение иностранного языка, может наша программа «Эффективное изучение иностранного языка». Мы желаем, чтобы вас всегда понимали правильно, и просим ответить на вопрос по теме статьи: