なぜ機械はことばを訳せるのか？ニューラル機械翻訳の仕組みをわかりやすく解説｜dis-media

「英語が苦手でもDeepLがあれば安心」──そう感じていても、ふと疑問が浮かびます。「機械は、どうやってことばを訳しているんだろう？」

翻訳は人間でもむずかしい作業です。単語を別の言語に置き換えるだけでなく、文脈を読み、語感を捉え、文化的背景を理解して初めて「伝わる訳」になる。それなのに、機械がそれをこなしてしまう。しかも毎日1,000億語以上（Google翻訳の1日の翻訳量、2022年）を処理しながら。

実は、現代の機械翻訳は「ことばを理解している」のではありません。意味を「数値の空間」に変換し、パターンを学習して訳を生成している──そのアーキテクチャを知ると、精度がなぜ上がったのかも、なぜ誤訳が起きるのかも、論理的に説明できるようになります。

• 機械翻訳の3世代の進化（ルールベース→統計→ニューラル）
• DeepLとGoogle翻訳を支えるTransformerとは何か
• 機械翻訳が苦手な5つの領域
• 2026年、AI翻訳と人間翻訳者の役割分担
• 「機械はことばを理解していない」という衝撃の事実

機械翻訳の3世代の歴史──ルールベースから「学習」へ

機械翻訳の歴史は、大きく3つの時代に分かれます。

第1世代：ルールベース翻訳（〜2000年代）

初期の機械翻訳は「辞書＋文法ルール」の組み合わせです。「cat → 猫」「I am → 私は〜だ」という対応表と、英語文法→日本語文法の変換ルールを人間が手作業で書き込みます。シンプルですが、例外処理に追いつかず翻訳品質は低いものでした。

第2世代：統計的機械翻訳（SMT、2000年代〜2016年頃）

「どのフレーズを何に翻訳するか」をルールではなく大量のテキストデータから確率的に学習する方法です。Google翻訳はこのSMTで急速に普及しました。「この文脈では ‘bank’ を『銀行』と訳す確率が高い」という統計モデルを構築します。ルールベースより自然ですが、文章全体の文脈を十分に捉えきれないという限界がありました。

第3世代：ニューラル機械翻訳（NMT、2016年〜現在）

2016年にGoogleが導入したニューラル機械翻訳（NMT）は、翻訳の品質を「人間が感じる自然さ」で劇的に改善しました。DeepLも同系統のアーキテクチャ（Transformer）を採用しています。

〈言い換え①〉NMTとは「入力文を一度”意味の数値空間”に変換し、その数値から目標言語を生成する方法」です。単語を単語に変換するのではなく、文章全体の意味を把握してから訳す──これがNMTの革命的な点です。

ニューラル機械翻訳の中身──エンコーダ・デコーダとアテンション

エンコーダ──文章を「数値の塊」に変換する

エンコーダは入力文（例：「私は猫が好きだ」）を「単語埋め込みベクトル」という数値の配列に変換します。たとえば「猫」は[0.12, -0.34, 0.78, …]という数百次元のベクトルで表現されます。意味的に近い単語（猫と犬）は数値空間でも近い位置に配置されます。

この「数値空間への変換」によって、文法構造や文脈的意味を数学的に処理できるようになります。

アテンション機構──翻訳中に「どこを見るか」を動的に決める

アテンション機構（Attention Mechanism）は、デコーダが出力を生成するとき、入力の各単語にどれくらい「注目」するかを動的に決める仕組みです。たとえば英語で「cats」を生成する瞬間、日本語の「猫」という単語に強くアテンションが当たります。これにより、長い文でも文脈に合った訳が生成できます。

📊 読者投票 受付中（現在0票）。あと5票で結果を公開します。

Transformer──2017年の「革命論文」が世界を変えた

2017年、Google Brainが発表した論文「Attention Is All You Need」（アテンションだけで十分）が機械翻訳の世界を激変させました。この論文で提案された「Transformerアーキテクチャ」は、従来のRNN（再帰型ニューラルネットワーク）を使わず、アテンション機構だけで長い文章を並列処理できる設計です。

〈言い換え②〉Transformerとは「文章中のすべての単語が互いに関係性を計算しながら意味を捉えるアーキテクチャ」です。英語の「bank」が「川岸」か「銀行」かを文脈全体から瞬時に判断できます。

Transformerは翻訳だけでなく、ChatGPTやGPT-4なども同系統のアーキテクチャを使っています。DeepLは独自にカスタマイズしたTransformerを使い、特に日本語・欧州語間の翻訳精度で高評価を得ています。Google翻訳も2016年のNMT導入以降、Transformerベースにアップグレードされています。NMT導入前後でBLEUスコア（翻訳品質の国際評価指標、100点満点）が平均7〜10点向上したとGoogleは発表しています（2016年）。また世界最大の機械翻訳コンペWMT（Workshop on Machine Translation）の2023年日英部門でのBLEU最高スコアは約55点を記録し、人間の翻訳品質（BLEU換算で60〜75点）に迫っています。

🎣 実用シーン──DeepLとGoogle翻訳の使い分け3原則

機械翻訳の仕組みがわかると、ツールの使い分けが論理的にできます。

DeepLが向いている場面

ビジネス文書・学術論文・メール・契約書など、「専門性が高く自然さが重要」な文書に向いています。DeepLは「深層学習のアーキテクチャをより深く積んでいる」として、日本語↔英語・欧州言語間の自然さで特に高評価です（東京学芸大学「機械翻訳精度の検証」研究, 2023年）。ただし2024年時点で対応言語は約33言語と少なめ。

Google翻訳が向いている場面

133言語対応・音声翻訳・カメラ翻訳など、「多言語・リアルタイム・外出先での利便性」が必要なときに強い。訪日外国人との会話、海外旅行先での看板翻訳、珍しい言語の文書読み込みなどはGoogle翻訳が一択です。毎日約1,000億語の翻訳量という実績（2022年）があります。

機密文書には要注意

DeepLもGoogle翻訳も、入力した文章はサーバーに送信されます。内部資料・個人情報・法的文書をオンライン翻訳ツールに貼り付けることは情報漏洩リスクがあります。機密性の高い文書には、オフライン動作のローカル翻訳モデルまたは人間の翻訳者を使うべきです。また、翻訳と通訳の違いの記事では、機械翻訳と人間翻訳の役割の違いもわかりやすく解説しています。

📅 2026年の機械翻訳──「ポストエディット時代」と翻訳者の仕事

機械翻訳の精度向上により、翻訳者の仕事は大きく変わりつつあります。2026年現在、多くの翻訳プロジェクトで「ポストエディット（機械翻訳後の人間による後処理）」が標準化されています。機械が草稿を出力し、人間が精度・ニュアンス・文化的適切さを修正するワークフローです。

グローバルな翻訳サービス市場規模は2024年に約6.7兆円（約470億ドル）に達しており、年率約6%成長が見込まれています（Grand View Research、2024年）。このうち機械翻訳ツール関連は市場全体の約25%を占め、急成長中です。

日本翻訳連盟の調査（2024年）によれば、会員翻訳者の約60%以上がなんらかの形で機械翻訳を業務に活用していると回答。単価は下がる傾向にありますが、「機械が間違えやすいポイントを見極めて修正できる人材」への需要は高まっています。

機械翻訳が入れないニッチ

法律翻訳（契約書・判決文）、医療翻訳（診断書・添付文書）、文学翻訳（詩・小説）、マーケティングコピーなどは、2026年現在も人間の専門翻訳者が主役です。特に法律・医療では誤訳が人命や訴訟に影響する「YMYL（Your Money or Your Life）」領域であるため、機械翻訳結果の法的・医学的責任を誰も取れないという構造的問題があります。

💡 意外な切り口──機械翻訳は「ことばを理解していない」

ここが機械翻訳の最大の「意外な真実」です。DeepLも Google翻訳も、ことばの「意味」を理解しているのではありません。

〈言い換え③〉機械翻訳は「意味を理解する」のではなく、「大量の対訳データから『この文脈ではこう訳すパターンが高確率』という統計を学習している」だけです。膨大なデータから「こういう文章のときはこう訳す」を学んでいる──非常に洗練されたパターンマッチングです。

哲学者のジョン・サールが1980年に提唱した「中国語の部屋」という思考実験があります。「部屋の中の人は中国語を知らないが、完璧な辞書・規則集があれば、外から見ると中国語を理解しているように見える」というもので、機械翻訳はまさにこの状態に近い。

だから、機械翻訳は「皮肉」「冗談」「文化固有の慣用句」に弱い。たとえば「足を洗う」は「wash one’s feet」ではなく「go straight（真っ当な生き方をする）」が正しいですが、文脈なしには機械には判断できません。「橋を渡ってから橋を焼き払う」（後退を断つ）も、機械は直訳しがちです。

デメリット・注意点──機械翻訳が間違える代表的なパターン

専門用語・固有名詞

業界固有の専門用語（法律・医薬品・工学）や、新しく生まれた固有名詞は学習データに存在しない場合が多く、誤訳または日本語のままスルーされることがあります。

長文・ネスト構造

英語の関係代名詞が何重にもネストした長い文は、機械でも文脈の対応が崩れやすい。「which の先行詞はどこか」を数百単語遡って判断する必要がある場合、精度が下がります。

文化・感情的ニュアンス

詩・文学・マーケティングコピーなど「感情を動かすことば」の訳は機械が最も苦手とする領域です。「なんとなくこっちの方が心に響く」という人間の感覚は、学習データから自動的に生まれるものではありません。

よくある誤解──機械翻訳をめぐる3つの勘違い

誤解① 「DeepLはAIだからなんでも正確に訳せる」

DeepLは高精度ですが、専門用語・文化的ニュアンス・極端に短い/長い文では誤訳が起きます。重要な文書は必ず人間によるレビューが必要です。

誤解② 「機械翻訳が普及したら翻訳者は不要になる」

完全に不要にはなりません。翻訳者の役割は「機械の草稿を精製する専門家」に変化しています。法律・医療・文学・高品質マーケティングコピーは依然として人間の専門翻訳者が不可欠です。

誤解③ 「翻訳精度はどのツールでも同じ」

ツールによって得意な言語ペアが異なります。DeepLは日英・欧州語間、Google翻訳はアジア系・希少言語を含む多言語対応で優位。また、専門分野（医療・法律）によっても精度差があります。

※ 本記事の情報は2026年6月時点のものです。最新の数値・制度は各公式サイト・公的機関でご確認ください。

まとめ──機械翻訳は「翻訳を自動化」したのではなく「翻訳の定義を変えた」

• 機械翻訳は3世代進化：ルールベース→統計的翻訳（SMT）→ニューラル翻訳（NMT）
• 現代の翻訳エンジンはTransformerアーキテクチャを採用──文脈全体を同時処理
• DeepLは専門文書の自然さ優位、Google翻訳は133言語対応の利便性優位
• 機械翻訳は「意味を理解」しているのではなく「大量データのパターン学習」
• 2026年は「ポストエディット」が業界標準──機械翻訳と人間翻訳者の協業時代
• 法律・医療・文学翻訳は依然として人間専門家が担う領域

毎日1,000億語を処理するGoogle翻訳の裏側では、何十億もの対訳データを学習したニューラルネットワークが「次の単語として何が来る確率が高いか」を計算し続けています。ことばを「理解」していないのに人間をうならせる翻訳を生み出す──これが機械翻訳の「ぞっとするほど賢い単純さ」です。

なお、プロの翻訳者と通訳者の仕事の違いについては 翻訳と通訳の違いの記事も参考にしてください。機械翻訳との役割分担を考えるうえで有益です。

📊 読者投票 受付中（現在0票）。あと5票で結果を公開します。