기계 번역

기계 번역 시스템은 컴퓨터 학습 기술을 사용 하 여 많은 양의 텍스트를 지원 되는 언어로 번역 하는 응용 프로그램 또는 온라인 서비스입니다. 서비스는 한 언어에서 다른 "대상" 언어로 "원본" 텍스트를 변환 합니다.

기계 번역 기술 및 그것을 사용 하는 인터페이스의 뒤에 개념은 상대적으로 간단 하다, 그것의 뒤에 과학 그리고 기술은 극단적으로 복잡 하 몇몇 첨단 기술, 특히, 깊은 학문을 소집 한다 ( 인공 지능), 빅 데이터, 언어학, 클라우드 컴퓨팅 및 웹 api.

초기 2010s, 새로운 인공 지능 기술, 딥 신경망 (일명 딥 러닝), 이후 음성 인식의 기술은 마이크로 소프트 번역기 팀이 음성 인식을 결합 할 수 있도록 허용 품질 수준에 도달 할 수 있다 새로운 음성 번역 기술을 시작 하는 핵심 텍스트 번역 기술.

역사적으로 업계에서 사용 되는 기본 기계 학습 기법은 통계적 기계 번역 (SMT) 이었습니다. SMT는 고급 통계 분석을 사용 하 여 몇 단어의 맥락에서 주어진 단어에 대해 가능한 최상의 번역을 추정 합니다. Microsoft를 포함 한 모든 주요 번역 서비스 공급자가 2000 년대 중반 이후 SMT를 사용 했습니다.

신경 기계 번역의 출현 (NMT) 번역 기술에 급진적인 변화를 일으켰습니다, 훨씬 더 높은 품질의 번역 결과. 이 번역 기술은 사용자와 개발자를 위한 배포를 시작 했습니다. 2016의 후반 부분.

SMT 및 NMT 번역 기술에는 공통적으로 두 가지 요소가 있습니다.

1. 둘 다 대량의 사전 번역 된 콘텐츠를 필요로 (최대 수백만의 번역 문장) 시스템을 훈련 합니다.
2. 두 언어 사전 역할을 하지 않습니다., 잠재적인 번역의 목록에 따라 단어를 번역, 하지만 문장에 사용 되는 단어의 문맥에 따라 번역.

번역및음성서비스 인지 서비스 api 컬렉션은 Microsoft의 기계 번역 서비스입니다.

번역기는 2007년부터 Microsoft 그룹에서 사용되어 왔으며 2011년부터 고객을 위한 API로 사용할 수 있습니다. 번역기는 Microsoft 내에서 광범위하게 사용됩니다. 제품 현지화, 지원 및 온라인 커뮤니케이션 팀에 통합됩니다. 이 서비스는 또한 액세스 할 수 있습니다, 추가 비용없이, 같은 익숙한 마이크로 소프트 제품 내에서 빙, Cortana, 마이크로소프트 엣지, 사무실, Sharepoint, Skype그리고 Yammer.

번역기는 모든 하드웨어 플랫폼과 운영 체제에서 웹 또는 클라이언트 응용 프로그램에서 사용할 수 있으며 언어 변환 및 언어 검색, 텍스트 음성 변환 또는 사전과 같은 기타 언어 관련 작업을 수행할 수 있습니다.

업계 표준 REST 기술을 활용 하 여 개발자는 대상 언어를 나타내는 매개 변수를 사용 하 여 소스 텍스트 (또는 음성 변환 용 오디오)를 서비스에 보내고, 서비스는 클라이언트 또는 웹 앱이 사용할 번역 된 텍스트를 다시 보냅니다.

번역기 서비스는 Microsoft 데이터 센터에서 호스팅되는 Azure 서비스이며 다른 Microsoft 클라우드 서비스에서도 수신하는 보안, 확장성, 안정성 및 논스톱 가용성의 이점을 누릴 수 있습니다.

번역기 음성 번역 기술은 스카이프 번역기를 시작으로 2014년 말에 출시되었으며, 2016년 초부터 고객을 위한 개방형 API로 제공됩니다. 그것은 마이크로 소프트 번역기 라이브 기능에 통합, 스카이프, 스카이프 회의 방송, 안드로이드와 iOS에 대한 마이크로 소프트 번역기 응용 프로그램.

음성 번역은 이제 음성 인식, 음성 번역 및 음성 합성 (텍스트 음성 변환)에 대 한 완벽 한 사용자 정의 서비스의 엔드 투 엔드 세트 마이크로 소프트 음성을 통해 사용할 수 있습니다.

텍스트 번역에 사용 되는 두 가지 주요 기술: 레거시 하나, 통계적 기계 번역 (SMT), 그리고 새로운 세대 하나, 신경 기계 번역 (NMT).

번역가의 통계 기계 번역(SMT) 구현은 Microsoft에서 10년 이상 자연어 연구를 수행했습니다. 현대 번역 시스템은 언어 간 번역을 위해 수작업으로 만든 규칙을 작성하는 대신, 기존의 인간 번역에서 언어 간의 텍스트 변환을 학습하고 응용 통계 및 기계 학습의 최근 발전을 활용하는 문제로 번역에 접근합니다.

소위 "병렬 코포라"는 많은 언어 쌍과 도메인에 대한 맥락에서 단어, 구문 및 관용구 번역을 제공, 거대한 비율로 현대 로제타 스톤 역할을합니다. 통계 모델링 기술과 효율적인 알고리즘은 컴퓨터가 해독(학습 데이터의 소스와 대상 언어 간의 통신 을 감지) 및 디코딩(새 입력 문장의 최상의 번역찾기)의 문제를 해결하는 데 도움이 됩니다. 번역기는 통계 적 방법의 힘을 언어 정보와 결합하여 더 잘 일반화하고 더 이해하기 좋은 번역으로 이어지는 모델을 생성합니다.

사전 또는 문법 규칙에 의존 하지 않는이 방법 때문에, 그것은 하나의 단어 번역을 수행 하는 대 시도 대 주어진 단어 주위에 컨텍스트를 사용할 수 있는 구문의 최고의 번역을 제공 합니다. 단 하나 낱말 번역을 위해, 이중 언어 사전은 개발 되 고를 통해 접근 가능 하다 www.bing.com/translator.

번역을 지속적으로 개선하는 것이 중요합니다. 그러나 2010년대 중반부터 SMT 기술로 성능이 향상되었습니다. 마이크로소프트의 AI 슈퍼컴퓨터, 특히 마이크로소프트 코그너티브 툴킷의 규모와 파워를 활용하여, 번역기는 이제 신경망((lstm) 번역 품질 향상의 새로운 10 년간 수 있는 기반 번역.

이러한 신경망 모델은 Azure의 음성 서비스 및 'generalnn' 범주 ID를 사용하여 텍스트 API를 통해 모든 음성 언어에 사용할 수 있습니다.

신경 네트워크 번역은 근본적으로 그들이 전통적인 SMT 그들에 비교 된 실행 되는 방법에서 다르다.

다음 애니메이션은 신경망 번역이 문장을 번역 하기 위해 거쳐야 하는 다양 한 단계를 보여줍니다. 이 접근 때문에, 번역은 문맥으로 가득 차 있는 문장을, 대 단지 약간 낱말 미 끄 러 지는 창이 SMT 기술이 사용 하 고 더 액체와 인간 번역 한 찾는 번역을 생성할 것 이라는 점을가지고 갈 것 이다.

신경망 교육을 기반으로 각 단어는 특정 언어 쌍 (예: 영어 및 중국어) 내에서 고유한 특성을 나타내는 500 차원 벡터 (a)를 따라 코딩 됩니다. 교육에 사용 되는 언어 쌍을 기반으로 신경망은 이러한 차원이 되어야 하는 것을 자체 정의 합니다. 그들은 성별 (여성, 남성, 중립), 예의 수준 (속어, 캐주얼, 서 면, 정장 등), 단어의 종류 (동사, 명사 등) 뿐만 아니라 훈련 데이터에서 파생 된 다른 모든 비 명백한 특성 같은 간단한 개념을 인코딩할 수 있습니다.

신경망 번역이 진행 되는 단계는 다음과 같습니다.

애니메이션에 표시 된 예제에서 컨텍스트 인식 1000-차원 모델의 "the"은 명사 (집)는 프랑스어로 여 성스러운 단어입니다 (라 메 종). 이것은 적절 한 번역을 허용 합니다 "the""라"그리고"르"(단 수, 수 컷) 또는"레"(복수)이 디코더 (번역) 계층에 도달 하면.

주의 알고리즘은 또한 이전에 번역 된 단어 (들)에 따라 계산 됩니다 (이 경우에는 "the"), 그 다음 단어를 번역 해야 합니다 주제 ("집")이 아닌 형용사 ("블루"). 에서이를 달성 할 수 있기 때문에 시스템은 영어와 프랑스어는 문장에서 이러한 단어의 순서를 반전 배웠습니다. 그것은 또한 계산 했을 경우에는 형용사 "큰"색 대신에, 그것은 그들을 반전 하지 말아야 ("더 빅 하우스"= >"라 그란데 메 종").

이 접근 방식 덕분에, 최종 출력은, 대부분의 경우, 보다 유창 하 고 SMT 기반 번역 적이 있을 수 있는 것 보다 인간의 번역에 더 가깝습니다.

번역기도 음성을 번역할 수 있습니다. 이 기술은 번역기 라이브 기능에 노출됩니다(http://translate.it), 번역기 애플 리 케이 션, 스카이프 번역기는 또한 처음에만 사용할 수 있습니다 스카이프 번역기 기능 및 iOS와 안 드 로이드에 마이크로 소프트 번역기 애플 리 케이 션에서,이 기능은 이제 오픈의 최신 버전을 개발자에 게 제공 Azure portal에서 사용할 수 있는 REST 기반 API

기존 기술 벽돌에서 음성 번역 기술을 구축 하는 것은 언뜻 보기에 곧바로 진행 되는 프로세스 처럼 보이지만 기존의 "기존의" 휴먼 컴퓨터 음성 인식에 연결 하는 것 보다 훨씬 더 많은 작업이 필요 했습니다. 기존 하는 원본 번역 것에 엔진.

"원본" 음성을 한 언어에서 다른 "대상" 언어로 올바르게 변환 하기 위해 시스템은 4 단계 프로세스를 거칩니다.

1. 음성 인식, 오디오를 텍스트로 변환
2. truetext: 번역에 적합 하도록 텍스트를 정규화 하는 Microsoft 기술
3. 번역은 텍스트 번역 엔진을 통해 위에서 설명한 하지만 번역 모델은 특별히 실제 생활 음성 대화를 위해 개발
4. 텍스트 음성 변환, 필요한 경우, 번역 된 오디오를 생성 합니다.

자동 음성 인식 (ASR)
자동 음성 인식 (ASR)은 들어오는 오디오 음성의 수천 시간을 분석 하는 훈련 된 신경망 (NN) 시스템을 사용 하 여 수행 됩니다. 이 모델은 인간-기계 명령 보다는 인간 간 상호 작용에 대 한 교육, 정상적인 대화에 최적화 된 음성 인식을 생산. 이를 위해 기존의 인간-기계 asrs 보다 더 많은 데이터 뿐만 아니라 더 큰 dnn이 필요 합니다.

자세히 알아보기 텍스트 서비스에 대 한 마이크로소프트의 스피치.

truetext
인간이 다른 인간과 대화 하는 때, 우리는 우리가 수시로 우리가 생각 한 대로, 명확 하 게 또는 청 초 하 게로 완전 하 게 말하지 않는다. truetext 기술을 사용 하면 리터럴 텍스트는 "um" s, "ah" s, "s," s, stutters 및 반복과 같은 음성 disflencies (필러 단어)을 제거 하 여 사용자의 의도를 보다 가깝게 반영 하도록 변환 됩니다. 문장 나누기, 적절 한 문장 부호 및 대문자 표시를 추가 하 여 텍스트를 더욱 읽기 쉽고 번역할 수 있습니다. 이러한 결과를 달성 하기 위해, 우리는 언어 기술에 대 한 작업의 수 십년을 사용, 우리는 번역에서 truetext를 만들 개발 했습니다. 다음 다이어그램은 실제 예제를 통해 다양 한 변환 truetext가이 리터럴 텍스트를 정규화 하는 동작을 보여 줍니다.

번역
텍스트는 다음 중 하나로 번역 됩니다 언어 및 방언 번역가가 지원합니다.

음성 변환 API (개발자) 또는 음성 변환 앱 또는 서비스를 사용 하는 번역은 모든 음성 입력 지원 언어에 대 한 최신 신경망 기반 번역으로 구동 됩니다 (참조 여기 전체 목록에 대 한). 이 모델은 또한 음성 대화 유형의 번역에 대 한 더 나은 모델을 구축 하기 위해 더 많은 음성 텍스트 corpora와 현재, 주로 서 면 텍스트 훈련 번역 모델을 확장 하 여 만들어졌습니다. 이 모형은 또한을 통해 서 유효 합니다 "음성" 표준 범주 기존의 텍스트 번역 API의.

신경 번역에서 지원 하지 않는 언어의 경우, 기존의 SMT 번역이 수행 됩니다.

텍스트 음성 변환
대상 언어가 지원 되는 18 개의 텍스트 음성 변환 중 하나인 경우 언어들사용 사례에 오디오 출력이 필요한 경우 텍스트는 음성 합성을 사용 하 여 음성 출력으로 변환 됩니다. 이 단계는 음성-텍스트 변환 시나리오에서 생략 됩니다.

자세히 알아보기 마이크로 소프트의 텍스트 음성 서비스.

마이크로 소프트 번역기 팀에서 가장 최근의 연구 논문을 볼.

• 매우 낮은 자원 언어를 위한 보편적인 신경 기계 번역
• 자동 중국어 영어 뉴스 번역에 인간의 패리티를 달성
• 성별 인식 언어 번역 적용 영어-아랍어
• 음성-방언의 신경 기계 번역을 위한 합성 데이터

모든 출판물 보기