生成AI翻訳は方言・敬語・文化的含意を保存できるか――比較実験と政策論から考える

生成AIは、文章の基本的な内容を読みやすい別言語へ変える能力を大きく高めています。しかし、方言、敬語、婉曲な拒否、話者の人物像、文化的な前提まで、指示なしで保存できるとは限りません。重要なのは、最も自然に読める訳と、原文が持っていた社会的な意味を最も残した訳は、同じではないという点です。

AI訳を読んで、文法的な誤りは見当たらないのに、これは自分の言い方ではないと感じることがあります。その違和感は、単語の意味が変わったからではなく、話者のためらい、相手との距離、地域的な帰属、語り手の人物像が見えなくなったためかもしれません。

本記事では、翻訳の意味を、命題内容、語用的機能、関係性、話者の指標性、文化的前提、曖昧さの六層に分けます。2026年8月2日に実施した単独モデルのパイロット実験と、複数モデルを人間評価した公開研究を組み合わせ、生成AIが何を残し、何を自然な標準表現へ変えたかを検討します。

結論を先に言えば、文脈や保持指示は多くの例で改善をもたらしました。ただし、その改善は、文化的意味が翻訳文の中へ完全に移されたというより、注釈や代替案によって失われるものを可視化した結果である場合が少なくありませんでした。

この記事における中心仮説
現在の生成AI翻訳は、文の基本情報と読みやすさを比較的保ちやすい一方、敬語が示す関係性、方言が示す帰属、婉曲表現が果たす配慮、役割語が示す人物像などを、標準的で無標な表現へ平準化しやすいと考えられます。ただし、文脈と保持対象を明示すれば改善することがあり、問題の中心は「AIが一律に翻訳できない」ことより、利用者や組織が保存すべきものを指定・評価せず、自然さを正解として採用することにあります。

生成AI翻訳は意味を訳せても、関係性まで自動では保存しない

生成AI翻訳は使えるか、使えないかの二択では評価できません。私的な概要把握では十分に役立つ出力が、企業広報、人物描写、地域文化資料では重要な変質を含むことがあります。

2026年の文化的ニュアンス翻訳ベンチマークは、7種類の多言語LLMを15言語で比較し、各言語5人の母語話者が、内容忠実度、スタイル忠実度、対象読者への適切さ、文化的表現を評価しました。全体評価の平均は0〜3点尺度で1.68でした。記述平均ではGPT-5が2.10、Claude Sonnet 4が1.97、Mistral Medium 3.1が1.84でしたが、上位3モデルの差は統計的に有意ではありませんでした。これは、単純な一位を読むより、文化表現の種類や対象言語によって失敗が分かれると読むべき結果です。

さらに、この研究で使われたモデルは2026年8月時点の現行製品と同一ではありません。OpenAIはChatGPTでGPT-5.5系列を更新しており、Googleの公式API文書はGemini 3.6 Flashなどを掲載し、AnthropicもClaude 5系列を案内しています。DeepLは特定モデルを利用者が固定する方式ではなく、品質・速度の選択に応じて適切な翻訳モデルを動的に選ぶと説明しています。したがって、数か月前のベンチマークを現在のサービス順位へそのまま置き換えることはできません。

自然さは重要です。しかし、自然さを高めるために、原文のためらいを明確な拒否へ変えたり、方言を標準表現にしたり、曖昧な人物を男性・女性として確定したりすれば、別の層で意味を失います。

翻訳で「保存する」とは何か――意味を六層に分ける

命題内容は、文が明示的に述べる基本情報です。「誰が来るか」「何を断ったか」「明日なのか昨日なのか」といった情報が該当します。従来の翻訳評価は、この層を比較的測りやすくしてきました。

語用的機能は、発話がその場で何を行っているかです。「ちょっと難しいです」は、状況によって、純粋な難易度の説明にも、拒否にも、条件交渉の開始にもなり得ます。含意研究では、明示されていないが聞き手に推論される意味を「含意」と呼びます。近年のLLM研究でも、明示命題の処理に比べ、前提や含意を扱う課題には難しさが残ると報告されています。ただし、イタリア語の政治談話を対象にした研究結果を、日本語の日常会話へそのまま一般化することはできません。

関係性には、敬意、上下関係、親密さ、よそよそしさ、内外関係が含まれます。日本語の敬語は、英語の丁寧な語彙一語へ置き換えれば終わるものではありません。英語から日本語への機械翻訳研究でも、敬語レベルを制御するには、尊敬、謙譲、形式性、社会的距離を区別する必要があるとされています。会話文では、単文だけでなく前後の話者関係を扱う文脈情報が重要です。

話者の指標性は、言葉が人物や所属を示す働きです。「僕」「俺」「あたし」「わたくし」、終助詞、方言形式などは、文脈によって年齢感、親密さ、役割、地域的連想を生みます。ただし、それらは実際の性別や性自認を直接証明しません。国立国語研究所の解説にも、地域によって女性が「オレ」を通常の自称詞として使う例が示されており、標準語の男女差を全地域へ当てはめられないことが分かります。

文化的前提には、「いただきます」「お疲れさまです」「先輩」「もったいない」など、場面や慣習を知らなければ機能を理解しにくい表現が含まれます。ここでは音写、説明、文化的に近い表現への置換、複数案の提示という選択肢があり、どれがよいかは翻訳目的で変わります。

曖昧さの保持は、原文が確定していない情報を、訳文でも確定しないことです。機械翻訳のバイアス研究では、原文が性別、単数・複数、敬語レベルを特定していない場合に、訳文側が一つを選ぶ問題が整理されています。曖昧さの解消が必要な場面もありますが、根拠なしに行えば「原文にない追加」です。

複数AIへ同じ文章を翻訳させる比較実験

第一段は、本セッションで実際に使用しているGPT-5.5 Thinkingによる単独パイロットです。第二段は、複数モデルの実出力を母語話者が評価した前述の2026年公開研究、および方言・語用・敬語に関する公開研究との照合です。単独パイロットを「複数AI比較」とは扱わず、サービス横断の結論は公開研究の範囲に限定します。

パイロット実験の条件

項目記録
サービスChatGPT
モデルGPT-5.5 Thinking
実施日2026年8月2日
ウェブ参照翻訳出力の生成時は外部文脈を使わず、評価・事実確認時にウェブ調査
温度設定不能・確認不能
再試行各条件1回。最良出力の選別なし
人間評価記事執筆者による単独分析。独立した英語母語話者・地域話者評価なし
テスト文自作15件。個人情報、顧客情報、私信、専門相談を不使用
翻訳方向日本語→英語12件、英語→日本語3件

公式リリースノートでもGPT-5.5系列は継続的に更新されています。したがって、同じモデル名でも後日同一出力になるとは限りません。

使用プロンプト

条件Aの日本語から英語は、次の形式です。

次の文章を自然な英語に翻訳してください。説明は付けず、訳文だけを出してください。
［テスト文］

条件Bでは、話者、聞き手、関係、場面、翻訳目的を追加しました。

次の日本語を英語に翻訳してください。話者と聞き手の関係、場面、発話意図を反映してください。説明は付けず、訳文だけを出してください。
文脈：［個別文脈］
原文：［テスト文］

条件Cでは、保持対象、注釈、複数案を指定しました。

次の日本語を英語に翻訳してください。命題内容だけでなく、婉曲性、敬意関係、地域性、人物像、文化的前提、原文の曖昧さのうち該当するものを保存してください。一対一で表せない場合は、自然な訳文の後に短い注釈または代替案を示してください。原文にない性別や上下関係を追加しないでください。
原文：［テスト文］

英語から日本語では、翻訳方向だけを反転しました。

評価記号
保持、近似、変質、欠落、原文にない追加、判断不能を使用しました。単一の総合点や順位は付けていません。

実験結果の全体像

テスト文条件Aの主な処理条件B・Cでの変化六層評価の要点
お疲れさまです。今日もよろしくお願いします。“Thank you for your hard work…”場面指定で “Good morning. Looking forward to working with you today.”、保持指定で Otsukaresama desu と注釈命題は近似、儀礼機能はBで近似、文化的前提はCで可視化
この案は、ちょっと難しいですね。“This proposal is a little difficult.”拒否場面では “I’m afraid this proposal may be difficult to move forward with.”Aは命題保持だが拒否機能が欠落、B・Cで語用を近似
検討しておきます。“I’ll consider it.”Cで「実質的保留か、文字通りの検討か未確定」と注記曖昧さは訳文だけでも比較的保持
先生がお見えになる前に、私が資料をお届けします。“I will deliver the materials before the professor arrives.”Cで尊敬語と謙譲語の方向を注記命題保持、関係性は本文で欠落、注釈で近似
部長が社長に申し上げました。“The department manager told the president.”Cで “respectfully reported” と関係注記謙譲関係はAで欠落、Cでも部分的近似
いただきます。“Let’s eat.”Cで “Itadakimasu.” と慣習注記Aは場面機能を近似するが文化的前提を変質
先輩に「また今度お願いします」と言われた。“My senior told me, ‘Please ask me again next time.’”拒否場面指定で “Maybe another time.”Aは字面に引かれ、語用的機能を変質
僕は行くよ。君はどうする？“I’m going. What about you?”Cで一人称・二人称・終助詞の人物像を注記命題保持、人物像は英語本文でほぼ欠落
あたし、そんなの知らないわよ。“I don’t know anything about that.”Cで役割語としての可能性を注記命題保持、人物像欠落。性別の断定は回避
それ、あかんのちゃう？知らんけど。“Isn’t that a bad idea? I don’t know, though.”Bで “though don’t quote me on that”、Cで shiran kedo と注記地域性はA・Bで欠落、緩衝機能はBで近似
もったいないから、まだ捨てないで。“Don’t throw it away yet because it’s wasteful.”Cで mottainai と「まだ使える物を無駄にする惜しさ」を説明Aは命題近似、Cは文化的前提を補足
山田さんが来るまで待ってください。“Please wait until Mr. Yamada arrives.”B・Cで “until Yamada arrives”Aは男性を追加、B・Cは曖昧さを保持
Alex said they would call tomorrow.「アレックスは明日電話すると言いました」Cで主語省略または「自分」を提案日本語の省略により性別を追加せず保持できた反例
Could you possibly take a look at this when you have a moment?「お時間のあるときに、これを見ていただけますか」上下関係指定で「お手すきの際に、こちらをご確認いただけますでしょうか」文脈が敬語強度を変える。過剰敬語の危険もある
We should have lunch sometime.「今度ランチでもしましょう」非拘束的な社交辞令の文脈で「できるといいですね」原文自体の曖昧さを、文脈が一方向へ解釈する可能性

この結果から、条件Bは、拒否、保留、上下関係などの語用的機能を改善する傾向を示しました。条件Cは、方言や文化語を英語本文へ完全に埋め込むというより、「訳文＋注釈」「複数案」によって翻訳上の損失と選択肢を明示しました。

したがって、プロンプトを詳しくすれば文化が保存されるという単純な結論にはなりません。詳しい指示は、隠れていた判断点を表面化させますが、訳文だけで自然さ、簡潔さ、地域性、関係性のすべてを同時に満たすとは限りません。

実験の限界

このパイロットは一モデル、一回出力、単独評価です。対象方言の母語的地域話者、英語母語話者、翻訳実務者による独立評価もありません。したがって、GPT-5.5 Thinking全体の性能、日本語全体の特性、他サービスとの優劣を示す実験ではありません。

また、おそらく完全な盲検評価ではありません。再現研究では、モデルごとの新規セッション、出力順の無作為化、モデル名を隠した複数評価者、地域話者を含む評価体制が必要です。

方言・敬語・婉曲表現・男女語はどう変わったか

固有文化表現では、直訳、機能的置換、音写と注釈の間にトレードオフが現れました。「いただきます」を “Let’s eat” とすれば、食事開始の機能は伝わりますが、話者が食材や作り手などへの感謝を含み得る慣習的表現であることは伝わりにくくなります。一方、Itadakimasu とだけ残せば文化語は保存されても、英語読者にとっての理解可能性が下がります。

「お疲れさまです」も、場面によって挨拶、労い、連絡の開始・終了、同僚性の確認などの機能が変わります。一つの固定訳を決めるより、場面に応じて “Good morning,” “Thanks for your work,” “Thanks, everyone,” などを選び、必要な媒体では注釈を付ける方が適切です。

婉曲表現では、文脈なしの翻訳が命題に忠実でも、発話行為を落とす例が目立ちました。「この案は、ちょっと難しいですね」を “This proposal is a little difficult.” とした場合、難易度の説明としては正しくても、実際には「採用できない」「条件を変えてほしい」という働きが弱まります。

逆に、拒否であると決め打ちして “We can’t accept this proposal.” とすれば、原文の含みを消し、交渉余地を狭める可能性があります。良い翻訳は、含意を必ず明示化することではなく、目的に応じて、婉曲性を保つ、明示化する、注釈を付ける、複数案を示す、のどれを選ぶかを判断する必要があります。

敬語では、「先生がお見えになる」と「私がお届けする」が示す尊敬と謙譲の方向が、英訳本文ではほぼ消えました。英語で “the professor arrives” と “I’ll deliver” を選んでも、命題は伝わりますが、日本語が示す人物間の位置付けは明示されません。

だからといって、毎回 “respectfully” や “humbly” を入れればよいわけでもありません。英語では不自然または過剰に演出的になることがあります。敬意関係を本文内で近似するのか、語調で示すのか、注釈へ移すのかは、翻訳目的に依存します。

一人称・終助詞では、命題内容が保たれても人物像が失われました。「僕は行くよ」と「あたし、そんなの知らないわよ」は、英語ではどちらも無標な “I” になりやすく、文末表現も消えます。ただし、英訳で男性的・女性的な語彙を意図的に加えると、原文以上に性別を固定する危険があります。

「男女語」という呼称も、現実の性別と直結させるのではなく、時代、地域、場面、創作上の役割語、個人差を含む表現資源として扱う必要があります。翻訳者やAIは、人物造形として再現するのか、現代の自然な会話へ寄せるのか、原文の不確定性を優先するのかを選ばなければなりません。

方言・地域語では、「それ、あかんのちゃう？知らんけど。」が標準的な “Isn’t that a bad idea? I don’t know, though.” へ変わり、基本内容と断定を和らげる働きはある程度残りましたが、地域的・会話的な響きは消えました。「あかん」「ちゃう」などは関西方言として認識度が高い形式である一方、理解度は表現ごとに異なるという調査があります。

「知らんけど」は、強く言い切った前言を和らげる緩衝機能を持ち得ると分析されています。したがって、単純に “I don’t know” と訳すだけでは、情報不足の告白として読み替えられ、責任距離や冗談めいた緩和が弱まる場合があります。

ただし、特定表現を固定的な地域ラベルとして扱うことにも注意が必要です。地域表現は人、世代、場面によって使用が異なり、メディアや人口移動によって地域外へ広がることもあります。方言を別の英語方言へ置換する方法は人物像を出しやすい反面、原文にない階級、民族、人種、地域イメージを追加しかねません。

低資源方言を対象にした2025年のシレット語研究では、複数LLMが方言固有語彙に苦戦した一方、言語規則、辞書、地域的真正性の確認を組み込んだ文脈付きプロンプトで改善が報告されました。ただし、この結果はベンガル語・シレット語の実験であり、日本語方言へ同じ改善幅を一般化できません。示唆は、「方言名だけを指定する」より、語彙資料、使用場面、話者情報、評価者を組み合わせる必要があることです。

曖昧さでは、悪化だけでなく保持できた例もありました。“Alex said they would call tomorrow.” は、日本語で「アレックスは明日電話すると言いました」とすれば、代名詞を省略して性別を確定せずに済みます。これは、翻訳先言語の構造が曖昧さ保持に有利に働いた反例です。

一方、「山田さん」を “Mr. Yamada” とする出力は、敬称「さん」を男性敬称へ変えました。自然な英訳の慣習に従った処理でも、原文にない性別を追加しています。人物の性別が重要でない場合は、単に “Yamada” とする、役職が分かれば役職を使う、文を組み替えるなどの方法があります。

なぜAI翻訳は標準的で自然な言葉へ寄りやすいのか

第一の要因は、言語資源の偏りです。標準的な書き言葉や高資源言語には、方言・地域変種より大量のデータや評価資料が利用可能である場合が多く、低資源方言の研究でもデータ不均衡が性能上の障害として指摘されています。ただし、非公開モデルの実際の学習データ構成を外部から断定することはできません。

日本語については、国立国語研究所が日本語諸方言コーパス、現代日本語書き言葉均衡コーパス、日本語日常会話コーパスなどを整備しています。COJADSは全国の方言音声を扱い、BCCWJは書籍、新聞、白書、ブログ、法律など幅広い書き言葉を収録し、CEJCは日常会話を検索・研究できる資料です。こうした資源は評価や研究に有用ですが、公開コーパスの存在だけで商用モデルに十分取り込まれているとは言えません。

第二の要因は、文脈不足です。短い文だけでは、「ちょっと難しい」が拒否なのか難易度説明なのか、「また今度」が本気の次回提案なのか社交的な保留なのかを確定できません。翻訳専用サービスでも、DeepLは周辺文脈を渡すことで曖昧語、性・数・格の判断、短い見出しなどを改善できると説明しています。ただし、同社のcontextパラメータは文化適応や文体指示を行うLLM式プロンプトとは目的が異なると明記されています。

第三の要因は、翻訳先言語に一対一対応がないことです。英語で日本語の尊敬語・謙譲語体系を同じ形で再現することはできませんが、これは翻訳不能を意味しません。語調、動詞選択、呼称、注釈、文脈説明などへ意味を分散できます。

第四の要因は、評価指標です。BLEUは候補訳と参照訳の語句の重なりを中心に評価し、chrFは文字nグラムのF値を用います。COMETは原文・参照訳と人間評価を利用するニューラル指標で、人間判断との相関向上を目指しています。

これらの指標はそれぞれ有用ですが、通常の参照訳や評価データに「方言の帰属を残したか」「原文にない性別を追加したか」「拒否の婉曲性を保ったか」という注釈がなければ、それらを直接測定できません。これは指標が無価値という意味ではなく、測定対象と記事の問いが異なるということです。

バックトランスレーションにも同じ限界があります。英訳を再び日本語に戻して元文に近くなっても、中間段階で敬意関係や人物像が消え、逆翻訳時に一般的な表現として復元された可能性があります。原文へ戻ることは補助的な異常検出にはなりますが、文化的意味の保存証明にはなりません。

第五の要因は、利用者と評価者の選好です。流暢で標準的な文章は読みやすく、評価もしやすいため、地域性や不自然さを残した訳より高品質と判断されることがあります。文化的ニュアンスを対象にした2026年研究が、内容だけでなくスタイル、読者適合性、文化区間を分けて評価したのは、この問題を可視化するためです。

AI翻訳だけでよい場面と、人間が判断すべき場面

人間確認の必要性は、文章全体の長さではなく、誤りや文化的変質がもたらす影響と、文化的判断点の数で決めるべきです。

用途AI単独利用の許容度必要な確認者保存すべき要素記録・想定影響
私的な概要把握高い通常は本人主要事実、否定、数量外部公開しない。重要判断には原文確認
旅行・日常会話中〜高必要に応じ母語話者依頼意図、失礼の回避、場所・時間小さな不自然さから実務的誤解まで
SNS・創作・コンテンツ発信中編集者、対象言語話者、必要なら人物・地域監修人物像、ユーモア、方言、曖昧さ語り手の改変、ステレオタイプ付加
顧客対応・企業広報低〜中翻訳者、現地広報、法務・ブランド担当敬意、拒否、約束の強さ、ブランド語調顧客関係、評判、契約上の誤解
教育学習目的により異なる教員、学習者、対象言語話者修正理由、複数案、曖昧さ判断力の育成またはAI依存
行政・公共情報低担当部署、翻訳者、対象コミュニティ、必要に応じ専門職正確性、アクセス可能性、敬意、文化的前提権利・サービスへのアクセス阻害
医療・法律・契約・災害極めて低い資格・権限を持つ専門家、公式情報担当者全層。特に否定、条件、義務、緊急度健康、安全、権利、財産への重大影響
方言・少数言語・文化資料の保存極めて低い地域話者、言語研究者、アーカイブ担当者音声、語彙、語用、話者情報、異形資料価値の損失、誤った標準化

ISO 17100は翻訳サービスの工程・資源などを対象とし、未編集の機械翻訳出力とポストエディットは適用範囲外としています。一方、ISO 18587は機械翻訳出力の完全な人間ポストエディットと、ポストエディターの能力を対象とします。両規格は2026年8月時点で公表版が存在しますが、ISOのステータス表示では改訂予定となっているため、調達時には最新版の確認が必要です。

高重要度用途で「人間を入れる」と言うだけでは不十分です。医療内容は医療の専門家、契約条件は法務・契約担当者、地域表現は地域話者、対象言語の自然さは対象言語話者が確認するなど、確認者を判断内容に対応させる必要があります。

AI利用を広げながら人間の判断力を残す政策と教育

本記事では、翻訳過程で文化的な選択が必要になる地点を「文化的判断点」と呼びます。これは既存法令上の用語ではなく、本記事の運用概念です。

文化的判断点には、敬語の強さ、方言を残すか標準化するか、婉曲表現を直接化するか、文化固有語を音写・置換・説明のどれで処理するか、原文の曖昧さを残すか、性別・人物像を補うか、地域話者の確認を求めるか、などがあります。

組織は全文を毎回同じ強度で校正するのではなく、文化的判断点へ適切な人を配置できます。実務上は、翻訳目的と対象読者を先に定義し、モデル名、実施日、プロンプト、入力文、出力、修正履歴を記録し、更新後に独自テストセットを再実行することが基本になります。

日本のデジタル庁は2026年6月に、政府向け生成AI調達・利活用ガイドライン第2.0版を決定しました。同ガイドラインは、利用言語、文化、歴史的背景への配慮が不十分な出力を直接利用することで誤った発信を行うリスクや、判断根拠が追跡できず説明責任を果たせないリスクを挙げています。これは、翻訳品質を平均精度だけで調達しない根拠になります。

経済産業省などの「AI事業者ガイドライン」は2026年3月に第1.2版が公表され、AI開発者、提供者、利用者に関するガバナンスの基本的考え方を示しています。ただし、これは個別翻訳の正解を定める品質規格ではありません。組織は一般的なAIガバナンスを、翻訳独自のテスト、地域話者評価、用語集、異議申立て手続へ具体化する必要があります。

個人情報保護委員会は、生成AIサービス利用に関する注意喚起を公表しています。翻訳対象に個人情報、顧客情報、未公開文書、私信、機密情報が含まれる場合、サービスのデータ利用条件、入力情報の取扱い、利用目的との適合を確認しなければなりません。

国際的には、UNESCOのAI倫理勧告が、言語を含む多様性と包摂性、地域コミュニティの参加、文化的多様性、多言語性、人間の監督、異議申立て可能性を重視しています。AIの出力に最終責任を転嫁せず、人または法人へ責任を帰属させる考え方も示されています。

UNESCOのデジタル時代の多言語主義ロードマップも、言語コミュニティがAIやデジタル空間へ参加できることを重視しています。ただし、一つの翻訳失敗から方言消滅や言語消滅の因果関係を直ちに断定することはできません。政策上必要なのは、長期的影響を測れる参加型評価と、地域話者が訂正に関与できる制度です。

OECD AI原則は、人権と民主的価値を尊重する信頼できるAIを掲げ、2024年に更新されました。NISTのAI Risk Management Frameworkは、組織がAIリスクを設計、開発、利用、評価へ組み込むための自主的枠組みです。いずれも「翻訳にはこのモデルを使え」という規則ではなく、目的・影響に応じたリスク管理を組織へ求める枠組みとして参照できます。

EU AI Actはリスクベースの規制枠組みです。多くのAIシステムを最小リスクとし、チャットボットなどには一定の透明性義務を設けています。AI翻訳サービスだから一律に高リスクAIになるわけではなく、用途、提供形態、対象業務、法の適用条件を個別に見る必要があります。

公共調達では、平均翻訳精度だけでなく、地域変種を含む受入試験、原文にない性別・上下関係を追加しないか、文化固有語の処理方針、モデル更新時の再評価、ログの保存、訂正窓口を要件化できます。行政情報では、標準語化が読みやすさを高める場合もありますが、当事者の自己呼称や地域的名称を変える判断は、当事者または担当コミュニティの確認対象にすべきです。

企業では、誤訳インシデントを「単語・数値の誤り」だけで分類せず、「婉曲性の消失」「敬意関係の強化・弱化」「地域性の消去」「人物像・性別の追加」「文化的前提の説明不足」といった分類を加えると、再発防止策が具体化します。

教育では、AI翻訳を一律に禁止するより、条件A・B・Cの出力を比較させ、何が保存され、何が失われたかを説明させる方が、評価能力を育てやすくなります。AI訳を修正するだけでなく、なぜ修正したか、別の読者ならどの訳を選ぶか、原文の曖昧さを勝手に解消していないかを書かせます。

AIを使わずに訳す力と、AI訳を評価する力は別の能力です。前者だけを残しても現実の利用環境へ対応できず、後者だけを育てても対象言語を理解する基盤が弱くなります。地域話者や異文化の当事者が持つ知識も、教師・翻訳者・AIより自動的に下位に置くべきではありません。

文化を保存する翻訳とは、同じ言葉を残すことではない

本記事の中心的な問いへの答えは、条件付きです。命題内容が正しくても、関係性、帰属、ためらい、人物像が変わったなら、少なくとも「すべての意味を保存した」とは呼べません。ただし、翻訳目的が緊急の概要把握であれば、その変化を許容できる場合があります。

文化を保存することは、文化語を常に原語のまま残すことでも、方言を別言語の方言へ機械的に置き換えることでもありません。保存、変換、説明、曖昧さの維持という選択を、読者、媒体、目的、当事者の希望に合わせて行うことです。

パイロット実験は、中心仮説を概ね支持しました。通常翻訳では命題内容と自然さが優先され、敬語、地域性、役割語が平準化されやすく、文脈と保持指示で改善しました。一方、英語のジェンダー中立な代名詞を日本語の省略によって保てた例もあり、AIが必ず曖昧さを消すわけではありませんでした。

したがって、最終的な問題は「AIに翻訳能力があるか」ではありません。どの意味を保存するかという判断を、利用者や組織が無自覚に機械へ渡してよいか、という問題です。

翻訳しやすい言葉だけがデジタル空間で広く流通するようになったとき、私たちは何を「分かりやすさ」のために手放しているのでしょうか。

参考

Q.どの生成AIが最も翻訳に向いていますか。
一つのモデルを全用途で最良とする根拠はありません。2026年の文化的ニュアンス研究ではGPT-5、Claude Sonnet 4、Mistral Medium 3.1が記述平均で上位でしたが、上位モデル間の差は統計的に有意ではなく、対象は特定のモデル版、15言語、特定の商用メールと文化表現でした。現在の製品はすでに更新されているため、用途別テストが必要です。

長文の文脈、複数案、注釈、文体制御が必要なら汎用生成AIが扱いやすい場合があります。大量文書、用語集、既存ワークフロー、速度・コスト管理では翻訳専用サービスが適する場合があります。サービスの種類が違うため、同じプロンプトへの対応可否だけで優劣を決めるべきではありません。

Q.プロンプトで文化的ニュアンスは改善しますか。
改善することがあります。今回のパイロットでも、話者関係、場面、発話意図を与えると、婉曲な拒否や敬語関係の処理が改善しました。低資源方言の公開研究でも、規則や辞書を含む文脈付きプロンプトによる改善が報告されています。

ただし、改善は文化的意味が一文の訳文へ完全に移ることを意味しません。注釈、代替案、翻訳上の不確実性の説明によって補われる場合があります。

実務用の基本プロンプトは次のようにできます。

次の文章を［対象読者］向けの［用途］として翻訳してください。
話者は［人物・役割］、聞き手は［人物・役割］で、関係は［上下・親疎］です。
命題内容に加え、［敬語／婉曲性／地域性／人物像／文化的前提／曖昧さ］を保存してください。
一対一で表せない要素は、勝手に確定せず、短い注釈または二つの代替訳を示してください。
原文にない性別、上下関係、感情を追加しないでください。

Q.方言はそのまま残すべきですか。
常に残すべきでも、常に標準化すべきでもありません。人物描写、文化資料、地域広報では地域性の保持が重要になりやすく、緊急情報や初学者向け案内では理解可能性を優先して標準的表現や説明を加えることがあります。

最も危険なのは、方言を別言語の有名な方言へ安易に置き換え、原文にない階級、人種、粗野さ、ユーモアを付加することです。地域話者に確認できない場合は、標準訳と注釈を併記する方法が比較的安全です。

Q.対象言語が分からない人は、AI訳をどう確認すればよいですか。
まず、固有名詞、数字、否定、条件、期限を原文と対応させます。次に、AIへ「訳しにくかった箇所」「原文で曖昧な箇所」「追加した性別・上下関係」「別の訳が可能な箇所」を表形式で説明させます。

ただし、同じAIの自己説明は独立した検証ではありません。重要文書では、対象言語話者、翻訳者、専門家、公式情報による確認が必要です。バックトランスレーションだけで品質を証明することもできません。

Q.人間の翻訳者は不要になりますか。
翻訳者の仕事の一部は変わりますが、文化的判断が不要になるとは考えにくいです。原文の目的を解釈し、複数の損失の中から何を優先するか決め、当事者と調整し、変更理由へ責任を持つ仕事は、単なる誤字修正とは異なります。

一方、人間翻訳者も文化的意味を必ず完全に保存できるわけではありません。翻訳者の専門分野、地域知識、対象読者理解、レビュー工程を含めて品質を設計する必要があります。

Q.行政や学校でAI翻訳を使ってよいですか。
用途と管理条件によります。行政の下書き、内部概要、定型情報の補助では有用ですが、住民の権利、給付、災害対応、医療、法的義務に関係する情報は、AI出力をそのまま公開せず、権限と専門性を持つ人の確認が必要です。デジタル庁のガイドラインも、言語・文化・歴史的背景への考慮不足や説明責任の問題をリスクとして挙げています。

学校では、禁止か自由利用かの二択より、AI訳の比較、修正理由、曖昧さの確認、出典・利用記録を学習課題に組み込む方が、判断力の維持につながります。

Q.男女語や一人称の翻訳では何に注意すべきですか。
「僕」「俺」「あたし」「わたくし」、終助詞などを、話者の性別や性自認の確定材料にしないことです。人物像、年代、場面、地域、創作上の役割語としての働きを分けて考えます。

英語へ訳すと人物像が薄れる場合がありますが、男性的・女性的表現を新たに足すと過剰な人物像を作ることがあります。必要なら本文は無標にし、脚注や人物設定表で原文の特徴を伝えます。

Q.無料版と有料版で結果は変わりますか。
変わる可能性がありますが、サービス名だけでは判断できません。利用できるモデル、文脈長、回数制限、カスタム指示、用語集、データ取扱い、管理機能が契約区分や時期によって異なるためです。

同じ製品名でもモデル更新があり、DeepLのように内部の翻訳モデルを動的に選ぶサービスもあります。組織比較では、料金区分ではなく、実際に使用したモデル・エンジン、日付、設定、文脈、プロンプトを記録してください。

参考

Van Doren, Ashley、Holland, Eric、ほか（2026）「“Be My Cheese?” Cultural Nuance Benchmarking for Machine Translation in Multilingual LLMs」GEM Workshop, Association for Computational Linguistics、https://aclanthology.org/2026.gem-main.6/ 、閲覧日：2026年08月02日。

Prama, Md Faysal Hossain、ほか（2025）「Towards Context-Aware Translation of Low-Resource Dialects: A Case Study on Sylheti」BanglaLP Workshop, Association for Computational Linguistics、https://aclanthology.org/2025.banglalp-1.24/ 、閲覧日：2026年08月02日。

Paci, Giorgia、ほか（2025）「They Want to Pretend Not to Understand: Analyzing Implicit Content in LLMs」Findings of ACL、https://aclanthology.org/2025.findings-acl.804/ 、閲覧日：2026年08月02日。

Feely, Weston、Hasler, Eva、de Gispert, Adrià（2019）「Controlling Japanese Honorifics in English-to-Japanese Neural Machine Translation」Proceedings of the 6th Workshop on Asian Translation、https://aclanthology.org/D19-5203/ 、DOI：https://doi.org/10.18653/v1/D19-5203 、閲覧日：2026年08月02日。

Honda, Ukyo、ほか（2023）「Context-aware Neural Machine Translation for English-Japanese Business Scene Dialogues」Machine Translation Summit、https://aclanthology.org/2023.mtsummit-research.23/ 、閲覧日：2026年08月02日。

Savoldi, Beatrice、ほか（2022）「A Taxonomy of Bias-Causing Ambiguities in Machine Translation」GeBNLP Workshop、https://aclanthology.org/2022.gebnlp-1.18/ 、閲覧日：2026年08月02日。

Papineni, Kishore、Roukos, Salim、Ward, Todd、Zhu, Wei-Jing（2002）「BLEU: a Method for Automatic Evaluation of Machine Translation」ACL、https://aclanthology.org/P02-1040/ 、閲覧日：2026年08月02日。

Popović, Maja（2015）「chrF: character n-gram F-score for automatic MT evaluation」WMT、https://aclanthology.org/W15-3049/ 、DOI：https://doi.org/10.18653/v1/W15-3049 、閲覧日：2026年08月02日。

Rei, Ricardo、Stewart, Craig、Farinha, Ana C.、Lavie, Alon（2020）「COMET: A Neural Framework for MT Evaluation」EMNLP、https://aclanthology.org/2020.emnlp-main.213/ 、閲覧日：2026年08月02日。

文化審議会（2007）「敬語の指針」文化庁、https://www.bunka.go.jp/seisaku/bunkashingikai/kokugo/hokoku/pdf/keigo_tosin.pdf 、閲覧日：2026年08月02日。

国立国語研究所（公開中）「日本語諸方言コーパス（COJADS）」、https://www2.ninjal.ac.jp/cojads/index.html 、閲覧日：2026年08月02日。

国立国語研究所（2022）「日本語日常会話コーパス」、https://www2.ninjal.ac.jp/conversation/cejc.html 、閲覧日：2026年08月02日。

国立国語研究所（公開中）「現代日本語書き言葉均衡コーパス（BCCWJ）」、https://clrd.ninjal.ac.jp/bccwj/ 、閲覧日：2026年08月02日。

尾崎喜光（初出2003、ウェブ公開中）「女の人が自分のことを『オレ』という地域があるのでしょうか」国立国語研究所ことば研究館、https://kotoba.ninjal.ac.jp/qa/yokuaru/qa-144/ 、閲覧日：2026年08月02日。

楊虹（2022）「中国人留学生の関西方言に対する認識と理解」大阪大学機関リポジトリ、https://ir.library.osaka-u.ac.jp/repo/ouka/all/92437/sln19_134.pdf 、閲覧日：2026年08月02日。

金水敏ほか（公開論文）「ケド節の緩衝機能に関する分析」大阪大学機関リポジトリ、https://ir.library.osaka-u.ac.jp/repo/ouka/all/70097/hnk30_017.pdf 、閲覧日：2026年08月02日。

OpenAI（随時更新）「ChatGPT — Release Notes」OpenAI Help Center、https://help.openai.com/en/articles/6825453-chatgpt-release-notes 、閲覧日：2026年08月02日。

Google（随時更新）「Models」Gemini API Documentation、https://ai.google.dev/gemini-api/docs/models 、閲覧日：2026年08月02日。

Anthropic（随時更新）「Models overview」Claude Platform Docs、https://platform.claude.com/docs/en/about-claude/models/overview 、閲覧日：2026年08月02日。

DeepL（随時更新）「Understanding Model Types」DeepL Documentation、https://developers.deepl.com/docs/translate/understanding-model-types 、閲覧日：2026年08月02日。

DeepL（随時更新）「How to Use the Context Parameter Effectively」DeepL Documentation、https://developers.deepl.com/docs/learning-how-tos/examples-and-guides/how-to-use-context-parameter 、閲覧日：2026年08月02日。

デジタル庁（2026年6月12日）「行政の進化と革新のための生成AIの調達・利活用に係るガイドライン（第2.0版）」、https://www.digital.go.jp/assets/contents/node/information/field_ref_resources/decb64eb-f26e-41cb-8d37-f3dd173108b8/59054b35/20260612_resources_standard_guidelines_guideline_01.pdf 、閲覧日：2026年08月02日。

経済産業省、IPA・AISI（2026年3月31日）「AI事業者ガイドライン（第1.2版）」、https://www.meti.go.jp/shingikai/mono_info_service/ai_shakai_jisso/pdf/20260331_1.pdf 、閲覧日：2026年08月02日。

個人情報保護委員会（2023年6月2日）「生成AIサービスの利用に関する注意喚起等について」、https://www.ppc.go.jp/news/careful_information/230602_AI_utilize_alert/ 、閲覧日：2026年08月02日。

International Organization for Standardization（2015）「ISO 17100:2015 Translation services — Requirements for translation services」ISO、https://www.iso.org/standard/59149.html 、閲覧日：2026年08月02日。

International Organization for Standardization（2017）「ISO 18587:2017 Translation services — Post-editing of machine translation output — Requirements」ISO、https://www.iso.org/standard/62970.html 、閲覧日：2026年08月02日。

UNESCO（2021）「Recommendation on the Ethics of Artificial Intelligence」UNESCO、https://www.unesco.org/en/legal-affairs/recommendation-ethics-artificial-intelligence 、閲覧日：2026年08月02日。

UNESCO（2025）「UNESCO Launches Global Roadmap on Multilingualism in the Digital Era」UNESCO、https://www.unesco.org/en/articles/unesco-launches-global-roadmap-multilingualism-digital-era 、閲覧日：2026年08月02日。

OECD（2019、2024年更新）「OECD AI Principles Overview」OECD.AI、https://oecd.ai/en/ai-principles 、閲覧日：2026年08月02日。

National Institute of Standards and Technology（2023、随時更新）「AI Risk Management Framework」NIST、https://www.nist.gov/itl/ai-risk-management-framework 、閲覧日：2026年08月02日。

European Commission（2024年8月1日）「AI Act enters into force」European Commission、https://commission.europa.eu/news-and-media/news/ai-act-enters-force-2024-08-01_en 、閲覧日：2026年08月02日。

コメント

タイトルとURLをコピーしました