機器翻譯

機器翻譯系統是一種應用程式或線上服務，使用機器學習技術將大量文字翻譯成任何一種其支援的語言。該服務可將「源」文字從一種語言翻譯成不同的「目標」語言。

雖然機器翻譯技術背後的概念和使用介面相對簡單，但其背後的科學和技術卻極為複雜，並結合了多項尖端技術，尤其是深度學習（人工智慧）、大數據、語言學、雲端運算和 Web API。

自 2010 年代初，一種新的人工智慧技術 - 深度神經網路 (又稱深度學習) - 讓語音辨識技術達到一定的品質水準，讓 Microsoft Translator 團隊得以將語音辨識與核心文字翻譯技術結合，推出全新的語音翻譯技術。

歷史上，業界使用的主要機器學習技術是統計機器翻譯 (SMT)。SMT 使用先進的統計分析，根據幾個字詞的上下文，估計出一個字詞可能的最佳翻譯。自 2000 年代中期以來，包括 Microsoft 在內的所有主要翻譯服務供應商都開始使用 SMT。

神經機器翻譯 (NMT) 的出現引起了翻譯技術的徹底轉變，帶來了更高質量的翻譯。這種翻譯技術在 2000 年開始為使用者和開發人員部署。 2016 年下半年.

SMT 和 NMT 翻譯技術都有兩個共同點：

1. 兩者都需要大量的前期人工翻譯內容（高達數百萬個翻譯句子）來訓練系統。
2. 兩者都不像雙語字典一樣，根據可能的翻譯清單翻譯詞彙，而是根據句子中使用的詞彙的上下文進行翻譯。

翻譯和語音服務，隸屬於 認知服務 是微軟提供的機器翻譯服務。

自 2007 年起，Microsoft 團體便開始使用 Translator，並自 2011 年起提供 API 給客戶使用。Microsoft 內部廣泛使用 Translator。它被納入產品本地化、支援和線上溝通團隊。您也可以從熟悉的 Microsoft 產品（例如 賓, 科塔娜, Microsoft Edge, 辦公室, SharePoint, Skype以及 Yammer.

Translator 可在任何硬體平台上的網頁或用戶端應用程式中使用，並搭配任何作業系統，以執行語言翻譯及其他語言相關作業，例如語言偵測、文字轉語音或字典。

開發人員利用業界標準的 REST 技術，將原始文字 (或語音翻譯的音訊) 傳送至服務，並附上指示目標語言的參數，然後服務傳回翻譯好的文字，供用戶端或網頁應用程式使用。

Translator 服務是在 Microsoft 資料中心託管的 Azure 服務，可受惠於其他 Microsoft 雲端服務也有的安全性、可擴充性、可靠性和不間斷可用性。

Translator 語音翻譯技術於 2014 年底從 Skype Translator 開始推出，並於 2016 年初起以開放式 API 供客戶使用。它已整合至 Microsoft Translator 即時功能、Skype、Skype 會議廣播，以及 Android 和 iOS 版 Microsoft Translator 應用程式。

語音翻譯現在可透過 Microsoft Speech 提供，這是一套端對端的完全客製化服務，用於語音識別、語音翻譯和語音合成 (文字轉語音)。

用於文字翻譯的技術主要有兩種：傳統的統計機器翻譯 (SMT)，以及新一代的神經機器翻譯 (NMT)。

Translator 的統計機器翻譯 (SMT) 實作是建基於微軟十多年來的自然語言研究。現代翻譯系統並非以手工撰寫規則來進行語言間的翻譯，而是從現有的人為翻譯中學習語言間的文字轉換，並利用應用統計學和機器學習的最新進展來處理翻譯問題。

所謂的「平行語料庫」就像現代的羅塞塔石碑（Rosetta Stone），提供許多語言對和領域的上下文中的字、詞和成語翻譯。統計建模技術和高效演算法可協助電腦解決破譯（偵測訓練資料中源語言和目標語言之間的對應關係）和解碼（尋找新輸入句子的最佳翻譯）的問題。Translator 將統計方法的力量與語言學資訊結合，以產生概括性更佳的模型，並帶來更易理解的翻譯。

由於這種方法不依賴字典或語法規則，因此它能提供最佳的詞組翻譯，在這種情況下，它可以使用給定單字周圍的上下文，而不是嘗試執行單字翻譯。對於單字翻譯，我們開發了雙語字典，並可透過以下方式存取 www.bing.com/translator.

翻譯的持續改進非常重要。然而，自 2010 年代中期以來，SMT 技術的效能改善已經停滯不前。透過利用 Microsoft 的 AI 超級電腦（特別是 Microsoft Cognitive Toolkit）的規模和功能，Translator 現在提供神經網路 (LSTM)為基礎的翻譯，使翻譯品質改善進入新的十年。

這些神經網路模型可透過 Azure 上的 Speech 服務以及使用「generalnn」類別 ID 的文字 API 來使用於所有語音語言。

與傳統 SMT 相比，神經網路翻譯在執行方式上有根本性的不同。

以下動畫描述了神經網路翻譯在翻譯一個句子時所經過的各種步驟。由於採用這種方法，翻譯時會考慮到整個句子的上下文，而不是 SMT 技術所使用的只有幾個字的滑動視窗，因此會產生看起來更流暢、更人性化的翻譯。

在神經網路訓練的基礎上，每個單字都會被編碼為 500 維向量 (a)，代表其在特定語言對 (例如英文和中文) 中的獨特特性。根據用於訓練的語言對，神經網路會自行定義這些維度應該是什麼。它們可以編碼簡單的概念，例如性別 (女性、男性、中性)、禮貌等級 (俚語、隨意、書面、正式等)、單詞類型 (動詞、名詞等)，也可以編碼從訓練資料中得出的任何其他非明顯特性。

神經網路翻譯的步驟如下：

在動畫中描繪的範例中，情境感知 1000 維模型的"的" 會編碼名詞 (房子) 在法語中是一個陰性詞 (la maison).這將允許適當的翻譯為 "的「成為」啦「，而不是」勒「（單數，男性）或」女同"（複數）一旦到達解碼（翻譯）層。

注意力演算法也會根據先前翻譯的字詞（在本例中為 "的「），下一個要翻譯的字應該是主語（」房子「），而不是形容詞（」藍色").In 可以做到這一點，是因為系統了解到英文和法文在句子中會顛倒這些字詞的順序。它也會計算出如果形容詞是"大「而不是顏色，這樣它就不會反轉它們（」大屋" => "LA GRANDE MAISON").

得益於這種方法，在大多數情況下，最終輸出比基於 SMT 的翻譯更流暢、更接近人類翻譯。

Translator 也能翻譯語音。此技術在 Translator live 功能 (http://translate.it)、翻譯器應用程式、Skype 翻譯器，而且最初僅透過 Skype 翻譯器功能以及 iOS 和 Android 上的 Microsoft 翻譯器應用程式提供，現在開發人員可透過 Azure 入口網站提供的最新版開放式 REST 型 API 使用此功能。

儘管乍看之下，從現有的技術磚塊建立語音翻譯技術似乎是一個簡單直接的過程，但它所需要的工作遠比簡單地將現有的「傳統」人機語音辨識引擎插入現有的文字翻譯引擎要多得多。

為了將「源」語言從一種語言正確地翻譯成不同的「目標」語言，系統會經過四個步驟。

1. 語音辨識，將語音轉換為文字
2. TrueText：一項 Microsoft 技術，可將文字規範化，使其更適合翻譯
3. 透過上述文字翻譯引擎進行翻譯，但採用專為真實生活口語會話開發的翻譯模型
4. 文字轉語音（Text-to-speech），必要時可製作翻譯音訊。

自動語音辨識 (ASR)
自動語音辨識 (ASR) 是使用一個神經網路 (NN) 系統來執行，該系統是在分析數千小時的輸入音訊語音後訓練而成。此模型是根據人與人之間的互動而非人對機的指令訓練而成，可針對一般對話進行最佳化的語音辨識。為了達到這個目標，需要比傳統人機互動 ASR 更多的資料以及更大的 DNN。

進一步了解 Microsoft 的語音轉文字服務.

TrueText
人與人之間的對話，並不像我們經常認為的那樣完美、清晰或整潔。有了 TrueText 技術，字面上的文字會被轉換為更貼近使用者的意圖，去除語音不流暢 (填充字)，例如 "um"、"ah"、"and"、"like"、口吃和重複。此外，我們也加入了分句、正確的標點符號和大小寫，使文字更具可讀性和可翻譯性。為了達到這些效果，我們運用了從 Translator 開發出來的數十載語言技術來創造 TrueText。下圖透過一個真實的範例，描述 TrueText 為了將文字規範化而進行的各種轉換。

翻譯
然後將文字翻譯成任何 語言和方言 由翻譯支援。

使用語音翻譯 API（作為開發者）或在語音翻譯應用程式或服務中進行翻譯時，所有語音輸入支援的語言都可使用最新的神經網路翻譯（請參閱 這裡 的完整清單）。這些模型也是透過擴充目前大多數以書面文字訓練的翻譯模型，再加上更多的口語文字語料來建立的，目的是為口語對話類型的翻譯建立更好的模型。這些模型也可透過 「演講 」標準類別 的傳統文字翻譯 API。

對於任何神經翻譯不支援的語言，則執行傳統的 SMT 翻譯。

文字轉語音
如果目標語言是 18 種支援的文字轉語音之一 語言如果使用個案需要音訊輸出，則會使用語音合成將文字轉換為語音輸出。在語音到文字的翻譯情境中，這個階段會被省略。

進一步了解 Microsoft 的文字轉語音服務.

檢視 Microsoft Translator 團隊的最新研究論文。

• 極低資源語言的通用神經機器翻譯
• 實現自動中英新聞翻譯的人機平等
• 應用於英阿語的性別意識口語翻譯
• 用於口語方言神經機器翻譯的合成資料

檢視所有出版品