Из кратких фраз наиболее известны следующие переводы :

Our cat gave birth to three kittens -- two whites and one black, которую онлайн-переводчик «ПРОМТ» (версия 7.0, 2007) переводил как Наш кот родил трёх котят -- двух белых и одного афроамериканца.

Фраза из Священного Писания: The flesh is weak but the spirit is sound («Крепок дух, хоть немощна плоть» (Матф. 26:41)) при переводе с английского на русский стала выглядеть следующим образом: водка хорошая, но мясо протухло.

Iron Man - Человек-Утюг вместо Железный Человек.

Reboot - переботинок вместо перезагрузка.

Ляпы недобросовестных переводчиков, использующих машинный перевод в тех случаях, когда оригинальный текст неприемлем для машинного перевода, либо без постредактирования, иногда и сегодня попадают в новости.

Так несколько лет назад разразился скандал по поводу странностей перевода английской версии официального сайта РАН .

Институт белка РАН был переведен как Squirrel Institute (Институт белки) вместо Institute of Protein Research.

Институт акустики машин при Самарском Государственном Аэрокосмическом Университете им. С.П. Королёва - Acoustics institute of machines in case of Samara state aerospace university of them. S.P. queen (Акустический институт машин в случае их Самарского государственного университета. С.П. королевы) вместо Institute of machine acoustics at S.P. Korolev Samara State Aerospace University.

Ботанический сад-институт - Botanic sad-institute (Ботанический печальный институт) вместо botanic garden institute.

Президент РАН Юрий Осипов - president of wounds (президент ранений) вместо President of RAS.

Еще один скандал, связанный с машинным переводом, произошел недавно, во время подготовки к саммиту G20 в 2013 году. Перед приездом высоких гостей администрация города решила развесить таблички с дублирующими русский оригинал английскими названиями улиц, площадей и т.п. Перевод многих топографических названий изобиловал ошибками. Клиника им. Пирогова переведена на английский как Clinic them. Pirogov, а Дом молодежи -- как Dom Youth.

Сравнение некоторых бесплатных онлайн программ машинного перевода

Сегодня возможности систем машинного перевода (МП) позволяют практически мгновенно переводить большие объемы информации с любого языка. Современные программы-переводчики имеют большой набор разнообразных настроек и справляются с переводом специализированных текстов. Программные продукты разных производителей кардинально отличаются друг от друга качеством перевода и функциональными возможностями.

Мы будем сравнивать качество перевода некоторых популярных бесплатных онлайн сервисов, предоставляющие услугу машинного перевода.

1. http://translate.google.ru/

В 2001 году у Google появился сервис, который позволял делать перевод с восьми языков на английский и обратно. Его основной была ультрасовременная на тот момент платная система машинного перевода, однако качество было не на высоте, и в течение еще нескольких лет эта система улучшалась лишь незначительно. В 2006 года Google объявил о выходе программы статистического машинного перевода. Последние семь лет компания улучшала качество перевода и увеличила количество рабочих языков. На данный момент переводчик Google работает с 71 языком (из них с 18 в тестовом режиме), включая те, которые слабо представлены в сети - например, бенгальский, язык басков, суахили, идиш и даже эсперанто.

2. http://www.transtlate.ru

Translate.Ru - сервис онлайн-перевода компании PROMT, предоставляющий услуги автоматизированного перевода информации для основных европейских языков. В основе сервиса лежат лингвистические технологии компании PROMT.

Сервис Translate.Ru начал работать в 1998 году и на данный момент поддерживает 7 наиболее популярных европейских языков и умеет переводить с одного языка на другой в 28 языковых парах. Программные продукты PROMT охватывают 15 языков в 60 языковых парах.

3.http://www.trident.com.ua/ru/on-line

Украинская компания Trident Software была основана в 1998 году, и за это время было разработано несколько линеек продуктов -- Language Master, L-Master 98 и Pragma. Бесплатный он-лайн переводчик поддерживает 56 направлений перевода, среди таких языков как: английский, латышский, немецкий, русский, польский, украинский, французский, казахский язык, а также еще 51 язык.

4. http://www.bing.com/translator

Он-лайн переводчик поисковой системы Bing, разработанный международной корпорацией Microsoft.

5. www.freetranslation.com

Cервис британской компании SDL.

6.http://www.reverso.net

Переводчик текста и сайтов Reverso от французской компании Softissimo. Работаетс 6 языками: английский, итальянский, испанский, немецкий, русский, французский.

7.http://www.systranet.com/translate/

Одна из старейших компаний, работающих в области машинного перевода, SYSTRAN сначала создала программу машинного перевода Yahoo Babelfish для поисковой системы Yahoo, позже у нее появился свой онлайн-переводчик.

Перевод фрагмента текста с русского на английский язык

Текст оригинала:

Исследования, которые проходили в 60х годах в СССР и США, в основном были сосредоточены на языковой паре русский-английский. В основном предметом перевода были научные и технические документы, например статьи из научных журналов. Шероховатости перевода не мешали общему представлению о том, что говорится в статье. Если в статье обсуждались вопросы, связанные с интересами безопасности, тогда статья отправлялась переводчику для более детального перевода; если нет, выбрасывалась за ненадобностью.

http://translate.google.ru/

Studies that took place in the 60s in the USSR and the USA, mainly focused on the language pair Russian-English. Most have been the subject of transfer scientific and technical documents such as articles from scientific journals. Roughness of the transfer does not interfere with the general idea of ??what the article says. If the article discussed issues relating to security interests, then the article set off a translator for a more detailed translation, if not thrown away as useless.

www.transtlate.ru (PROMT)

Researches which passed in 60х years in the USSR and the USA, basically have been concentrated to a language pair Russian-English. Basically a transfer subject were scientific and technical documentation, for example articles from scientific magazines. Roughnesses of transfer didn't disturb to general idea that is told in article. If in article the questions connected with interests of safety then article went to the translator for more detailed transfer were discussed; if isn't present, it was thrown out as superfluous.

http://www.trident.com.ua/ru/on-line Trident Software (Pragma)

Researches that passed in 60х years in the USSR and USA were mainly concentrated on a language pair Russian-English. Mainly the article of translation were scientific and technical documents, for example articles from scientific magazines. The roughnesses of translation did not interfere with a general idea that talked in the article. If the questions related to interests of safety came into question in the article, then the article left to the translator for more detailed translation; if no, thrown out after the lack of need.

http://www.bing.com/translator (Microsoft)

The study, which took place in the 1960s, the SOVIET UNION and the United States, primarily focused on the language pair English-Russian. Mostly the subject of translation were scientific and technical documents, such as articles from scientific journals. Rough translation does not prevent the common perception that stated in the article. If the article discussed issues relating to security interests, then the article was the translator for more detailed translation; If not, she jump away.

www.freetranslation.com (SDL)

Researches which passed in 60х years to the USSR and the USA, basically have been concentrated to a language pair Russian-English. Basically a subject of translation were scientific and technical documentation, for example clauses from scientific magazines. Roughnesses of translation did not stir to the general representation that is spoken in clause. If in clause the questions connected with interests of safety then clause sent to the translator for more detailed translation were discussed; if is not present, it was thrown out as superfluous.

http://www.reverso.net (Softissimo, Reserso)

Research which passed in 60х years in USSR and USA, were concentrated mainly on language pair Russian-English. Mainly translation subject were scientific and technical documentations, for example article from scientific journals. Translation roughness did not hinder the common representation of what is said in article. If in article questions connected with safety interests were discussed, then article departed to the translator for more detailed translation ; if no, was dumped as superfluous.

http://www.systranet.com/translate (SYSTRAN)

The studies, which were passed to 60kh years to the USSR and USA, in essence were concentrated on the lingual pair Russian- English. In essence scientific and white papers, for example article from the scientific journals were the object of transfer. The roughnesses of transfer did not prevent general idea about that which tells in the article. If in the article the questions, connected with the security interests, were discussed, then article left to translator for the more detailed transfer; if no, it was ejected after the uselessness.

ГЛАВА 4. АВТОМАТИЗИРОВАННЫЙ ПЕРЕВОД

Автоматизированный перевод (АП, англ. Computer-Aided Translation, CAT) -- перевод текстов на компьютере с использованием компьютерных технологий. От машинного перевода (МП) он отличается тем, что весь процесс перевода осуществляется человеком, компьютер лишь помогает ему произвести готовый текст либо за меньшее время, либо с лучшим качеством.

История автоматизированного перевода

Идея АП появилась с момента появления компьютеров: переводчики всегда выступали против стандартной в те годы концепции машинного перевода, на которую было направлено большинство исследований в области компьютерной лингвистики, но поддерживали использование компьютеров для помощи переводчикам. В 1960-е годы Европейское объединение угля и стали (предшественник современного Евросоюза) стало создавать терминологические базы данных под общим названием Eurodicautom. В Советском Союзе для создания баз такого рода был создан ВИНИТИ.

В современной форме идея АП была развита в статье Мартина Кея 1980 года, который выдвинул следующий тезис: «by taking over what is mechanical and routine, it (computer) frees human beings for what is essentially human» (компьютер берёт на себя рутинные операции и освобождает человека для операций, требующих человеческого мышления).

Понятие автоматизированного перевода

Понятие автоматизированного перевода может пониматься в широком и узком смыслах. В широком смысле автоматизированный перевод охватывает большой спектр простых и сложных инструментов. Они могут включать:

· Программы для проверки правописания, которые могут быть встроены в текстовые редакторы или дополнительные программы;

· Программы для проверки грамматики, которые также встраиваются в текстовые редакторы или дополнительные программы;

· Словари на компакт-дисках, одноязычные или многоязычные;

· Терминологические базы данных, хранимые на компакт-дисках или подключаемые по Интернету, например The Open Terminology Forum или TERMIUM;

· Программы для управления терминологией, которые позволяют переводчикам управлять своей собственной терминологической базой в электронной форме. Это может быть и простая таблица, созданная в текстовом редакторе, и электронная таблица, и база данных, созданная в программе FileMaker. Для более трудоемких (и более дорогих) решений существует специальное программное обеспечение, например, LogiTerm, MultiTerm, Termex, TermStar и т. п.

· Программы для полнотекстового поиска (или индексаторы), которые позволяют пользователю обращаться с запросами к ранее переведенным текстам или разного рода справочным документам. В индустрии переводов известны такие индексаторы, как Naturel, ISYS Search Software и dtSearch;

· Программы конкорданса, которые позволяют находить примеры слов или выражений в употребляемом контексте в одноязычном, двуязычном или многоязычном корпусе, как например, битекст или память переводов, например Transit NXT;

· Битекст, одно из нововведений последнего времени, это результат слияния исходного текста и его перевода, который впоследствии может быть проанализирован при помощи программ для полнотекстового поиска или конкорданса;

· Программное обеспечение для управления проектами, которое позволяет лингвистам структурировать сложные переводческие проекты, передавать выполнение различных задач разным сотрудникам и наблюдать за процессом выполнения этих задач;

· Программы управления памятью переводов (TMM), состоящие из базы данных сегментов текста на исходном языке и их переводов на один или более целевых языков

· Программы машинного перевода с постредактированием.

В более узком смысле понятие автоматизированный перевод понимается как работа с системами автоматизации перевода (Computer-Assisted Translation tools, CAT tools), такими как программы SDL Trados, Deja vu, StarTransit, Wordfast, ставшими неотъемлемой частью современного процесса профессионального перевода. Данные системы представляют собой целый комплекс технологий и инструментов для перевода документации, локализации программного обеспечения, ведения терминологических глоссариев, проверки качества перевода, создания и распределения переводческих проектов, встраивания в разнообразные системы документооборота.

Системы автоматизации перевода объединяют в себе большинство вышеперечисленных программ, однако главное, на чем они базируются это программы памяти переводов.

Память переводов (ПП, англ. translation memory, TM, иногда также называемая «накопитель переводов») -- база данных, содержащая набор ранее переведенных сегментов текста.

Работая над крупным проектом по техническому переводу, переводчики часто сталкиваются с тем, что по мере перевода неоднократно встречаются повторяющиеся или почти повторяющиеся фрагменты текста. Типичным примером могут служить 1-2 предложения по технике безопасности, вставляемые составителями инструкций к различной технике в конце каждого параграфа или, например, короткая, из 1-2 слов фраза или команда в языковом интерфейсе, которую видит переводчик, выполняющий перевод сайта. Возникает естественное желание сэкономить силы и время, чтобы не набирать несколько раз один и тот же текст. С другой стороны, необходимо обеспечить точность и последовательность перевода, в том числе и на уровне отдельно взятого термина. Здесь на помощь приходят программы памяти переводов.

Работу с системами автоматизации перевода можно условно разбить на два этапа. На первом этапе пользователь работает на систему, а именно накапливает первоначальную базу переводов (преобразовывает ранее переведенные материалы в соответствующий формат) и создает глоссарий.

Каким образом можно создать первоначальную базу переводов?

1. Переводить первые документы самостоятельно в программе. Программа делит исходный текст на сегменты (как правило, это предложения или части предложений), и переводчик вписывает перевод каждого сегмента прямо под исходным текстом или -- если текст представлен в виде таблицы -- справа от него. Перевод сегмента сохраняется вместе с исходным текстом. Записываются также имя переводчика и дата перевода (что важно для работы в группе). К сегменту можно вернуться в любой момент, чтобы проверить или изменить перевод.

2. Создать базу данных на основе уже готовых параллельных текстов, т.е. загрузить в программу оригинал и перевод, а программа разобьет их на сегменты (англ. alignment).

На втором этапе программа начинает работать на переводчика. С увеличением базы переводов возрастает количество совпадений, уменьшается объем новых сегментов, следовательно, сокращается время, затрачиваемое на перевод, и увеличивается производительность.

База памяти переводов - это лингвистическая база данных, в которой переводы сохраняются в рамках определенной структуры по мере их создания человеком-переводчиком. Обычный состав базы ПП - исходные сегменты и эквивалентные им целевые сегменты (англ. translation units), (как правило, за сегмент принимается предложение реже -- часть сложносочинённого предложения, либо абзац). При обработке нового текста, поступившего на перевод, система сравнивает каждое его предложение с сохраненными в базе -- и извлекает соответствующие совпадения. В результате не требуется многократно переводить одно и то же предложение - напротив, при необходимости можно повторно использовать ранее переведенные фрагменты текста.

При этом применяется специально разработанная в технологии ПП система оценки процента совпадений сегмента в базе с сегментом в тексте (fuzzy match - нечеткое совпадение, exact match - точное совпадение perfect match - идеальное совпадение или совпадение контекста). Если единица перевода исходного текста в точности совпадает с единицей перевода, хранящейся в базе (точное совпадение, англ. exact match), она может быть автоматически подставлена в перевод. Новый сегмент может также слегка отличаться от хранящегося в базе (неточное совпадение, англ. fuzzy match). Такой сегмент может быть также подставлен в перевод, но переводчик будет должен внести необходимые изменения.

В основе поиска совпадений лежит относительный параметр "Минимально допустимая степень совпадения" (Minimum Match Value). Например, минимально допустимая степень совпадения, равная 70%, означает, что если отклонение переводимого предложения от сегмента, сохраненного в базе, находится в пределах 30%, этот сегмент будет предложен пользователю как неточное совпадение. Сегменты с более низким процентом совпадения предложены не будут.

Величина минимально допустимой степени совпадения задается пользователем. Как правило, оптимальное значение для стандартных текстов на европейских языках находится в диапазоне от 65% до 75%. Следует отметить, что для таблиц и азиатских языков минимально допустимое совпадение в два раза ниже. Оптимальным следует считать значение, позволяющее находить незначительные отклонения и в то же время не предлагающее соответствий в одно или два слова.

Системы автоматизации перевода на российском рынке

Также называются переводческими редакторами. В английском языке используется аббревиатура CAT.

· SDL TRADOS: http://www.trados.com

Trados GmbH была основана в 1984 году в Германии, в Штутгарте. В 1997 году 20 % акций компании были приобретены Microsoft. В 2002 году Trados объединилась с Uniscape Inc., и объединённая компания получила название Trados Inc. со штаб-квартирой в Александрии (США, штат Виргиния). В июне 2005 года компания Trados была приобретена британской SDL International, и в 2006 году был выпущен совместный продукт SDL Trados, включающий системы Trados и SDLX.

· DejaVu: http://www.atril.com

Dйjа Vu / Дежа Вю -- система автоматизированного перевода, разработанная испанской компанией Atril Language Engineering в 1993.

· OmegaT: http://www.omegat.org

OmegaT -- бесплатная система автоматизированного перевода, поддерживающая память переводов, написана на языке Java. Разработка OmegaT была начата Keith Godfrey в 2000. В версиях с 1.4.4 по 1.6.0 главным разработчиком был Максим Михальчук. В версиях до 1.7.1 релиз-менеджером был Henry Pijffers. В настоящее время им является Didier Briel.

· Wordfast: www.wordfast.com

Изначально Wordfast, теперь называемый Wordfast Classic, разработан Ивом Шамполионом (Yves Champollion) во Франции, в Париже, в 1999 как дешевая, простая альтернатива Trados. Современные версии Wordfast работают на различных платформах, но при этом используют совместимые форматы памяти переводов и часто имеют аналогичные интерфейсы. Программное обеспечение предназначено для переводчиков-фрилансеров, однако также подходит и для корпоративного окружения. Сегодня компания Wordfast LLC расположена в штате Делавэр (Delaware), США, хотя большая часть работ производится в Париже, Франция, а также в Чехии. Вплоть до конца 2002 года программа (теперь называемая Wordfast Classic) распространялось бесплатно. Благодаря хорошим отзывам, Wordfast стал вторым по распространенности среди переводчиков средством автоматизированного перевода. В январе 2009 года компания Wordfast выпустила в свет Wordfast Translation Studio, включившую Wordfast Classic и Wordfast Professional, отдельно работающее Java-приложение автоматизированного перевода. Оба инструмента могут быть приобретены как отдельно, так и вместе в составе студии.

В мае 2010 года компания Wordfast запустила бесплатный онлайн инструмент Wordfast Anywhere. Данный инструмент позволяет переводчикам работать над проектами практически из любого места и с любого устройства, имеющего выход в сеть.

· Across: http://www.across.net

Across производится немецкой компанией Across Systems GmbH

· ABBYY Aligner http://www.abbyy.ru/aligner/

Инструмент компании ABBYY Software House. Головной офис находится в Москве, другие компании группы -- в США, Австралии, Канаде, Германии, Великобритании, Японии, Украине, Кипре и Тайване.

· Star Transit http://www.star-transit.com

Система разработана швейцарской компанией STAR Group. Первая версия вышла в 1986 году.

Преимущества использования систем автоматизации перевода:

1. Ускорение процесса перевода.

2. Единообразие перевода терминологии в одинаковых фрагментах, что особенно важно при техническом переводе.

Недостатки использования систем автоматизации перевода:

1. Одна незамеченная ошибка может распространиться на весь проект. Кроме того, если переводчик регулярно подставляет в свой перевод точные соответствия, извлеченные из баз переводов, без контроля их использования в новом контексте, качество переведенного текста может ухудшиться.

2. Необходимо время для создание начальной базы переводов.

3. Подходит не ко всем видам текстов.

4. Высокая стоимость лицензионного ПО.

5. Необходимо обучение работе в программе.

6. Оригинал должен быть в электронном виде. С использованием translation memory можно работать над документами в ограниченном числе редактируемых форматов, включая, конечно же, документы Word, Excel, Power Point, Corel Draw и др. Если исходный документ нередактируемый (например, отсканирован с бумажного носителя), необходимо привести его к редактируемому виду: разметить текст на блоки (в программе вроде ABBYY FineReader, лучше вручную), провести оптическое распознавание, исправить опечатки и удалить избыточное форматирование.

Целесообразность использования систем автоматизации перевода

Применение систем автоматизации перевода эффективно при переводе технической, финансовой, юридической и другой документации, с высокой степенью повторяемости текстов. По опыту активных пользователей в среднем количество повторов в проекте может достигать 50%, что означает увеличение скорости перевода в полтора-два раза. Согласно результатам опроса пользователей экономия времени на перевод и форматирование с применением систем автоматизации составляет от 30 до 50%.

Использование данных систем также целесообразно при коллективной работе, когда необходимо обеспечить согласованный перевод в рамках одного проекта. Весь перевод автоматически сохраняется в единой базе данных, доступной всем участникам процесса перевода. В режиме реального времени пользователи видят результаты перевода друг друга. При этом переводчики могут находиться в одной локальной сети или подключаться удаленно. Это особенно важно для компаний, имеющих филиалы в разных городах и даже странах. Использование памяти переводов и CAT-программ -- по сути единственный способ обеспечить единообразие перевода при командной работе над крупными проектами, когда в работе одновременно задействовано большое число переводчиков и редакторов.

Таким образом, программы памяти перевода удобно использовать в больших переводческих агентствах, переводчикам, регулярно работающим с большими проектами (особенно совместно с другими переводчиками), переводчикам, часто работающим в рамках одной области, штатным переводчикам предприятий.

Работа в системе автоматизации перевода SDL Trados

Далее мы рассмотрим, как работает программа памяти переводов на примере самой популярной программы SDL Trados.

Предположим, у нас есть два схожих документа. Как говорилось ранее, процент расхождения текстов должен быть не более 30%.

Документ 1:

У меня есть котенок.

Мой котенок серого цвета с черными полосками.

Я очень люблю своего котенка.

Мой котенок целый день прыгает и играет.

Я даю котенку молоко в блюдечке каждый день утром и вечером.

Документ 2:

У меня есть котенок.

Мой котенок черного цвета с белыми полосками.

Я люблю своего котенка.

Мой котенок целый день спит.

Я даю котенку сухой корм в блюдечке каждый день утром и вечером.

Первый этап. Нам необходимо самостоятельно перевести первый документ в программе, чтобы создать базу памяти переводов, которая и поможет нам перевести второй, похожий, документ.

Мы работаем во вкладке Editor (вкладка в правом нижнем углу). Открываем документ с помощью кнопки Open document (верхний правый угол) либо через вкладку File. При открытии документа появляется следующее окошко.

Выбираем правильный Source language (язык оригинала) и Target Language (язык перевода). Обратите внимание на то, что программа предлагает разные варианты английского языка. Необходимо следить, чтобы во всех документах одного проекта выбранный вариант английского языка был одним!

Далее нам необходимо выбрать уже существующую память переводов или создать новую. Так как мы загружаем первый документ, памяти переводов для этого проекта еще не существует, и мы создаем новую -- нажимаем кнопку Create (выбираем New File-Based Translation Memory). Мы называем нашу память переводов (Translation Memory): в поле Name - пишем «котенок» и нажимаем кнопку Finish.

Когда память создана, нажимаем кнопку Close и возвращаемся к первому окошку. Теперь необходимо проверить, что рядом с нашей новой памятью переводов стоят все четыре галочки, рядом с другими памятями переводов (в случае если они уже существуют), которые вам не нужны -- галочек нет. После этого нажимаем кнопку OK.

Программа открывает ваш исходный документ в левой половине окошка. Документ уже разбит на сегменты. Теперь необходимо перевести документ в правой половине, сегмент за сегментом.

Мы перевели документ 1. Обратите внимание, что слева от перевода рядом с каждым переведенным сегментом появился значок -- зеленый карандаш. Пока наш перевод на предварительной стадии. При наведении курсора на карандаш появляется маленькое окошко, в котором стоит статус -- Draft (черновик). Это означает, что наш перевод пока не введен в созданную нами память переводов. Чтобы это сделать, нам нужно подтвердить (confirm) перевод. Подтверждать каждый сегмент нужно либо клавишами Ctrl+Enter, либо кнопкой, на которой нарисован карандашик с галочкой (вверху справа).

После того, как слева от переведенных сегментов рядом с карандашами появились галочки -- можно сохранить и закрыть документ (кнопка-крестик, которым мы закрываем документ справа от переводного документа). Исходный текст и перевод остались в памяти переводов.

Второй этап. Мы открываем второй документ и действуем по тому же плану. Выбираем те же Target и Source language, что и для первого документа и ставим 4 галочки рядом с созданной памятью переводов. Программа открывает нам документ 2 и сразу переводит первый сегмент. Совпадение в первом сегменте полное (exact match). Обратите внимание, что программа сразу же сама подтвердила этот сегмент.

Подводим курсор к следующим сегментам и программа выдает нам похожие сегменты из предыдущих переводов. Чтобы вам было удобно исправлять различающиеся фрагменты, они выделены в верхнем окошке. Из пяти сегментов программа предложила нам перевод 4 сегментов.

Теперь нам остается только самостоятельно исправить различающиеся фрагменты документа.

Терминологические базы данных

Большинство систем автоматизации перевода включают в себя не только программы памяти переводов, но и программы управления терминологией.

Точная терминология -- критически важное требование качественного перевода. Для обеспечения точности и согласованности терминологии в системах автоматизации перевода предлагаются разные решения, обычно представляющие собой единые централизованные хранилища терминов (своего рода универсальные электронные словари, поиск по которым может осуществляться непосредственно из основного редактора системы) и средства управления терминологией.

При помощи этих решений создаются одноязычные или многоязычные глоссарии, доступные для всех сотрудников, использующих терминологию, как в рамках корпоративной локальной сети, так и за ее пределами. Словарные статьи обычно имеют разветвленную структуру и могут содержать обширную информацию, необходимую для принятия решения об использовании того или иного термина: термин, аббревиатура, синонимы, определение, контекст, источник, статус, комментарий, рисунки, звукозаписи, перекрестные ссылки и др. Самые современные системы позволяют редактировать термины непосредственно в среде перевода, а также просматривать результаты поиска, параметры которого можно ограничивать и настраивать.

В отличие от общеупотребительной лексики языка, термины обозначают специальные понятия области знаний, отрасли производства или другой специализированной области деятельности. Совокупность терминов специальной области знания или производства представляет собой терминосистему. Терминология составляет в среднем 25-35% текстов для специальных целей.

Кроме того, как правило, одни и те же термины часто повторяются в пределах одного документа.

Использование терминологических баз данных позволяет

· сэкономить время,

· обеспечить качество перевода.

Проблемы перевода терминологии

Большое количество терминологии в оригинальном тексте порождает две главных проблемы для перевода.

Во-первых, это точное знание переводческого эквивалента термина. Считается, что заниматься специализированным текстом должен только переводчик, хорошо разбирающийся в этой теме (вот почему на рынке труда очень востребованы переводчики, имеющие техническое образование). Однако даже таким специалистам не под силу освоить всю терминосистему отрасли. Так, архитектурно-строительная терминология в целом свыше 150 тысяч терминов. На практике найти переводчика-специалиста - трудная задача, и часто технические тексты переводятся обычным переводчиком.

Когда переводчик встречает незнакомый термин, он обращается к словарю. Термин -- это cлово (или сочетание слов), являющееся точным обозначением определённого понятия какой-либо специальной области науки, техники, искусства, общественной жизни и т.п. Соответственно, можно предположить, что в отличие от общеупотребительных слов у термина будет один вариант перевода, и переводчику не составит трудности его подставить. Однако на практике, один термин может употребляться в нескольких отраслях и подотраслях, и в зависимости от терминосистемы конкретной отрасли перевод может варьироваться. Разобраться, какой именно вариант перевода нужен именно в этой отрасли не специалисту довольно трудно.

Более того, ситуация осложняется тем, что, например, тексты по архитектуре и строительству не ограничиваются терминами из данной специальной области. В них используется, как правило, терминология из смежных отраслей производства, таких как дизайн, безопасность, экология, геология, экономика, менеджмент и т.д. Переводчик может пользоваться специализированными словарями, терминологическими стандартами и глоссариями, собственными терминологическими базами, однако помнить всю эту терминологию он не в состоянии, а обращение к разным источникам существенно замедляет процесс перевода. Здесь переводчику может помочь терминологическая база данных встроенная в систему автоматизации перевода.

Второй проблемой при переводе текста с большим количеством терминов является требование единообразия, особенно актуальное, когда над документом работают сразу несколько переводчиков. Эту задачу можно успешно и быстро решить только при переводе с привлечением терминологической базы данных.

Управление терминологией

Переводчикам, часто работающий в какой-либо области специализации, а также группам корпоративных переводчиков и переводческим агентствам всегда необходимо осуществлять управление терминологией (terminology management), т.е. вести списки часто встречающихся терминов с переводом, и часто с толкованием и другими пометками, чтобы не искать точный перевод этих терминов заново (мы помним, что поиск точного перевода часто является довольно трудоемким занятием). Первая ступень--это создание глоссариев в виде таблицы в программах Word или Exсel .

Такие глоссарии, конечно, облегчают процесс перевода, но и имеют много недостатков, главный из которых -- необходимость постоянно переключаться между приложениями и осуществлять поиск термина в глоссарии (при этом нет гарантии, что термин будет найден).

Гораздо более эффективным решением является встройка таких глоссариев в системы автоматизированного перевода. При этом программа автоматически предлагает перевод термина при условии, что этот термин есть в терминологической базе. Внести термин в переводимый сегмент можно вручную, при помощи операции по копированию-вклейке, либо при помощи функции автоматического перевода терминологии в тексте (pre-translation или batch processing), когда термины в переводимом сегменте автоматически заменяются терминами из базы. Каждая система автоматизированного перевода имеет свою программу управления терминологией. Пожалуй, самой известной является программа Multi Term работающая в системе автоматизации перевода SDL Trados.

При этом переводчик имеет возможность внести в базу данных не только исходный термин и перевод, но и толкование термина, то, из какого источника был получен вариант перевода, и, самое главное, статус варианта перевода (preferred, forbidden). Мы помним, что у одного термина может быть несколько вариантов перевода в зависимости от отрасли. Кроме того, даже в рамках одной отрасли среди терминов существуют абсолютные синонимы: например «лингвистика» и «языкознание», что может мешать достичь единообразия в одном документе. Статус определяет, какой из возможных переводов термина будет использоваться при переводе конкретного документа.

Каким же образом создаются базы данных?

1. Вручную, когда переводчик вносит термины и их перевод, по мере того как встречает их в документе.

2. Автоматическое извлечение терминологии из уже переведенных документов (term extraction, term recognition). Суть данной функции состоит в том, что программа автоматически анализирует текст и по заданным параметрам определяет и извлекает термины. Извлеченные единицы называются терминологическими кандидатами, не все они являются терминами. Они обязательно редактируются терминологом или переводчиком, который и отсеивает ненужные словосочетания.

На сегодняшний день существует два принципа автоматического отбора терминов:

1. Лингвистический подход основан на использовании морфолого-синтаксических моделей, например: прил.+сущ., прил.+прил.+сущ., прил.+сущ.+сущ. При этом программа должна понимать частиречную принадлежность единиц и характер их синтаксической связи, а это значит, что текст должен быть предварительно аннотирован.

2. Статистический подход основан на повторяемости слов и словосочетаний в тексте. Мы уже говорили, что термины обладают высокой степенью повторяемости в специализированных текстах. Пользователь может указать минимальную и максимальную длину повторяющейся цепочки слов, которая будет извлечена как терминологический кандидат, а также минимальное количество повторений цепочки в тексте (frequency threshold). Так как в специализированных текстах часто повторяются не только термины, но и служебные слова и общеупотребительная лексика, то используются списки исключений (stop lists), по умолчанию выключающие артикли, служебные глаголы, предлоги и наиболее широко употребимую лексику.

Создание терминологических баз данных для предприятий на сегодняшний день популярная услуга, предлагаемая переводческими агентствами.

ГЛАВА 5. ЛИНГВИСТИЧЕСКИЕ КОРПУСЫ

Под названием лингвистический, или языковой, корпус текстов понимается большой, представленный в электронном виде, унифицированный, структурированный, размеченный, филологически компетентный массив языковых данных, предназначенный для решения конкретных лингвистических задач. В понятие «корпус текстов» входит также система управления текстовыми и лингвистическими данными, которую в последнее время чаще всего называют корпусным менеджером (или корпус-менеджером) (англ. corpus manager). Это специализированная поисковая система, включающая программные средства для поиска данных в корпусе, получения статистической информации и предоставления результатов пользователю в удобной форме.

Иногда корпусом («корпус первого порядка») называют просто любое собрание текстов, объединённых каким-то общим признаком (языком, жанром, автором, периодом создания текстов). Главное отличие -- отсутствие разметки. Таким образом, электронные библиотеки, типа библиотеки Мошкова, также можно назвать корпусом текстов, однако только в том случае, если тексты используются не для чтения, а для исследования.

Корпусы изменили способ, которым пользовались лингвисты для изучения языка. Сегодня лингвист, имеющий доступ к корпусу или другому набору читаемых машиной текстов, может привести все примеры слова или словосочетания из миллионов слов текста за несколько секунд. Словари могут выпускаться и изменяться намного быстрее, чем раньше, таким образом, обеспечивая новой информацией о языке. Также, описания могут быть более полными и точными, благодаря тому, что изучено большое количество примеров.

С помощью корпусов можно изучать самые разные языковые явления. Примеры возможных запросов к текстовой базе данных приводит В.М. Андрющенко. Вот некоторые из них:

· Каковы все (или наиболее типичные) контексты употребления слова (конструкции, словосочетания, явления)?

· Выдать весь словарь определенного автора или определенной системы.

· Собрать из текстов все ситуации определенной структуры и т.д.

История появления лингвистических корпусов

Эмпирические данные использовались задолго до того, как появился предмет корпусной лингвистики. В XVIII веке Сэмьюэл Джонсон, например, иллюстрировал свой толковый словарь английского языка примерами из литературы, а в XIX веке в Оксфордском словаре были использованы цитаты, чтобы изучить и проиллюстрировать употребление слов.

Первым большим компьютерным корпусом считается Брауновский корпус (БК, англ. Brown Corpus, BC), который был создан в 1960-е годы в Университете Брауна и содержал 500 фрагментов текстов по 2 тысячи слов в каждом, опубликованных на английском языке в США в 1961 году. В результате он задал стандарт в 1 млн. словоупотреблений для создания представительных корпусов на других языках. По модели близкой к БК в 1970-е годы был создан частотный словарь русского языка Л.Н. Засориной, построенный на основе корпуса текстов объёмом также в 1 млн. слов и включавший примерно в равной пропорции общественно-политические тексты, художественную литературу, научные и научно-популярные тексты из разных областей и драматургию. По аналогичной модели был построен и русский корпус, созданный в 1980-е годы в Университете Уппсалы, Швеция.

Размер в один миллион слов достаточен для лексикографического описания только самых частотных слов, поскольку слова и грамматические конструкции средней частоты встречаются по несколько раз на миллион слов (со статистической точки зрения язык является большим набором редких событий). Так, каждое из таких обыденных слов, как англ. polite (вежливый) или англ. sunshine (солнечный свет) встречается в БК всего 7 раз, выражение англ. polite letter лишь один раз, а такие устойчивые выражения как англ. polite conversation, smile, request ни разу.

По этим причинам, а также в связи с ростом компьютерных мощностей, способных работать с большими объёмами текстов, в 1980-е годы в мире было предпринято несколько попыток создать корпуса большего размера. В Великобритании такими проектами были Банк Английского (Bank of English) в Бирмингемском Университете и Британский Национальный Корпус (British National Corpus, BNC). В СССР таким проектом был Машинный фонд русского языка, создававшийся по инициативе А. П. Ершова.

Наличие большого количества текстов в электронной форме существенно облегчило задачу создания больших представительных корпусов размером в десятки и сотни миллионов слов, но не ликвидировало проблем: сбор тысяч текстов, снятие проблем с авторскими правами, приведение всех текстов в единую форму, балансировка корпуса по темам и жанрам отнимают много времени. Представительные корпуса существуют (или разрабатываются) для немецкого, польского, чешского, словенского, финского, новогреческого, армянского, китайского, японского, болгарского и других языков.

Национальный корпус русского языка, создаваемый при РАН, содержит на сегодняшний день более 500 млн. словоупотреблений.

Наряду с представительными корпусами, которые охватывают большой набор жанров и функциональных стилей, в лингвистических исследованиях часто используются и оппортунистические коллекции текстов, например, газеты (часто Wall Street Journal и New York Times), новостные ленты (Рейтер), коллекции художественной литературы (Библиотека Мошкова или Проект Гутенберг).

Характеристики корпуса

1. Репрезентативность

Задача создателей корпуса - собрать как можно большее количество текстов, относящихся к тому подмножеству языка, для изучения которого корпус создается. Но главное не только и не столько в количестве языкового материала, сколько в его пропорциональности. Можно сказать, что корпус - это уменьшенная модель языка или подъязыка. Важнейшее понятие корпусной лингвистики - репрезентативность. Под репрезентативностью понимается необходимо-достаточное и пропорциональное представление в корпусе текстов различных периодов, жанров, стилей, авторов и т.п. Имеются разные подходы к определению репрезентативности, можно сказать, что применительно к общеязыковому (национальному) корпусу это понятие невозможно рассчитать и описать строго математически, однако к этому можно и нужно стремиться, как на этапе проектирования корпуса, так и на этапе его эксплуатации.

2. Размер корпуса

Термин «корпус» обычно обозначает собрание текстов конечного фиксированного размера. С течением времени объем и состав корпуса может меняться, однако эти изменения должны или не менять его репрезентативность, или менять обоснованно. Объем первых корпусов составлял 1 млн. словоупотреблений (Брауновский корпус, Уппсальский корпус русского языка). В настоящее время считается, что объем общеязыкового корпуса должен быть не меньше 100 млн словоупотреблений.

3. Разметка

Для выполнения многих перечисленных выше задач мало лишь наличие корпуса как такового. Требуется также, чтобы текст содержал в себе явным образом разного рода лингвистическую информацию. Так в корпусной лингвистике возникла идея размеченного корпуса. Действительно, уже на уровне статистических подсчетов можно получить более интересные результаты, если вместе с каждым словом хранится информация о его частеречной принадлежности: появляется возможность подсчитывать не просто частотность слов, а частотность представителей тех или иных частей речи. Лингвистическая разметка подразумевает присвоение словам особых кодов. Каждому коду соответствует определенный набор грамматических признаков, характеризующих данное слово. Коды также известны как тэги (от англ. tag - ярлык, метка), а сам процесс приписывания словам тэгов соответственно имеет название тэггинг (от англ. tagging).

В настоящее время не существует общепризнанных стандартов представления лингвистической и других видов информации в текстах. Специальный международный проект Text Encoding Initiative (TEI) предназначен для того, чтобы разработать стандартизированные средства разметки. Для этого применяется уже общепризнанный международный язык разметки документов SGML или его подмножество XML.

Типы корпусной разметки

Типы разметки, которые может содержать корпус, можно условно подразделить на лингвистические и экстралингвистические. К последним относятся:

· разметка, отражающая особенности форматирования текста (заголовки, абзацы, отступы и т.д.);

· разметка, касающаяся сведений об авторе и тексте. Причем сведения об авторе могут включать не только его имя, но также и возраст, пол, годы жизни и многое другое, а сведения о тексте обычно содержат, кроме названия, еще и язык, на котором он написан, год и место издания и т.д.

Наличие подобной информации позволяет значительно детализировать поиск в текстовых базах данных и, кроме того, предоставляет средства идентификации соответствующего документа.

Среди лингвистических типов разметки выделяются:

Морфологическая. В иностранных источниках употребляется термин part-of-speech tagging, дословно - частеречная разметка, в действительности она включает не только признак части речи, но и признаки грамматических категорий, свойственных данной части речи. Это основной тип разметки в текстах, он рассматривается как основа для дальнейших этапов анализа - синтаксического и семантического. Схема морфологической разметки предполагает наличие, во-первых, набора тэгов, во-вторых, описания того, что каждый из них означает и, в-третьих, правил присвоения тэгов единицам текста. Размер наборов тэгов, применяемых в разных корпусах варьируется. Несомненно, чем больше набор тэгов, тем более детальный анализ текста осуществим с его помощью. Однако по мере увеличения объема корпусов наметилась тенденция к сокращению числа морфологических помет. Упрощенная система кодировки способствует избежанию лишних ошибок, непоследовательности, уходу от морфологической неоднозначности и, в конечном итоге, быстроте разметки больших массивов текста, содержащих миллионы слов.

Синтаксическая. Является результатом синтаксического анализа или парсинга (от англ. parsing). Чаще всего в его основе лежит грамматика структур непосредственно составляющих. Графически синтагматические отношения между членами предложения изображаются, как известно, в виде дерева, а в тексте они представлены пaрами из открывающейся и закрывающейся квадратных скобок, которые обрамляют различные синтаксические конструкции - именные, глагольные и предложные словосочетания, придаточные предложения. Рядом как с открывающейся, так и с закрывающейся скобкой ставятся метки (коды), описывающие заключенную в них конструкцию. Одни пары скобок вложены в другие, элементом высшего уровня является предложение, обозначаемое символом S. Тексты, получившие синтаксическую разметку, известны как treebanks. На синтаксическом уровне, как и на морфологическом, проявляется тенденция к меньшей детализации схем грамматической разметки в целях увеличения скорости и последовательности анализа текста. Метод, который возник в результате этой тенденции, получил название skeleton parsing;

Семантическая. Хотя для семантической, как и для других видов разметки, нет стандартной формы, чаще всего для ее представления используют код, состоящий из букв и цифр или только цифр, в котором первая буква или цифра обозначает общую семантическую категорию, в которую входит данное слово, а последующие символы - более узкие подкатегории, специализирующие его значение. В схемах семантической разметки предусмотрены те случаи, когда в качестве единицы смысла выступает не отдельное слово, а словосочетание. Все члены такого словосочетания получают один и тот же код, при этом для каждого из них дополнительно указываются его порядковый номер, а также общее число слов в идиоматическом выражении.

Анафорическая. Из всех видов референции наибольшую сложность для автоматической обработки текста представляет местоименная. Так, большинство систем машинного перевода обрабатывает текст по отдельным предложениям, отчего страдает связность выходного текста. Таким образом, эффективность таких систем гораздо повысилась бы, если бы правильно определялась референция местоимений-заместителей. В частности, этому и призвана способствовать анафорическая разметка. Как правило, антецедент, в роли которого обычно выступает именное словосочетание, берется в пронумерованные скобки, а рядом с местоимением-заместителем ставится особый знак, отсылающий к антецеденту с соответствующим номером;

Просодическая. В корпусах затранскрибированной звучащей речи применяются метки, описывающие ударение и интонацию. Просодической часто сопутствует так называемая дискурсная разметка, которая служит для обозначения пауз хезитации, повторов, оговорок и т.д.

Процесс аннотирования (разметки корпусов)

Аннотирование корпусов осуществляется программными средствами. Во-первых, это экономичнее с точки зрения временных и трудозатрат, чем если бы разметка проводилась вручную. Во-вторых, что более важно, это связано с поиском решений в области автоматической обработки текста. Тогда как для некоторых видов разметки, в частности анафорической, просодической, создание автоматических систем пока представляется очень сложным, и основная часть работы проводится вручную, то для морфологического и синтаксического анализа существуют различные программные средства, которые принято называть соответственно тэггеры (taggers) и парсеры (parsers). Большинство таких систем все же требует ручного постредактирования, так как в случаях морфологической омонимии и синтаксической неоднозначности программа предлагает несколько вариантов решения, из которых нужный выбирает исследователь. Между тем корпусы нового поколения включают десятки миллионов слов, поэтому выдвигается принцип разработки систем, которые бы исключали вмешательство человека, самостоятельно выполняя тот объем работы, который они могут выполнить. И даже ставится задача полностью автоматизировать процесс разметки потенциально не имеющего границ текста.

Технология создания корпусов

Технологический процесс создания корпуса можно представить в виде следующих шагов или этапов.

1. Определение перечня источников.

2. Оцифровка текстов (преобразование в компьютерную форму). Следует сказать, что насколько раньше задача ввода текстов в компьютер была тяжела и трудоемка, настолько сегодня эта проблема решается довольно легко, по крайней мере, что касается современных текстов и в современной орфографии. Эта легкость базируется на успехах в оптическом вводе (сканирование) и распознавании текстовой информации и на глобальной компьютеризации современной жизни, в том числе и в областях, связанных с обработкой текстовой информации. Тексты в электронном виде для создания корпусов могут быть получены самыми разными способами -- ручной ввод, сканирование, авторские копии, дары и обмен, Интернет, оригинал-макеты, предоставляемые составителям корпусов издательствами и проч.

...