(Perhaps) Beyond Human Translation: Harnessing Multi-Agent Collaboration for Translating Ultra-Long Literary Texts

要約

文学翻訳は、比ur的な言葉、文化的ニュアンス、ユニークな文体的要素をキャプチャする複雑さのために、機械翻訳で最も挑戦的なフロンティアの1つです。
この作業では、CEO、上級編集者、ジュニア編集者、翻訳者、ローカリゼーションスペシャリスト、校正者など、人間の翻訳会社の役割と共同実践をシミュレートする新しいマルチエージェントフレームワークであるTransagentsを紹介します。
翻訳プロセスは、チームが組み立てられた準備段階と包括的な翻訳ガイドラインが起草される2つの段階と、シーケンシャル翻訳、ローカリゼーション、校正、最終品質チェックを含む実行段階の2つの段階に分けられます。
さらに、2つの革新的な評価戦略を提案します。ターゲット言語の品質と文化的適切性のみに基づいて翻訳を評価する単一言語の人間の好み（MHP）と、直接テキスト比較のためにGPT-4のような大規模な言語モデルを活用するバイリンガルLLM好み（BLP）を評価します。
トランスエージェントは、参照の多様性が限られているため、D-BLEUスコアが低くなりますが、その翻訳は他のベースラインの翻訳よりも大幅に優れており、従来の人間の参照とGPT-4}翻訳よりも人間の評価者とLLMの両方が好まれます。
私たちの調査結果は、特に長いテキストの場合、翻訳品質を向上させるマルチエージェントコラボレーションの可能性を強調しています。

要約(オリジナル)

Literary translation remains one of the most challenging frontiers in machine translation due to the complexity of capturing figurative language, cultural nuances, and unique stylistic elements. In this work, we introduce TransAgents, a novel multi-agent framework that simulates the roles and collaborative practices of a human translation company, including a CEO, Senior Editor, Junior Editor, Translator, Localization Specialist, and Proofreader. The translation process is divided into two stages: a preparation stage where the team is assembled and comprehensive translation guidelines are drafted, and an execution stage that involves sequential translation, localization, proofreading, and a final quality check. Furthermore, we propose two innovative evaluation strategies: Monolingual Human Preference (MHP), which evaluates translations based solely on target language quality and cultural appropriateness, and Bilingual LLM Preference (BLP), which leverages large language models like GPT-4} for direct text comparison. Although TransAgents achieves lower d-BLEU scores, due to the limited diversity of references, its translations are significantly better than those of other baselines and are preferred by both human evaluators and LLMs over traditional human references and GPT-4} translations. Our findings highlight the potential of multi-agent collaboration in enhancing translation quality, particularly for longer texts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google