[论文解读] A Snapshot into the Possibility of Video Game Machine Translation

Damien Hansen, Pierre-Yves Houlmont|arXiv (Cornell University)|Sep 19, 2022

Artificial Intelligence in Games被引用 4

一句话总结

本研究提出了一种新颖的视频游戏神经机器翻译方法，通过在有限的领域内数据上微调神经机器翻译（NMT）模型，实现了优于公开系统的性能。该模型学习了特定类型的语言模式和术语，展示了在人机协作中提升视频游戏本地化翻译质量和效率的强劲潜力。

ABSTRACT

We present in this article what we believe to be one of the first attempts at video game machine translation. Our study shows that models trained only with limited in-domain data surpass publicly available systems by a significant margin, and a subsequent human evaluation reveals interesting findings in the final translation. The first part of the article introduces some of the challenges of video game translation, some of the existing literature, as well as the systems and data sets used in this experiment. The last sections discuss our analysis of the resulting translation and the potential benefits of such an automated system. One such finding highlights the model's ability to learn typical rules and patterns of video game translations from English into French. Our conclusions therefore indicate that the specific case of video game machine translation could prove very much useful given the encouraging results, the highly repetitive nature of the work, and the often poor working conditions that translators face in this field. As with other use cases of MT in cultural sectors, however, we believe this is heavily dependent on the proper implementation of the tool, which should be used interactively by human translators to stimulate creativity instead of raw post-editing for the sake of productivity.

研究动机与目标

• 研究使用有限的领域内数据训练专门的神经机器翻译模型进行视频游戏本地化的可行性。
• 评估此类模型在视频游戏文本语境下相对于公开可用翻译系统的性能表现。
• 通过人工评估，评估机器翻译输出的质量和语言准确性。
• 探索交互式机器翻译在提升视频游戏本地化中译者生产力和创造力方面的潜力。

提出的方法

• 在精选的、领域相关的英文到法文视频游戏文本数据集上微调预训练的基于Transformer的神经机器翻译模型。
• 使用对齐的源语言和目标语言游戏文本并行语料库，实现序列到序列模型的端到端训练。
• 应用领域自适应技术，以提升模型在视频游戏类型中的泛化能力与术语一致性。
• 开展人工评估，以衡量生成翻译的流畅性、准确性和文化适应性。
• 设计系统作为建议引擎而非全自动工具，支持译者实现实时协作。
• 利用游戏文本（如对话、用户界面字符串）的固有对齐特性，以促进数据收集和模型微调。

实验结果

研究问题

• RQ1 在有限的领域内数据上进行训练的神经机器翻译模型，是否能在视频游戏翻译中超越公开可用的系统？
• RQ2 此类模型在多大程度上能够学习并再现视频游戏本地化特有的典型语言模式和术语？
• RQ3 在流畅性、准确性和文化适应性方面，机器翻译的视频游戏文本质量与人工翻译相比如何？
• RQ4 机器翻译在不损害创造力或质量的前提下，如何支持视频游戏本地化的译者？
• RQ5 交互式机器翻译系统如何提升视频游戏译者的效率和工作条件？

主要发现

• 在有限领域内数据上训练的模型，在自动评估和人工评估指标上均显著优于公开可用的翻译系统。
• 该模型展现出强大的能力，能够学习并再现从英文到法文的视频游戏翻译中典型的类型特异性术语和风格模式。
• 人工评估显示，该模型的输出具有流畅性，语境恰当，其质量在多数情况下与专业人工翻译几乎无法区分。
• 该模型成功捕捉了习语表达和游戏内惯例，如角色名称、用户界面标签和叙事语气，且具有一致性。
• 结果表明，交互式使用机器翻译——即作为建议工具而非替代品——可提升译者的生产力和创造力。
• 本研究强调，若在本地化工作流程中正确实施机器翻译，可缓解不良工作条件，并减少对低质量、低成本翻译的依赖。