リアルタイム会議翻訳：仕組みと評価方法
リアルタイム会議翻訳とは、各参加者が自分の言語で話し、入力し、聞くライブミーティングであり、プラットフォームが会議の進行に合わせて（事後ではなく）参加者間の翻訳を行います。ブースに入る人間の通訳者も、「とりあえず英語に切り替えよう」という妥協も、翌朝読む文字起こしも不要です。
このカテゴリは、そのように見えて実際にはそうではないツールで溢れています。AIノートテイカーは録音して要約します。キャプションアドオンは話者の字幕を表示します。汎用モデルは、テキストを貼り付けたときに翻訳します。リアルタイム会議翻訳は、より狭く、より難しい領域です。すべての言葉、すべてのチャットメッセージ、すべての共有メモが、会話が途切れない十分な速さで、各リスナーの言語に翻訳されなければなりません。
これは、そのカテゴリに関する基礎的なガイドです。この用語が実際に何を意味するのか、裏側で何が起きているのか、そして契約前に確認すべき質問を解説します。他のすべての記事はここから派生しているため、さらに深く掘り下げる価値があるトピックにはリンクを設けています。
「リアルタイム」が実際に排除するもの
厳しい制約はレイテンシです。多言語のライブ会話は、翻訳が十分な速さで届き、人が被さって話し始めるのを防げる場合にのみ成立します。エンドツーエンドで約1.2秒を超えると、会議は迷走し始め、参加者は躊躇し、言い直し、最終的には共通の第二言語にデフォルトしてしまいます。したがって、リアルタイム会議翻訳にはサブ秒の予算があり、これが周辺で販売されているツールの大半を静かに排除します。
- AIノートテイカー（FirefliesやOtterなど）は、会議を文字起こしして要約するために作られています。通常は英語優先で、最も役立つのは会議が終わった後です。「何を決定したか」に答えます。ドイツ語話者と日本語話者がそれぞれ自分の言語で相手の言葉を聞けるように、音声をライブ翻訳することはしません。それは、異なる時計を持つ別の仕事です。
- 汎用LLM翻訳は、レイテンシの契約のない優れた文章翻訳です。文書には適していますが、モデルが1秒未満で応答しなければならず、「考える」ために一時停止できないライブオーディオチャネルには間違ったツールです。
- キャプション/字幕プラグインは、話者の発言のテキストを表示しますが、多くの場合、全員に対して1つのターゲット言語で表示されます。これはキャプション機能であり、参加者ごとの翻訳ではありません。
ツールが音声をライブで、リスナーごとに、各リスナーが選んだ言語に翻訳できない場合、ホームページに何と書かれていても、それはリアルタイム会議翻訳ではありません。