Maschinelle Übersetzung erklärt: Typen, Anwendungsfälle und Best Practices

Der Einsatz von Computern zur Übersetzung von Texten von einer Sprache in eine andere ist seit Langem ein Traum der Informatik. Dennoch hat sich die maschinelle Übersetzung (MT) erst im letzten Jahrzehnt zu einem praktikablen Produktivitätswerkzeug mit weit verbreiteter Nutzung entwickelt. Fortschritte in der natürlichen Sprachverarbeitung, der künstlichen Intelligenz (KI) und Rechenleistung tragen alle zu dieser zunehmend nützlichen Technologie bei.

Um dir die Feinheiten dieses Themas näher zu bringen, definiert dieser Leitfaden den Begriff „maschinelle Übersetzung“ und erläutert ihre Typen und Vorteile anhand vieler Beispiele und Tipps. Du erfährst außerdem, wie sich MT in bestehende Übersetzungs- und Lokalisierungs-Workflows integrieren lässt. Abschließend erklärt dieser Leitfaden, was die beste maschinelle Übersetzungssoftware ausmacht, um deine Workflows zu unterstützen und das Wachstum deines globalen Unternehmens voranzutreiben.

Was ist maschinelle Übersetzung?

Maschinelle Übersetzung bezeichnet den Prozess, bei dem Text mithilfe einer Computeranwendung automatisch von einer natürlichen Sprache in eine andere übersetzt wird. Dazu gibt man Text in der Ausgangssprache in die maschinelle Übersetzungssoftware ein und lässt das Tool den Text automatisch in die ausgewählte Zielsprache übertragen.

Die Anfänge der maschinellen Übersetzung

Die Übersetzung war eine der ersten Computeranwendungen, beginnend in den 1950er-Jahren mit dem berühmten Georgetown-IBM-Experiment. Dennoch war die Komplexität der Aufgabe weitaus höher als von frühen Informatikern geschätzt: Sie erforderte eine enorme Datenverarbeitungsleistung und Speicherkapazität, die weit über die Möglichkeiten früher Maschinen hinausging.

Erst Anfang der 2000er-Jahre waren Software, Daten und die erforderliche Hardware in der Lage, grundlegende maschinelle Übersetzung durchzuführen. Frühe Entwickler nutzten statistische Datenbanken von Sprachen, um Computern das Übersetzen von Texten „beizubringen“. Das Training dieser Maschinen erforderte viel manuelle Arbeit, und für jede hinzugefügte Sprache musste die Entwicklung für diese Sprache von Grund auf neu begonnen werden.

Maschinelle Übersetzung heute

Im Jahr 2016 implementierte Google eine wichtige Innovation in der MT-Technologie durch den Wechsel zu einem neuronalen Lernmodell, das auf Forschungsergebnissen aus dem Jahr 2014 basierte. Dieser Ansatz beinhaltete das Training der MT-Engines mittels KI und erwies sich als weitaus effizienter und schneller als Googles beste statistische MT-Engine. Zudem zeigte es bei der Verwendung bemerkenswerte Verbesserungen der Übersetzungsqualität.

Neuronale maschinelle Übersetzung erwies sich als so effektiv, dass Google den Kurs änderte und sie als primäres Entwicklungsmodell übernahm. Andere große Anbieter wie Microsoft und Amazon zogen bald nach, und die stetig steigende Qualität steigerte den Wert der MT als Ergänzung zur Übersetzungstechnologie.

Viele Übersetzungs- und Lokalisierungslösungen verfügen heute über integrierte Fähigkeiten der maschinellen Sprachübersetzung, die Unternehmen dabei helfen, den stetig wachsenden Bedarf zur Überwindung von Sprachbarrieren auf dem globalen Markt zu decken. Mehr dazu später in diesem Leitfaden.

Wie funktioniert maschinelle Übersetzung?

Im Laufe der Zeit sind im Zuge der Entwicklung der maschinellen Übersetzung verschiedene Arten von maschinellen Übersetzungssystemen entstanden, von denen jedes seine eigenen Stärken und Schwächen aufweist. Die vier häufigsten Arten der maschinellen Übersetzung sind regelbasierte, statistische, neuronale und LLM-basierte maschinelle Übersetzung.

Regelbasierte maschinelle Übersetzung (RBMT)

Die früheste Form der maschinellen Übersetzung, die regelbasierte MT, stützte sich auf einen großen, vordefinierten Satz linguistischer Regeln, die der Software halfen, die Bedeutung von Text zwischen Sprachen zu übertragen. Insgesamt war die Übersetzungsqualität gering, und es erforderte das manuelle Hinzufügen von Sprachen sowie einen erheblichen Aufwand an menschlicher Nachbearbeitung.

Regelbasierte MT wird heute nur noch selten verwendet.

Statistische maschinelle Übersetzung (SMT)

Die statistische maschinelle Übersetzung erstellt ein statistisches Modell der Beziehungen zwischen Wörtern, Phrasen und Sätzen in einem bestimmten Text. Dieses Modell wird dann auf eine zweite Sprache angewendet, um die Elemente in die neue Sprache zu übertragen. Es verbessert zwar die regelbasierte maschinelle Übersetzung, teilt aber viele der gleichen Probleme.

Die statistische maschinelle Übersetzung wurde größtenteils durch die neuronale maschinelle Übersetzung ersetzt und kommt nur gelegentlich noch bei älteren maschinellen Übersetzungssystemen zum Einsatz.

Neuronale maschinelle Übersetzung (NMT)

Die neuronale maschinelle Übersetzung nutzt KI, um Sprachen zu „lernen“ und ihr Wissen ständig zu verbessern, ähnlich wie die neuronalen Netze im menschlichen Gehirn. Im Gegensatz zur Anwendung vordefinierter Regeln ist das neuronale Netzwerk einer MT-Engine für die Kodierung und Dekodierung des Quelltextes verantwortlich.

Neuronale maschinelle Übersetzung ist präziser, ermöglicht das Hinzufügen weiterer Sprachen und arbeitet nach dem Training wesentlich schneller – was sie heute zum Standard für zweckgebundene maschinelle Übersetzungs-Engines macht, obwohl auch allgemeine LLMs zunehmend für die Übersetzung eingesetzt werden (siehe unten).

Zeitstrahl der maschinellen Übersetzungsgeschichte

LLM-basierte maschinelle Übersetzung

Die neueste Kategorie der maschinellen Übersetzung nutzt allgemeine große Sprachmodelle (LLMs), also dieselbe Technologie, die hinter Tools wie ChatGPT und Claude steckt. Damit kann sie Texte übersetzen, ohne wie NMT-Engines speziell für die Übersetzung entwickelt worden zu sein. Im Gegensatz zu dedizierten MT-Engines können LLMs auf einen breiteren Kontext zurückgreifen, benutzerdefinierte Anweisungen (zum Beispiel „Übersetze dies in einem formellen Ton“ oder „Lasse Produktnamen unübersetzt“) befolgen und mit mehrdeutigen Formulierungen flexibler umgehen.

Der Kompromiss liegt in der Konsistenz: Der Output von LLMs kann bei großen Mengen an Content stärker variieren und erfordert in der Regel eine gezieltere Durchsetzung von Terminologie und Glossar als eine dedizierte, speziell für die Übersetzung trainierte MT-Engine. Viele Lokalisierungsteams verwenden heute beides: NMT-Engines für umfangreichen, strukturierten Content und LLM-basierte Übersetzung für Content, der von Nuancen, Tonalitätskontrolle oder der Befolgung von Anweisungen profitiert.

Dieser Wandel verändert auch das heutige Post-Editing. Anstatt dass ein Linguist den MT-Output einfach Zeile für Zeile korrigiert, beinhalten LLM-basierte Workflows zunehmend, dass Linguisten den KI-Output während des gesamten Prozesses interaktiv steuern und verfeinern. Mehr dazu in diesem Artikel.

Automatische Übersetzung vs. maschinelle Übersetzung: der Unterschied – einfach erklärt

Automatisierte Übersetzung und maschinelle Übersetzung werden oft als dasselbe verstanden, doch es handelt sich nicht um synonyme Begriffe, da sie völlig unterschiedliche Funktionen erfüllen.

Automatische Übersetzung bezeichnet alle in einem herkömmlichen computergestützten Übersetzungstool (CAT-Tool) oder einem Cloud-basierten Übersetzungsmanagementsystem (TMS) integrierten Auslöser, die dazu dienen, manuelle oder repetitive Aufgaben im Zusammenhang mit der Übersetzung auszuführen. Damit soll der gesamte Übersetzungsprozess effizienter gestaltet werden.

Automatische Übersetzung kann beispielsweise dazu verwendet werden, die maschinelle Übersetzung von Text als eine von vielen Aufgaben innerhalb eines Workflows auszulösen.

Maschinelle Übersetzung bezeichnet die Umwandlung von Text mithilfe von Software von einer natürlichen Sprache in eine andere. Mit anderen Worten: Dieser Prozess benötigt kein menschliches Eingreifen, im Gegensatz zur herkömmlichen Übersetzung. Deshalb wird die maschinelle Übersetzung auch als automatische Übersetzung bezeichnet.

Die wichtigsten Anbieter von maschineller Übersetzung

Führende Entwickler von maschineller Übersetzungstechnologie wie Google, Microsoft oder Amazon verwenden derzeit eine Art neuronale MT als bevorzugte Methode, da sie sowohl eine nuanciertere Übersetzung als auch die kontinuierliche Erweiterung um neue Sprachpaare ermöglicht. Diese Entwicklungsfähigkeit wird dadurch ermöglicht, dass maschinelle Übersetzungssysteme im Laufe der Zeit lernen und sich verbessern können, je häufiger sie eingesetzt werden.

Maschinelle Übersetzungssysteme arbeiten auf der Grundlage von Trainingsdaten. Je nach Bedarf können die Daten allgemein oder benutzerdefiniert sein:

• Allgemeine Daten bezeichnet einfach die Summe aller Daten, die aus allen Übersetzungen gelernt wurden, welche im Laufe der Zeit von der Engine für maschinelle Übersetzung durchgeführt wurden. Sie ermöglichen ein generalisiertes Übersetzungstool für alle Arten von Anwendungen, darunter Text, Sprache und vollständigen Dokumenten – einschließlich der Formatierung.
• Benutzerdefinierte Daten sind Daten, die in eine MT-Engine eingespeist werden, um eine Spezialisierung in einem Fachgebiet wie dem Ingenieurwesen oder einer anderen Disziplin mit eigener Terminologie zu erstellen.

Allgemeine Maschinenübersetzungssysteme

Die größten Anbieter von maschineller Übersetzung haben alle auf NMT umgestellt – jeder auf seine eigene Weise. Einerseits gibt es den Ansatz, durch ein kostenloses, benutzerfreundliches Tool ein breiteres Publikum zu erreichen. Andere Engines machen es dagegen möglich, das Tool an spezifischere geschäftliche Anforderungen anzupassen. Werfen wir einen Blick auf die beliebtesten Allzweck-MT-Engines: 

Google Translate

Google Translate gilt aufgrund der Nutzung, der Anzahl der Sprachen und der Integration in die Suche als eine der führenden MT-Engines. Google Translate war einer der ersten Mainstream-Dienstleister, der NMT einführte. Die Genauigkeit von Google Translate ist sowohl für Geschäftsinhaber als auch für Experten der Sprachbranche ein Thema, das Interesse weckt und zugleich kontrovers diskutiert wird.

Amazon Translate

Amazon Translate basiert ebenfalls auf neuronalen Netzen und ist eng mit Amazon Web Services (AWS) integriert. Angesichts der Stärke des Mutterunternehmens dürfte es für viele nicht überraschend sein, dass Amazon Translate seit seiner Einführung im Jahr 2017 in kürzester Zeit beeindruckende Ergebnisse erzielt hat.

Microsoft Translator

Microsoft Translator, eine weitere cloudbasierte neuronale Engine, ist eng mit MS Office und anderen Microsoft-Produkten integriert und ermöglicht den sofortigen Zugriff auf Übersetzungsfähigkeiten innerhalb eines Dokuments oder anderer Software.

DeepL

DeepL ist das Produkt eines in Deutschland ansässigen Unternehmens, das sich ausschließlich der Entwicklung einer Engine für maschinelle Übersetzung widmet. Es beansprucht für sich, basierend auf seiner proprietären neuronalen KI eine nuanciertere und natürlichere Ausgabe zu liefern.

Systran Translate

Systran war das erste Unternehmen überhaupt, das maschinelle Übersetzung für kommerzielle Zwecke anbot. Das 1968 gegründete Unternehmen hält stets mit den neuesten Technologien Schritt und bringt selbst einige interessante Innovationen auf den Markt – die jüngste davon ist die rein neuronale maschinelle Übersetzung (PNMT).

Benutzerdefinierte Engines für maschinelle Übersetzung

Benutzerdefinierte Engines für maschinelle Übersetzung werden darauf trainiert, für bestimmte Inhaltstypen – auch als „Domäne“ bezeichnet, z. B. technische oder juristische Übersetzungen – oder gemäß spezifischen Unternehmensrichtlinien besser zu funktionieren. Der Schlüssel dazu sind relevante und qualitativ hochwertige Trainingsdaten in der jeweiligen Domäne, mit denen die MT „trainiert“ werden kann, um künftig ähnliche Übersetzungen für diesen spezifischen Anwendungsfall zu erstellen.. Eine der einfachsten Möglichkeiten der Anpassung von MT-Engines ist die Verwendung von Glossaren für maschinelle Übersetzung.

Google AutoML und Microsoft Custom Translator sind zwei häufig verwendete Lösungen für die benutzerdefinierte maschinelle Übersetzung.

Gut implementiert, kann eine benutzerdefinierte MT Ergebnisse liefern, die qualitativ deutlich besser sind als eine generische maschinelle Übersetzung. Dennoch erfordert die Anpassung der maschinellen Übersetzung ein gewisses Maß an Fachwissen und Aufwand. Die vollständige Anpassung einer MT-Engine kann eine komplexe Aufgabe sein, und jede Anpassung ist einzigartig.

Allgemeine LLMs für die Übersetzung

Über dedizierte MT-Engines hinaus werden zunehmend allgemeine große Sprachmodelle, einschließlich der GPT-Modelle von OpenAI und Claude von Anthropic, für die Übersetzung verwendet, insbesondere dort, wo Kontext, Tonfall und das Befolgen von Anweisungen wichtiger sind als der reine Durchsatz. Diese Modelle sind nicht ausschließlich für die Übersetzung konzipiert, so wie es bei NMT-Engines der Fall ist. Daher profitieren die Konsistenz des Outputs und die Terminologiekontrolle bei der Verwendung in großem Maßstab in der Regel von zusätzlichen Sicherheitsvorkehrungen wie Termbanken und automatisierten QA-Prüfungen.

Vorteile der maschinellen Übersetzung

Bevor das neuronale Lernen eingeführt wurde, war MT noch sehr stark ein Nischenprodukt, das Übersetzungen von unterschiedlicher Qualität erzeugte – die manchmal an die Grenze des Unleserlichen oder Humorvollen stießen. Moderne maschinelle Übersetzungstools haben all das weitgehend verändert und werden in der geschäftlichen Übersetzung zunehmend unverzichtbar.

Erhöhte Geschwindigkeit und größeres Volumen

Dank der kontinuierlichen Weiterentwicklung von Algorithmen für maschinelles Lernen und der Hardwaretechnologie wird MT immer schneller und effizienter. Es ist nicht nur in der Lage, Millionen von Wörtern fast augenblicklich zu übersetzen, sondern verbessert sich auch kontinuierlich, je mehr Content übersetzt wird.

Bei Projekten mit hohem Umfang bewältigt MT nicht nur große Datenmengen in kurzer Zeit, sondern lässt sich auch in andere Softwareplattformen wie Content- oder Übersetzungsmanagementsysteme integrieren, um diese Inhalte zu organisieren. Dies ermöglicht es, Organisation und Kontext beizubehalten, wenn der Content in mehrere Sprachen übersetzt wird.

Verbesserte Barrierefreiheit

Da die großen MT-Anbieter bis zu 100 Sprachen – und einige sogar noch mehr – anbieten, können Übersetzungen gleichzeitig an mehrere Zielmärkte geliefert werden. Dadurch entsteht eine Win-Win-Situation sowohl für die Unternehmen als auch für die Kunden.

Durch den Abbau von Sprachbarrieren und die Verbesserung des Kundenerlebnisses hat MT die Zugänglichkeit von Content, Produkten und Dienstleistungen für potenzielle Käufer weltweit erhöht. Gleichzeitig können Unternehmen durch das Erreichen eines breiteren Publikums ihren Marktanteil erheblich ausbauen und ihr Geschäftsergebnis verbessern.

Geringere Kosten

Die Kombination aus hoher Durchsatzgeschwindigkeit und der Möglichkeit, aus bestehenden Sprachpaaren zu wählen, die Dutzende von Kombinationen abdecken, bedeutet, dass der Einsatz maschineller Übersetzungsdienste Kosten und Lieferzeit senken kann, selbst wenn menschliche Übersetzende die Arbeit anschließend noch nachbearbeiten.

Im Grunde genommen leistet MT anfänglich den Großteil der Arbeit, indem sie einfache, aber nützliche Übersetzungen liefert. Menschliche Übersetzende überarbeiten diese Rohfassungen anschließend, um die ursprüngliche Aussage des Inhalts besser widerzuspiegeln und eine korrekte Lokalisierung für die jeweilige Region zu gewährleisten.

Die Grenzen der maschinellen Übersetzung

Die relativ niedrigen Kosten und die minimale Latenz machen MT zu einer attraktiven Option für Unternehmen, die ihre globale Reichweite effizient ausbauen möchten. Wie bei jeder Technologie sollte man sich jedoch der Tatsache bewusst sein, dass auch MT mit gewissen Einschränkungen verbunden ist.

Die meisten Probleme lassen sich durch die Einbindung menschlicher Expertise – zum Beispiel durch Machine Translation Post-Editing (MTPE) – und zunehmend durch die Anpassung der eigenen maschinellen Übersetzungs-Engine effektiv bewältigen.

Beide Ansätze können dazu beitragen, ein Gleichgewicht zwischen Effizienz und sprachlicher Präzision zu finden, sodass Unternehmen die Stärken von MT nutzen und gleichzeitig deren inhärente Grenzen adressieren können. Werfen wir einen Blick auf einige häufige Probleme im Zusammenhang mit maschineller Übersetzung.

Zu beachtendes Problem	Mögliche Lösung
Genauigkeit und Domänenspezifität	Durch die Integration von Glossaren für maschinelle Übersetzung kann sich ein benutzerdefiniertes MT-Modell an sich entwickelnde Sprachmuster und Kontexte anpassen, die für das jeweilige Unternehmen wichtig sind. Die Feinabstimmung mit menschlichem Feedback ermöglicht es zudem, von menschlichen Übersetzenden zu lernen, Fehler zu korrigieren und die Übersetzungsqualität im Laufe der Zeit zu verbessern.
Sprachliche Nuancen	Integriere kulturelles Wissen und kontextsensitive Algorithmen, damit dein benutzerdefiniertes MT-Modell Nuancen, Redewendungen und kulturelle Bezüge in der Ausgangssprache versteht und den umgebenden Text berücksichtigt, um geeignete Übersetzungen zu wählen und die beabsichtigte Bedeutung effektiver zu erfassen.
Sprachen mit geringen Ressourcen	Post-Editing (Nachbearbeitung) ist eine der effektivsten Methoden, um die Übersetzungsqualität bei Sprachen mit geringen Ressourcen zu garantieren. Wenn sich die spezifischen Anforderungen weiterentwickeln, könnte man eine Reihe von MT-Lösungen erkunden – von Lernmodellen und Datenannotation bis hin zu Community-Einbindung und Open-Access-Tools.
Verzerrung	Während Post-Editing und menschliches Feedback entscheidend sind, um Verzerrungen in MT-Ergebnissen von generischen Engines zu mindern, besteht die optimale langfristige Lösung in der Überprüfung und dem erneuten Training des eigenen benutzerdefinierten MT-Modells, und zwar unter Verwendung vielfältiger, unvoreingenommener Datensätze, die keine bestimmte Gruppe, Perspektive oder demografische Gruppe bevorzugen.
Nachbearbeitung von maschinellen Übersetzungen (MTPE)	Die Schulung von Linguisten im Bereich MTPE ist entscheidend, um das volle Potenzial auszuschöpfen, da sie so Einblicke in Übersetzungsqualität, Genauigkeit und kulturelle Sensibilität gewinnen. Diese Auftragnehmenden sollten nach ISO 18587:2017 zertifiziert sein. Außerdem sollte man regelmäßige Qualitätsprüfungen der post-editierten Inhalte durchführen, um die Produktivität zu steigern.
Konsistenz	Kombiniere MT und Translation Memory. Sobald der Output der maschinellen Übersetzung post-editiert und genehmigt wurde, sollte man sicherstellen, dass diese Übersetzungen im eigenen Translation Memory gespeichert werden, damit Linguisten sie bei zukünftigen Übersetzungsprojekten wiederverwenden und so die Konsistenz erhöhen können.
Datenschutz	Prüfe die Datenschutzerklärung deines MT-Anbieters und kläre gemeinsam mit der Rechtsabteilung, welche Auswirkungen diese auf das eigene Unternehmen hat. Linguisten, die im Bereich der maschinellen Übersetzung tätig sind, sollten ausschließlich auf Projekte zugreifen, die ihnen zugewiesen wurden – und zwar nur auf sicher gehosteten Servern –, um sich vor möglichem Datenverlust oder Datenschutzproblemen zu schützen.

Implementierung von maschineller Übersetzung in bestehende Workflows

Wie bereits erwähnt, sind die niedrigen Kosten und die fehlende Latenz von MT überzeugende Gründe für viele wachsende Unternehmen, maschinell übersetzte Inhalte in die Automatisierung von Übersetzungs- und Lokalisierungs-Workflows einzubinden.

Die Implementierung einer effektiven Strategie für maschinelle Übersetzung muss keine entmutigende Aufgabe sein, solange man sich auf modernste Cloud-Übersetzungstechnologie verlässt, die Automatisierung und ein optimiertes Übersetzungsmanagement ermöglicht.

Zum Beispiel verfügen Übersetzungsmanagementsysteme über integrierte Einstellungen, um die Übersetzung automatisch auszuführen und den Output als Teil des Übergabematerials für den menschlichen Übersetzenden zu versenden. 

Durch die Befolgung einiger wesentlicher Schritte und bewährter Verfahren, kombiniert mit einem zuverlässigen Übersetzungsmanagementsystem, kann man langfristig den Weg für einen nahtlosen unternehmensweiten Prozess für maschinelle Übersetzung ebnen.

10 bewährte Verfahren für die Implementierung von maschineller Übersetzung

Lege deine Ziele, Vorgaben und Erwartungen fest, die du mit dem Einsatz von maschineller Übersetzung in deinem Globalisierungsprogramm verbindest. Überprüfe den vorhandenen Content und wähle die richtigen Inhaltstypen für die maschinelle Übersetzung aus. Lege deine Sprachpaare fest: Verschiedene MT-Engines sind für bestimmte Sprachpaare besser geeignet als für andere. Erstelle einen Zeitplan und einen Finanzplan – wie viel Geld und Zeit du für MT aufwenden kannst, bestimmt, wie viel du erreichen kannst. Wähle entsprechend deiner Inhaltstypen und Sprachpaare einen Anbieter für maschinelle Übersetzungen aus – und prüfe dessen Datenschutzerklärung. Trainiere deine bevorzugte MT-Engine nach Möglichkeit mit deine Sprachdaten, um die Ausgabequalität langfristig zu verbessern. Wenn du dich für MTPE entscheidest, ist es wichtig, sicherzustellen, dass deine internen Übersetzenden oder dein LSP entweder im Post-Editing geschult sind oder zumindest offen für diese Idee sind. Vereinbare ein Preismodell für die Nachbearbeitung von maschineller Übersetzung und sorge dafür, dass alle Beteiligten, einschließlich deines Sprachdienstleisters, in den Entscheidungsprozess einbezogen werden. Führe vor dem Einsatz Stichproben durch, um dir ein Bild von der Qualität des maschinell übersetzten Outputs zu machen oder verbesserungswürdige Bereiche zu identifizieren. Einsetzen und kontinuierlich verbessern: Auch wenn die ersten Ergebnisse möglicherweise nicht deinen Erwartungen entsprechen, wird sich die Qualität des Outputs mit der Zeit verbessern.

Maschinelle Übersetzung oder menschliche Übersetzung: das richtige Gleichgewicht für den passenden Anwendungsfall

Mit der Weiterentwicklung der maschinellen Übersetzung verliert die Entscheidung, ob zu Beginn eines Lokalisierungsprojekts maschinelle oder menschliche Übersetzung zum Einsatz kommen soll, zunehmend an Bedeutung. Immer mehr Unternehmen, LSPs und Übersetzender erkennen die Vorteile der Nachbearbeitung von maschinellen Übersetzungen (MTPE), bei der menschliche Linguisten maschinell übersetzten Content bearbeiten.

Die Nachbearbeitung maschinell übersetzter Texte gilt mittlerweile weitgehend als sinnvolle Alternative zur Übersetzung von Texten aus dem Stegreif.

Bei der Entscheidung für die geeignete Übersetzungsmethode ist es hilfreich, den Content-Typ und das Sprachpaar zu berücksichtigen. Generell eignet sich maschinelle Übersetzung gut für stärker strukturierte Inhalte wie technische, juristische und urheberrechtliche Dokumentationen sowie für die interne Kommunikation. Im Gegensatz dazu profitieren Marketingmaterialien und andere kundenorientierte Inhalte von einer persönlicheren Note.

Schauen wir uns drei wichtige Content-Typen an, um die effektivste Übersetzungsmethode für optimale Ergebnisse zu ermitteln.

Reine MT lohnt sich für eindeutige Inhalte mit geringen Auswirkungen

Eine maschinelle Übersetzung wird als „rein“ oder „roh“ bezeichnet, wenn das Ergebnis nicht von einem Menschen überarbeitet wird. Generell gilt: Reine maschinelle Übersetzungen eignen sich am besten für alles, was für die eigene Marke nicht von Bedeutung ist:

• Inhalte mit geringer Sichtbarkeit oder wenig Aufkommen, wie interne Dokumentation, Fußzeilen von Websites, Social-Media-Beiträgen zur Stimmungsanalyse usw.
• Wiederkehrende technische Inhalte, die nicht unbedingt 100 % genau, sondern handlungsorientiert sein müssen, wie z.B. Bedienungsanleitungen, eignen sich ebenfalls
• Inhalte, die von Nutzern erstellt werden, wie Produktbewertungen, bei denen allgemein mit niedriger Qualität gerechnet wird
• Inhalte, die schnell veralten, wie Nachrichten aus dem Chat- oder E-Mail-Support, Kundenanfragen usw.
• Umfangreiche Inhalte, die schnell bearbeitet werden müssen, wie zum Beispiel hunderte Produktbeschreibungen, die zügig online gestellt werden sollen
• Inhalte, die häufig geändert werden, wie Updates zu Funktionen und Informationen

Wenn man sich für reine MT entscheidet, sollte man unbedingt die leistungsfähigste MT-Engine für das Sprachpaar und den bewussten Content verwenden. Das erfordert umfangreiche Tests oder die Nutzung einer integrierten automatischen Auswahlfunktion.

Sensiblere Inhalte erfordern ein leichtes oder vollständiges Post-Editing

Aus Qualitätsgründen erfordern einige Content-Typen und Situationen das Post-Editing des maschinellen Übersetzungs-Outputs durch einen menschlichen Übersetzenden. Diese Bearbeitung kann entweder leicht (LPE) oder umfassend (FPE) sein.

Der Vorteil dabei: Die Arbeit der Post-Editoren lässt sich mit herkömmlichen Übersetzungstechnologien wie Glossaren, Termbanken und Translation Memorys sowie mit Markenhandbüchern und Styleguides unterstützen. Das sorgt dafür, dass die Markenstimme und die wichtigsten Botschaften über Kulturen und Sprachen hinweg einheitlich bleiben und ist mit MTPE sehr gut umsetzbar.

Moderne Übersetzungstechnologie ermöglicht es zudem, die Qualität von maschinellen Übersetzungen zu erkennen und einzuschätzen, um die Ressourcen für die Nachbearbeitung dort einzusetzen, wo sie am dringendsten benötigt werden. Dennoch gilt als allgemeine Richtlinie, dass in den folgenden Fällen ein MTPE erforderlich ist:

• Produkttitel: Sie sind sehr informativ und prägnant, enthalten oft Eigennamen und mehrdeutige Wörter, und ihre Wortstellung ist normalerweise relativ frei, was zu Mehrdeutigkeit führen kann.
• Übersetzungen zwischen Sprachpaaren mit unterschiedlicher Syntax, wie Japanisch und Spanisch, da die Umstellung von Wörtern und Phrasen zu gut gebildeten Sätzen für maschinelle Übersetzungsprogramme eine größere Herausforderung darstellt.
• Produktbeschreibungen: Sie müssen gut formuliert sein und die Merkmale oder Vorteile des Produkts klar darstellen, ohne Raum für Mehrdeutigkeiten zu lassen.
• Inhalte mit mittlerer Sichtbarkeit, die so präzise wie möglich sein müssen: Wissensdatenbanken, FAQs, Warnungen usw.
• Back-End-Metainformationen wie Bild-Alt-Texte und Bildunterschriften: Obwohl ihre Sichtbarkeit gering ist, muss ein Mensch sicherstellen, dass die Schlüsselwörter in der Zielsprache vorhanden sind.

Wenn Branding und Kultur ins Spiel kommen, ist menschliche Übersetzung gefragt

Markensensible, stark frequentierte und langlebige Inhalte sollten am besten in den Händen menschlicher Experten bleiben. Mit anderen Worten: Es ist generell ratsam, maschinelle Übersetzung zu vermeiden, wenn das Ziel darin besteht, ein Publikum anzusprechen, zu unterhalten oder zu beruhigen.

In solchen Fällen ist ein persönlicherer Ansatz die beste Wahl, was bedeutet, dass ein menschlicher Übersetzender die Botschaft in der Zielsprache nicht wörtlich, sondern kreativ neu formulieren muss. In diesen Fällen spricht man von „Transkreation“. Das ist der Fall bei:

• Homepages
• Werbe-Landingpages
• Blogposts
• Newsletter-Kampagnen
• Pressemitteilungen
• SEO-Content
• Printwerbung u. ä.

Was zeichnet die beste maschinelle Übersetzungssoftware aus?

Die Wahl des besten Tools für maschinelle Übersetzung kann komplex sein, da sowohl allgemeine als auch spezialisierte MT-Engines ihre jeweiligen Vorteile und Einschränkungen haben.

Deshalb sollte man – unabhängig davon, ob man den MT-Prozess selbst steuert oder sich auf einen externen Dienst für maschinelle Übersetzung verlässt – idealerweise an einem Ort Zugriff auf verschiedene MT-Engines haben, um das Potenzial der maschinellen Übersetzung voll auszuschöpfen.

Die Nutzung eines Übersetzungsmanagementsystems als zentrale Informationsquelle für alle Übersetzungsaktivitäten ermöglicht drei Schlüsselelemente für einen erfolgreichen MT-Einsatz:

• Automatische Auswahl der optimalen MT-Engine für deinen Content-Typ
• Qualitätsbewertung zur Steigerung der Effizienz beim Post-Editing
• Erfassung wichtiger Kennzahlen zur Optimierung von Produktivität, Durchlaufzeiten und Kosteneinsparungen

Auswahl der optimalen MT-Engine für deinen Content-Typ – automatisch

Unterschiedliche Übersetzungsprojekte bringen unterschiedliche Niveaus und Arten der Komplexität mit sich. Dies ist einer der Gründe, warum der Einsatz von MT als Teil eines Übersetzungsmanagementsystems so vorteilhaft ist.

Um das Beste aus MT herauszuholen, muss man in der Lage sein, jedem Content-Typ die richtige Engine zuzuweisen – und die robustesten Übersetzungsmanagementsysteme verfügen über Plugins oder Anwendungsprogrammierschnittstellen (API), die sie mit verschiedenen MT-Engines verbinden.

Die fortschrittlichsten Systeme bieten sogar die Möglichkeit, den Auswahlprozess auf Basis von künstlicher Intelligenz oder Algorithmen zu automatisieren, die den Content scannen und ihn der optimalen MT-Engine zuordnen.

Qualitätsbewertung zur Steigerung der Effizienz beim Post-Editing

Ein wesentlicher Bestandteil einer erfolgreichen MT-Implementierung besteht in dem Wissen, worauf sich die Nachbearbeitung konzentrieren soll. Wer die Qualität des MT-Outputs automatisch messen kann, kann sich auf die richtigen Segmente konzentrieren, anstatt Zeit und Ressourcen dort zu verschwenden, wo der rohe Output bereits von guter Qualität ist.

Dadurch entfällt das Rätselraten bei der maschinellen Übersetzung und die Effizienz der Nachbearbeitung wird gesteigert – ein weiterer Grund, warum der Einsatz einer in ein TMS integrierten maschinellen Übersetzung vorteilhaft ist: Die fortschrittlichsten Systeme verfügen über Funktionen zur automatischen Bewertung der Qualität maschineller Übersetzungen, mit denen sich feststellen lässt, welche Segmente mehr Aufmerksamkeit erfordern als andere.

Erfassung wichtiger Kennzahlen zur Optimierung von Produktivität, Durchlaufzeiten und Kosteneinsparungen

MT ist für viele Unternehmen attraktiv, da es das Potenzial für gesteigerte Produktivität, schnellere Durchlaufzeiten und letztendlich Kosteneinsparungen bietet. Allerdings erfüllen nicht alle MT-Engines dieses Versprechen, weshalb man unbedingt die Möglichkeit haben sollte, zu vergleichen, wie sich verschiedene Engines auf den Prozess auswirken können.

Mit einem leistungsstarken TMS lassen sich der Zeitaufwand und die Kosten jedes Übersetzungsprojekts erfassen, bei dem maschinelle Übersetzung zum Einsatz kommt. Wenn du mehrere MT-Engines verwendest, können diese Kennzahlen ein starker Indikator für den Wert einer Engine sein: Steigert oder verlangsamt sie die Produktivität der Übersetzenden? Deutet sie im Laufe der Zeit auf verbesserte Effizienzen gegenüber anderen Engines hin? Die Antworten auf diese Fragen vermitteln dir einen besseren Eindruck von den Möglichkeiten des Programms.

Mit Phrase TMS maschinelle Übersetzung optimal nutzen

Wenn Unternehmen maschinelle Übersetzung in großem Maßstab nutzen müssen, brauchen sie Technologie, die ihnen das Beste aus beiden Welten bieten kann: Effizienz und Qualität.

Phrase TMS, das unternehmensgerechte Übersetzungsmanagementsystem innerhalb der Phrase Localization Platform, ermöglicht es wachsenden Unternehmen, maschinelle Übersetzung mühelos zu nutzen. Organisationen erhalten die beispiellose Möglichkeit, neue Märkte schneller und effizienter zu erschließen.

Phrase TMS-User können ein spezielles Add-on für maschinelle Übersetzung namens Phrase Language AI verwenden, um maschinelle Übersetzung in den Übersetzungs-Workflow zu integrieren – mit schnellen und kostengünstigen Übersetzungen, bei denen keine Abstriche bei der Qualität gemacht werden.

Die fortschrittlichen Funktionen zum Management maschineller Übersetzungen, die Teil von Phrase Language AI sind und vollständig in Phrase TMS integriert sind, bieten dir folgende Möglichkeiten:

• Beginne sofort mit der Übersetzung, ohne dass Entwicklerzeit oder -aufwand erforderlich sind, und zwar mithilfe von vollständig verwalteten maschinellen Übersetzungs-Engines führender Anbieter wie Google, Amazon, DeepL oder Microsoft.
• Nutze eine der über 30 unterstützten generischen und benutzerdefinierten Engines, falls du eine bestimmte MT-Engine verwenden willst.
• Mache hochwertige maschinelle Übersetzungen für alle Mitarbeitenden zugänglich: Die leistungsstarke Phrase Language AI API ermöglicht es dir, den Nutzen der maschinellen Übersetzung durch unternehmensweiten Zugriff zu maximieren und so eine vom Unternehmen genehmigte maschinelle Übersetzung sicherzustellen.
• Nutze unbegrenzte maschinelle Übersetzungen für Post-Editing-Workflows, damit Linguisten effizienter arbeiten können.
• Arbeite mit der besten Engine – automatisch ausgewählt, je nach Sprachpaar und Content-Typ.
• Filtere Inhalte automatisch heraus, die nicht maschinell übersetzt werden sollten.
• Qualitätstests, rechtliche und sicherheitstechnische Bewertungen, Einrichtung und Zahlung von maschinellen Übersetzungssystemen werden an spezialisierte Experten für maschinelle Übersetzung im Phrase-Team delegiert.
• Nutze dein Translation Memory und steigere die Übersetzungsqualität um bis zu 50 %:Phrase NextMT– die erste TMS-fähige maschinelle Übersetzungsengine.
• Sorge dafür, dass die MT-Engines deine bevorzugte Terminologie verwenden , samt der korrekten morphologischen Flexion – das reduziert den Aufwand bei der Nachbearbeitung.
• Formatierung und Platzhalter-Tags werden automatisch vom Quell- in den Zielinhalt übernommen.
• Ermitte für jedes maschinell übersetzte Segment eine Bewertung, die auf früheren Leistungsdaten basiert, um nur dort Nachbearbeitungen vorzunehmen, wo dies erforderlich ist.
• Erziele mit MTPE bis zu 55 % Kosteneinsparungen im Vergleich zur menschlichen Übersetzung.

Entdecke erweiterte MT-Management-Funktionen innerhalb von Phrase TMS und hebe die MT-Technologie mit unserer unternehmensgerechten Lösung auf die nächste Stufe.

Verwandte Fragen