Łukasz Bogucki

W YDAW NICTW O NAUKOW E PWN

W ARSZAW A 2 0 0 9
Projekt okładki i stron tytułowych
Maryna Wiśniewska

Redaktor
Katarzyna Głowińska

Redaktor inicjujący
Anna Kędziorek

Wstęp / 7

1. Nowoczesna technologia w służbie tłumaczenia / 12

1.1. Przekład w wieku informacji / 12
Copyright © by Wydawnictwo Naukowe PWNHSV 1.2. Tłumacz jako zawód: rola tłumacza w procesie przekładu / 13
Warszawa 2009 1.3. Powtarzalność przekładu - geneza aplikacji wspomagających tłumacze­
nie / 15
1.4. Kontekst a tłumaczenie automatyczne / 19
1.5. Zastosowania przekładu maszynowego / 21
ISBN 978-83-01-15984-9
1.6. Terminologia i taksonomia / 25
1.7. Typologia przekładu maszynowego / 29

Wydawnictwo Naukowe PWN SA 2. Tłumaczenie maszynowe - rys historyczny / 37

ul. Postępu 18, 02-676 Warszawa
2.1. Wprowadzenie / 37
tel. 022 69 54 321; faks 022 69 54 031
2.2. Przekład automatyczny przed erą komputera / 38
e-mail: pwn@pwn.com.pl; www.pwn.pl
2.3. Memorandum Weavera - lata 50. XX w. / 39
2.4. Lata kryzysu - raport ALPAC / 40
2.5. Systran / 42
Wydawnictwo Naukowe PWN SA 2.6. Meteo / 44
Wydanie pierwsze 2.7. Systemy europejskie / 45
Arkuszy drukarskich 8,00 2.8. Translatica - polski wkład w tłumaczenie automatyczne / 48
Skład i łamanie Egraf, Warszawa 2.9. Podsumowanie - współczesność / 49
Druk ukończono w sierpniu 2009 r.
Druk i oprawa GRAFMAR Sp. z o.o. 3. Przekład wspomagany komputerowo / 52
36-100 Kolbuszowa Dolna, ul. Wiejska 43 3.1. Aplikacje wspomagające tłumaczenie / 52
 3.2. Pamięć tłumaczeniowa / 53
3.3. Najważniejsze aplikacje wspomagające przekład / 57
3.4. Działanie aplikacji wspomagających tłumaczenie / 59
3.5. Narzędzia terminologiczne / 66
3.6. Wady oprogramowania wspomagającego przekład / 68
3.7. Systemy hybrydowe / 69

4. Praktyczne aspekty przekładu automatycznego / 71

4.1. Tłumaczenie maszynowe a Internet / 71
4.2. Dialog a przekład maszynowy / 75
4.3. Ocena jakości przekładu maszynowego / 80
4.4. Kształcenie w zakresie przekładu wspomaganego komputerowo / 91
4.5. Lokalizacja oprogramowania komputerowego / 97
4.6. Korpusy językowe a przekład / 102
4.7. Wizje przyszłości - SATS, integracja, rozwiązywanie odwiecznych
problemów / 104
Komputer osobisty jest podstawowym narzędziem w warsztacie tłuma­
Podsumowanie / 107 cza. Można wyobrazić sobie tłumacza ustnego, szczególnie środowisko­
wego (pracującego w komisariatach, urzędach, szpitalach), który nie ko­
Bibliografia / 112
rzysta w pracy z komputera, jednak przekład ustny przyjęło się traktować
Niektóre systemy lokalizacji oprogramowania / 121 nie jako odmianę tłumaczenia, ale jako niezależną działalność rządzącą
się własnymi prawami; zresztą wiele języków ma osobne, etymologicznie
Niektóre systemy tłumaczenia maszynowego wykorzystujące język odrębne terminy na określenie tych profesji, jak translator i interpreter po
polski / 121 angielsku. Tłumacze filmów, literatury pięknej, tekstów specjalistycznych,
tekstów codziennych (jak korespondencja), umów, dokumentów, instruk­
Główne stowarzyszenia tłumaczenia automatycznego / 122
cji obsługi, stron internetowych, oprogramowania - wszyscy posługują
Periodyki specjalistyczne poświęcone tłumaczeniu maszynowemu / 123 się na co dzień komputerem. Naturalnie, w inny sposób robi to poeta tłu­
maczący wiersze, a w inny specjalista od lokalizacji gier komputerowych.
Indeks nazwisk / 124 Celem tej książki je st między innymi prezentacja mniej typowych spo­
sobów wykorzystania komputera w procesie przekładu. Uwagi na tem at
Indeks rzeczowy (hasła w języku polskim i angielskim) / 127 użycia komputera i jego klawiatury jako nowoczesnego odpowiednika
maszyny do pisania czy środka komunikacji między tłumaczem, biurem
a zleceniodawcą nie będą zatem stanowiły środka ciężkości niniejszej po­
zycji, podobnie jak wykorzystanie w tłumaczeniu wyszukiwarek interne­
towych, słowników elektronicznych, programów poprawiających pisow­
nię czy aplikacji rozwijających umiejętność bezwzrokowego pisania na
klawiaturze. Należy także zaznaczyć, że komputer nie jest w tej książce
traktowany jedynie jako znane wszystkim urządzenie biurowe z klawia­
turą i monitorem, ale przede wszystkim jako maszyna obliczeniowa, po-
trafiąca niektóre czynności wykonać szybciej i dokładniej niż człowiek; to
rozróżnienie ma niebagatelne znaczenie dla zrozumienia idei przekładu
automatycznego (maszynowego) oraz wspomaganego komputerowo.
Żyjemy w erze cyfrowej. Fakt ten wpływa praktycznie na każdy aspekt
naszego życia. Michael Cronin w swojej monografii poświęconej tłuma­
czeniu w erze globalizacji (Cronin 2003) podkreśla, że rozważanie istoty
przekładu jako profesji je st możliwe jedynie w kontekście zmian techno­
logicznych wpływających na pracę tłumacza. Formułuje on nawet pojęcie
„cyborgów tłumaczeniowych” („translational cyborgs who can no longer be
conceived of independently o f the technologies with which they interact”,
Cronin 2003: 112). Dość często obecnie stosowany akronim GILT, dający
się rozszyfrować po polsku jako „globalizacja, internacjonalizacja, loka­
lizacja, translacja”, trafnie opisuje rzeczywistość, w jakiej żyje i pracuje
współczesny tłumacz. Te zmiany cywilizacyjne interesująco opisują Hatim
i Munday, podając przykład biura tłumaczy, które zwróciło się do jednego
z autorów z propozycją dokonania „lokalizacji” dwóch szesnastowiecz-
nych poematów; chodziło naturalnie o przekład (z hiszpańskiego na an­
gielski), jednak użycie określenia do tej pory zarezerwowanego dla tłu­
maczenia oprogramowania komputerowego1 może świadczyć o nadcho­
dzących zmianach terminologicznych (por. Hatim i Munday 2004: 113).
Jak pisze van der Meer (2003: 181): „It is no longer sufficient to translate
the product documentation and localise the software, all enterprise infor­
mation must be adapted to the global marketplace in which the company
wants to be seen as a market leader”.
Translatoryka ma status dyscypliny akademickiej dopiero od półwie­
cza (według niektórych teoretyków okres ten jest nawet krótszy, ale za
podwaliny polskiego przekładoznawstwa można uznać pracę Olgierda
Wojtasiewicza z 1957 r.). W ciągu tych kilkudziesięciu lat obserwujemy
jednak ogromną dynamikę badań przekładowych, poczynając od modeli
językoznawczych wywodzących się ze strukturalizmu i gramatyki genera-
tywno-transformacyjnej, poprzez podejścia pragmatyczne, psycholingwi-
styczne, kognitywne, do badań wychodzących poza obszar tekstu jako
materiału przekładowego i koncentrujących się na tłumaczeniu filmów,
1 Lokalizacja oprogram ow ania je s t w zasadzie czymś więcej niż prostym tłum acze­
niem kom unikatów , przy pom ocy których ko m p u te r porozum iew a się z użytko w nikiem ;
więcej in form acji można znaleźć na stronie in te rn e to w e j w w w .lisa .o rg, a także w rozdziale
czwartym tej książki.
gier komputerowych czy oprogramowania. Punktem wyjścia niniejszej
książki jest traktowanie przekładoznawstwa jako dyscypliny niezwykle
złożonej, w której jest miejsce na dywagacje natury filozoficznej, etycz­
nej, hermeneutycznej, na analizę językową i jakościową, ale także na
badania nad praktycznymi aspektami pracy tłumacza, dostępnymi narzę­
dziami i metodami usprawniającymi wykonywanie codziennych zadań. Już
w 1994 r. Clark zwrócił uwagę, że znajomość narzędzi wspomagających
tłumaczenie powinna być zasadniczym elementem kwalifikacji tłumacza,
jeżeli ma on odnieść sukces na rynku (Clark 1994: 308). Jak to jednak
w translatoryce często bywa, obserwujemy dysproporcję między sferą te­
orii a praktyki; używane powszechnie przez tłumaczy narzędzia nie mają
nadal należnego miejsca w dyskusjach teoretycznych. Jak zauważa Wilss
(1999: 141) brak zainteresowania teoretyków przekładu tłumaczeniem
maszynowym wynika z faktu, że ten rodzaj przekładu przyjęło się trak­
tować jako odmienny od pozostałych. Przekładoznawcy traktują teorię
tłumaczenia maszynowego jako leżącą w sferze zainteresowania analizy
języka naturalnego (NLP). Obecnie jednak, wraz z dynamicznym rozwo­
jem aplikacji wspomagających przekład, a więc zastosowaniem technik
przekładu automatycznego w codziennej pracy tłumacza, należy zwró­
cić baczniejszą- uwagę na teoretyczne aspekty tego rodzaju tłumaczenia
właśnie z punktu widzenia translatoryki, dziedziny interdyscyplinarnej,
czerpiącej między innymi z doświadczeń lingwistyki.
Interdyscyplinarność translatoryki jako dyscypliny naukowej musi
być w tym miejscu zaakcentowana, ponieważ zbyt szerokie traktowa­
nie pojęcia przekładu jest podstawową przyczyną nieporozumień zwią­
zanych z rolą tłumaczenia automatycznego. Venuti (1995) przygląda się
historii przekładoznawstwa z punktu widzenia roli tłumacza i wpływu,
jaki wywiera on na tłumaczony tekst. „Widzialność” lub „niewiclzialność”
tłumacza to jednak pojęcia przystające przede wszystkim do przekładu
literatury. Znacząca ingerencja w tłumaczony tekst może być również
świadomą strategią w niektórych odmianach przekładu audiowizualnego,
a nawet w rzadkich przypadkach tłumaczenia słowa żywego, jednak w tłu­
maczeniu technicznym nosi najczęściej znamiona błędu. Tłumacz poeta
i tłumacz ekspert techniczny to dwie różne osoby. Ten pierwszy może spać
spokojnie, ponieważ maszyny przekładające z zadowalającym skutkiem li­
teraturę piękną są - i jeszcze długo pozostaną - marzeniem ściętej głowy
(Michael Cronin wspomina o nieosiągalnym ideale w pełni zautomatyzo­
wanego systemu do tłumaczenia tekstów literackich - „Fully Automatic
High Quality Translation o f the Literary Text”, Cronin 2003: 114). To szybki
wzrost liczby tekstów technicznych, ich specyfika i specyficzna rola tłu­
macza takich tekstów stoją u źródła prac nad przekładem (częściowo lub
całkowicie) automatycznym.
Pisanie każdej książki poświęconej nowoczesnym technologiom jest
obarczone ryzykiem, że informacje w niej zawarte mogą być nie do końca
aktualne. W ostatnich latach proces pisania i cykl wydawniczy uległy, ze
względu właśnie na postęp technologiczny i wykorzystanie komputerów,
wyraźnemu skróceniu, jednak tempo rozwoju technologii informatycz­
nych jest tak wysokie, że wydawanie drukiem informacji o najświeższych
nowinkach może mijać się z celem. Jak pisze Esselink w przedmowie do
swojej książki poświęconej lokalizacji oprogramowania (Esselink 2000: i):
„writing about software localization is like fighting against time”. Dlatego
też niniejsza monografia nie ma na celu prezentacji najnowszych osiąg­
nięć czy ostatnich wersji programów do tłumaczenia. Moim zamiarem jest
przedstawienie historycznego rozwoju opisywanej technologii od pro­
stych, by nie rzec prymitywnych, systemów tłumaczenia maszynowego do
obecnie używanego oprogramowania komputerowego, omówienie zasady
działania systemów automatycznych i aplikacji wspomagających przekład,
a także próba odpowiedzi na pewne pytania natury etyczno-filozoficznej,
dotyczące roli człowieka w procesie przekładu. W książce omówione zo­
staną nie tylko systemy tłumaczenia maszynowego oraz programy w spo­
magające przekład tekstów technicznych i specjalistycznych, poruszone
zostaną także kwestie wykorzystania Internetu w pracy tłumacza oraz lo­
kalizacji oprogramowania komputerowego. Myślą przewodnią niniejszej
publikacji jest zbieżność procesu przekładu tekstów technicznych (spe­
cjalistycznych) i rozwoju nowoczesnych technologii. U progu XXI stulecia
praca tłumacza podlega dynamicznym zmianom, a translatoryka jako dy­
scyplina naukowa winna te zmiany dostrzegać i na nie reagować. U źródła
tych zmian stoi dążenie do usprawnienia pracy tłumacza, do eliminacji
większości błędów, jednorodności terminologicznej, a przede wszystkim
przyspieszenia procesu. Jak dowiemy się z kart tej książki, komputer tłu­
macza nie zastąpi, ale teraz jest tego celu bliżej niż kiedykolwiek.
Arnold i in. (1994) przypominają cytowany chyba w każdym opraco­
waniu poświęconym tłumaczeniu maszynowemu przykład tłumaczenia
zdania The spirit is willing, but the flesh is weak („Duch wprawdzie ochoczy,
ale ciało słabe”, Ewangelia według św. Mateusza 26,41) jako „wódka jest
dobra, ale stek beznadziejny". Miało to być maszynowe tłumaczenie z an­
gielskiego na rosyjski, a błąd miał wynikać z wieloznaczności słów spirit:
(również: „alkohol”) i flesh (również: „mięso”). Autorzy zwracają jednak
uwagę, że podany przykład, choć trafny i zabawny, nie jest prawdziwy,
ponieważ w czasie, kiedy się pojawił (rok 1956), nie istniały systemy tłu­
maczenia maszynowego z angielskiego na rosyjski, a jedynie, na skutek
panującej w owym czasie sytuacji politycznej, w stronę przeciwną (Arnold
i in. 1994: 6-7). W książce pomyślanej jako część serii poświęconej fak­
tom i mitom translatoryki wypada zaakcentować częsty zwyczaj wyol­
brzymiania wagi błędów generowanych przez systemy przekładu auto­
matycznego i niedoceniania użyteczności takich rozwiązań. Obiektywne
podejście prezentowane w tej publikacji powinno unaocznić rzeczywiste
wady i zalety tłumaczenia automatycznego.
Niezależnie od tematyki i używanej w niektórych fragmentach ter­
minologii komputerowej niniejsza publikacja nie jest adresowana do in­
formatyków, ponieważ kwestie techniczne związane z oprogramowaniem
i sprzętem komputerowym stoją tu na drugim planie. Również zagadnie­
nia z pogranicza dziedzin związanych z tematem, ale rzadko kojarzonych
z przekładoznawstwem (jak statystyka) nie są punktem ciężkości niniej­
szej pozycji. Książkę kieruję przede wszystkim do studentów kierunków
filologicznych-ze specjalizacją translatorskćj, adeptów sztuki przekładu,
tłumaczy i teoretyków tłumaczenia, a także do wszystkich zainteresowa­
nych wykorzystaniem nowoczesnych technologii w przekładzie.
Za pomoc w pisaniu książki, wsparcie, inspirację, zachętę i mate­
riały dziękuję prof. Barbarze Lewandowskiej-Tomaszczyk, prof. Piotrowi
Stalmaszezykowi, Adamowi Podstawczyńskiemu, Marcinowi Federowi,
Pablo Romero Fresco, Lynn Webb oraz Juno.

Mowoczesitci technologia w służbie
tłum aczenia
1.1. Przekład w w iek u inform acji
XXI wiek będzie zapewne okresem szczególnym w liczącej kilka tysięcy
lat historii przekładu. Ilość informacji zwiększa się w zastraszającym
tempie - jedno wydanie codziennej gazety zawiera dziś tyle danych, ile
w XVH w. przeciętny człowiek przyswajał przez całe swoje życie1. Według
International Data Association codziennie na świecie wysyła się kilkadzie­
siąt miliardów wiadomości e-mail. Na podstawie szacunków firmy IBM
w 2010 r. ilość informacji dostępnych drogą cyfrową będzie się podwajać
co 11 godzin2. Profesjonalni tłumacze, nawet przy wsparciu tzw. wolnych
strzelców czy osób tłumaczących okazjonalnie, nie mają w zasadzie szans
sprostać wymaganiom rynku. Barabe (2007: 422) podaje, że jedynie nie­
całe 10% powstających dokumentów naukowo-technicznych jest tłuma­
czonych. Jako że „natura horrent vacuum”, a rozmiary i tendencja w zro­
stowa powstającej luki wykluczają skorzystanie jedynie z pomocy czło­
wieka, automatyzacja procesu przekładu jest obecnie faktem, a jej rola
będzie niewątpliwie coraz bardziej znacząca. Już na przełomie wieków
Austermiihl pisał: „it is obvious that the growing demand for high-quality
translations of technical texts is no longer manageable without the use
1 Dane te podaje Richard Saul W urm an w sw ojej książce popularnonaukow ej
„In fo rm a tio n an xie ty” (1989).
2 h ttp ://n e w s .c n e t.c o m /2 1 0 0 -7 3 4 5 _ 3 -6 1 5 9 0 2 5 .litm l? p a r t= r s s & t a g = 2547-1 3-0-
20 & sub j= new s
of computer-based m ethods” (Austermiihl 2001: 8). To, co wydawało się
prawdziwe prawie dekadę temu, dzisiaj je st absolutnie niepodważalne,
bowiem kilka lat w technologii komputerowej to okres znaczący.
W epoce globalizacji i dominacji języka angielskiego przekład może
utracić swą niezagrożoną dotąd pozycję (por. Wiersema 2004), jednak zwo­
lennicy tezy, że angielski jest lingua franca współczesnego świata nie mają jak
dotąd decydujących argumentów. Globalizacja może prowadzić do zbliżania
się kultur, a więc do potrzeby szerszego przekazu informacji z wykorzysta­
niem - ze względu na bariery językowe - przekładu. W świecie korporacyj­
nym angielski jest językiem „urzędowym”, ale rola języków ojczystych nie
powinna być umniejszana. Jak mawiał były kanclerz Niemiec Willy Brandt:
„if I’m selling to you, I speak your language. If I’m buying, dann miissen Sie
Deutsch sprechen”. Rosnąca liczba zleceń wskazuje na coraz istotniejszą rolę
przekładu we współczesnym świecie, a olbrzymie zainteresowanie konfe­
rencjami, takimi jak organizowana przez serwis Proz.com „Rynek tłumaczeń
i lokalizacji w Polsce” (Warszawa 2008) jest oznaką głodu wiedzy o praktyce
zawodu tłumacza tekstów specjalistycznych, zawodu obecnie wykonywa­
nego praktycznie bez wyjątku z użyciem narzędzi komputerowych.
1.2. T łu m acz ja k o zaw ód : ro la tłu m a c z a w procesie
p rz e k ła d u
W cytowanym powyżej wykładzie plenarnym wygłoszonym podczas
ważnej, cyklicznej międzynarodowej konferencji translatorycznej Duo
Colloquium, Donald Barabe zauważył, że społeczna ocena kwalifikacji
i przydatności tłumacza jest dość niska - laicy są zdania, że każda osoba
dwujęzyczna (a takich osób w globalnym społeczeństwie jest coraz wię­
cej) potrafi w naturalny sposób tłumaczyć; jednak, co oczywiste, „not too
many people with two hands are capable of becoming concert pianists”
(Barabe 2007: 423). Docenia się talent wybitnych tłumaczy literackich, ale
w skali problemu przekład literatury pięknej jest działalnością marginalną.
Tłumacz specjalistyczny pozostaje osobą anonimową.
W latach 80. XX w. znaczącym nurtem badań nad przekładem była
Manipulation School (por. Hermans 1985). Był to okres podważania war­
tości klasycznych dla translatoryki pojęć, przede wszystkim ekwiwalen­
cji; tacy badacze jak Susan Bassnett, Andre Lefevere czy Theo Hermans
(por. także Bassnett i Lefevere 1990).wychodzili z założenia, że każdy akt
przekładu (tekstu literackiego) jest manipulacją dokonywaną na oryginale.
W tym duchu Fawcetl (1995: 178) podaje przykłady ingerencji w pracę
tłumacza („translators are increasingly losing control of their translations,
especially when they are handed over to the publishers”). Z tych badań
wyłaniał się obraz tłumacza z jednej strony wpływającego na tekst, który
tłumacząc tworzy, z drugiej strony podatnego na wpływy zewnętrzne, za­
lecenia zleceniodawców i ingerencję w postaci postedycji, a więc je d n o ­
cześnie manipulatora i manipulowanego.
Od kilkudziesięciu lat różne organizacje podejmują działania w celu
ustalenia i ochrony praw tłumacza, polepszenia jego statusu oraz okre­
ślenia specyfiki tego zawodu. Wymieńmy chociażby zalecenia UNESCO
z 22 listopada 1976 r., Kartę Tłumacza FIT (Międzynarodowej Federacji
Tłumaczy), Kartę Tłumacza Polskiego uchwaloną w 1993 r. przez Zarząd
Główny Stowarzyszenia Tłumaczy Polskich czy pismo Prezesa Polskiego
Towarzystwa Tłumaczy Przysięgłych i Specjalistycznych TEPIS z dnia
20 sierpnia 2003 r. do Doradcy Ministra Kultury w sprawie przyznania
tłumaczom nieliteraclcim statusu twórcy, co w myśl obowiązujących prze­
pisów wiąże się z korzystniejszą normą kosztów uzyskania przychodu3.
Ostatni ze wspomnianych dokumentów stanowi interesujący głos w dys­
kusji nad statusem tłumacza tekstów specjalistycznych w porównaniu
do statusu tłumacza literatury pięknej. W translatoryce powszechna jest
opinia, że tłumacz literat je st artystą, mającym oprócz wykształcenia ta­
lent i predyspozycje. Zrównanie go z tłumaczem tekstów technicznych,
nawet z pobudek finansowych (jak zrobiono to we wspomnianym liście),
jest wyrażeniem opinii, że każdy tłumacz jest kimś więcej niż rzemieśl­
nikiem automatycznie dokonującym zabiegu konwersji tekstu z jednego
języka na inny. Rozszerzenie takiej argumentacji prowadzi do wniosku, że
przekład automatyczny (w każdej formie) ma wyręczyć tłumacza z krwi
i kości przy pewnych pracochłonnych czy monotonnych czynnościach lub
zwiększyć jego wydajność, nie zaś wyrugować go z rynku. Oczywiste
jest bowiem, że traktowanie tłumacza tekstów specjalistycznych jedynie
jako przepisywacza, lekceważąc jego umiejętności radzenia sobie z fi­
gurami stylistycznymi i zabiegami językowymi, występującymi również
w tekstach technicznych (por. Hatim i Mason 1997: vii), jest daleko idą­
cym uproszczeniem (por. także Hejwowski 2006: 153).
:l W szystkie przywołane dokum enty znajduj;) się w suplemencie publikacji Kodeks tłu­
macza przysięgłego z komentarzem (wyd. Translegis pod auspicjami TEPIS, Warszawa 2007).
1.3. P o w ta rz a ln o ść p rz e k ła d u —g en eza a p lik a c ji
w sp o m ag ający eh tłu m a c z e n ie
Teoretycy przekładu są zgodni co do tego, że tłumaczenie wymaga cią­
głego podejmowania decyzji. Cecha ta łączy technicznie bardzo odległe
od siebie odmiany przekładu, jak tłumaczenie literackie, specjalistyczne,
filmowe czy nawet ustne. Interdyscyplinarność i złożoność przekładu to
kolejny aksjomat translatoryki. Trudno mierzyć jedną miarą tłumaczenie
specjalistyczne i literackie, nie mówiąc o przekładzie ustnym czy audiowi­
zualnym. Krytyka przekładu maszynowego, której punkt wyjścia stanowi
teza, że maszyna nie będzie nigdy w stanie przełożyć dzieł Szekspira, nie
jest więc uzasadniona, ponieważ systemy tłumaczenia maszynowego nie
do tego celu zostały stworzone. Zatem mimo że sam fakt ciągłej selek­
cji optymalnych odpowiedników w innym języku jest immanentną cechą
przekładu jako takiego, charakter problemów, przed jakimi staje tłumacz
(i w konsekwencji wybieranych rozwiązań), jest różny w zależności od
rodzaju tłumaczenia.
W procesie podejmowania decyzji tłumacz skazany jest na wielo­
krotny wybór najlepszego spośród dostępnych ekwiwalentów. Oczywiście
kwalifikator „najlepszy” jest w dużej mierze subiektywny, dlatego też
w akademickiej krytyce przekładu unika się raczej normatywnych okre­
śleń, jak „dobre” czy „złe” tłumaczenie. Istnieje jednak szereg kryteriów,
które uzasadniają wybór danych odpowiedników, a odrzucenie innych.
Wiele zależy od typu tekstu, charakterystyki odbiorcy i szeroko pojętego
kontekstu. Przez to 10 tłumaczy pracujących nad tym samym tekstem
w tych samych warunkach najprawdopodobniej napisze 10 różnych wer­
sji tekstu docelowego. Niektóre z tych wersji, wziąwszy pod uwagę po­
wyższe kryteria, będzie można zakwalifikować jako „lepsze” od innych,
a właściwie trafniejsze, wywołujące na czytelniku efekt bardziej zbliżony
do oryginału (por. Nida 1964). Istnieją jednak typy tekstów, w których róż­
nice między poszczególnymi wersjami będą niewielkie, a poszczególne
fragmenty, dłuższe lub krótsze, mogą być nawet identyczne. Wynika to
z istnienia ogólnie przyjętych, poprawnych w danym kontekście sformu­
łowań, gdzie jakiekolwiek odstępstwo od normy będzie nosiło znamiona
błędu tłumaczeniowego.
Zjawisko powtarzalności w tekstach wyjściowych jest w przekładzie
specjalistycznym powszechne. Może .ono występować w ramach jednego
tekstu. Z taką sytuacją mamy do czynienia na przykład w poniższej tabeli W okresie trw ania gwarancji szpital W arunek graniczny/
zawierającej zestawienie parametrów technicznych - fragmenty oznaczone 11.8 ma otrzym yw ać bezpłatnie aktuali- TAK /wymagany, bez oceny
tłustym drukiem, w oryginale standardową czcionką, powtarzają się: zacje oprogram ow ania. punktow ej
Czas usunięcia aw arii (liczony jest do 4 godz. - 20 pt.
Tabela 1. Przykład tekstu cechującego się powtarzalnością w system ie 24/7* od c h w ili zgłosze­ do 8 godz. - 16 pt.
nia). TAK do 12 godz. - 12 pt.
11.9
SERWIS I GWARANCJI; (dotyczy pozycji n r 1, 2 3, 5 zestaw ienia p a ra m e tró w Przekroczenie term in u powyżej 48 Podać do 24 godz. - 8 pt.
11.
technicznych) godzin naprawy wymaga w staw ienia do 48 godz. - 4 pt.
sprzętu zastępczego. powyżej 48 godz. - 0 pt.
Instrukcje obsługi w ję zyku polskim W arunek graniczny/
11.1 w form ie papierow ej oraz ele ktro ­ TAK /wymagany, bez oceny Przedstawienie inform acji w za­ Warunek graniczny/
nicznej - przy dostawie pu nktow ej 11.10 kresie zdalnej diagnostyki sprzętu TAK /wymagany, bez oceny
i je g o oprogram ow ania. punktow ej
2 - 1 pkt.
Okies gw arancji na oferowane urzą­ * przez 24 godziny w ciągu 7 dni tygodnia
1 1.2 TAK 3 - 1 0 pkt.
dzenia - p o d a ć ilość lat
4 - 2 0 pkt.
Źródło: ww w.wss.olsztyn.pl/przetargi/9ueparam etry.doc (zachowano oryginalne brzmienie
0 - 0 pkt. tekstu).
Okres bezpłatnej obsługi serw iso­ 1 - 1 pkt.
1 1.3 wej (liczony od zakończenia okresu TAK 2 - 2 pkt. Podobna sytuacja ma miejsce w przypadku etapów procedur w in­
gwarancji) - pociąć ilość lat 3 - 1 0 pkt.
strukcjach obsługi różniących się tylko jednym słowem, powtarzających
4 - 2 0 pkt.
się przypisów dolnych czy szablonowych podpisów pod rysunkami.
4 - 2 pkt. Kolejny przykład pochodzi z podręcznika ekonomii; wyraźnie widać, że
W okresie gw arancji podać ilość nie­ 5 - 3 pkt.
tekst w diagramie charakteryzuje się sporym stopniem powtarzalności:
odpłatnych przyjazdów w każdym TAK 6 - 4 pkt.
roku w okresie trw an ia um ow y gwa­ Podać 7 - 5 pkt.
1 1.4 rancyjnej, sukcesywnie do upływu ilość 8 - 6 pkt. Tabela 2. M acierz opłacalności działalności gospodarczej (przykład tekstu, w którym ko­
czasu trw ania gw arancji (w czasie przeglą­ 9 - 7 pkt. m órki tabeli są praktycznie identyczne)
trw ania gw arancji m inim um 2 nie­ dów 1 0 - 8 pkt.
odpłatne przyjazdy rocznie) 1 1 - 9 pkt. Stosunek tem pa w zro stu ryn k u do tem pa w zro stu
1 2 - 1 0 pkt. ud zia łu danej firm y w ryn ku
ROE w zg lęd em Ke
R elatyw ny spadek R elatywny w z ro s t udziału
Sposób przyjm owania zgłoszeń
u d zia łu w ryn k u w rynku
o awariach w okresie trw ania um owy W arunek graniczny/
TAK
1 1.5 gwarancyjnej i w okresie pogwaran­ /wymagany, bez oceny + cash-flow
Podać
cyjnym poprzez telefon potw ierdzony pu nktow ej Działalność (sprzedaż) przyno­ + cash-flow + udział w rynku
fax’em, stronę w w w lub e-mail sząca zysk, czyli ROE > Ke - udział w rynku - cash-flow
Wykaz p u n któ w serwisowanych W arunek graniczny/ + udział w rynku
TAK
I 1.6 autoryzow anych przez producenta /wymagany, bez oceny
Podać -1- cash-flow
w Polsce pu nktow ej
Działalność (sprzedaż) przyno­ - udział w rynku - cash-flow
do 4 godz. - 20 pt. sząca stratę, czyli ROE < Ke -1- udział w rynku
- cash-flow
Czas reakcji na zgłoszenie (liczony do 8 godz. - 16 pt.
- udział w rynku
11.7 je s t w system ie 24/7* od c h w ili z g ło ­ TAK do 12 godz. - 12 pt.
szenia) do 24 godz. - 8 pt.
Źródło: O blój K. 2007 Strategia organizacji. W jjasziikiwaitiu trwałej przewagi konkurencyjnej.
do 48 godz. - 4 pt.
Warszawa: PWE, 474.
 Według badań (Spies 1995:3) większość (ponad 50%) elementów tekstu
powtarza się co najmniej raz. Powtarzalność fragmentów może cechować
teksty o pokrewnej tematyce, często otrzymywane od tego samego zlece­
niodawcy. Tłumacz, który nawiąże współpracę np. z producentem telefo­
nów komórkowych, będzie od niego otrzymywał instrukcje obsługi coraz
nowszych modeli, w których pewne fragmenty będą identyczne, ponieważ,
jak wiadomo, niektóre modele są jedynie unowocześnionymi wersjami po­
przednich, a wiele funkcji jest identycznych. Podobna sytuacja występuje
w przypadku świadectw wymagających jedynie zmiany danych osobowych
czy umów i gwarancji zawierających utarte sformułowania.
Opisane zjawisko ma ogromne znaczenie dla tłumaczy tekstów spe­
cjalistycznych i doprowadziło do opracowania narzędzi, o których traktuje
niniejsza pozycja. Studenci niższych lat filologii stając przed dylematem,
jak spożytkować swoją wiedzę językową i jaką drogę kariery wybrać, czę­
sto opowiadają się za opcją translatorską. U wielu z nich wybór podykto­
wany jest kuszącą wizją ciągłego wykazywania się wrażliwością językową
przez wymyślanie zgrabnych rozwiązań przy przekładaniu kalamburów
czy innych gier słownych. Naturalnie, takie zlecenia zdarzają się raczej
tłumaczom literackim, ewentualnie filmowym; wystarczy wspomnieć zna­
komite przekłady Alicji w Krainie Czarów i Mechanicznej pomarańczy autor­
stwa Roberta Stillera, a z dzieł nowszych Kodu Leonarda da Vinci Krzysztofa
Mazurka. Zgrabne dialogi autorstwa Elżbiety Gałązki-Salamon, na przykład
z filmu Quentina Tarantino Pulp Fiction, czy Bartosza Wierzbięty z filmów
animowanych studia Disney Pixar weszły już nawet do języka potocznego.
Statystycznie jednak przekład literacki czy filmowy stanowi znikomy uła­
mek wykonywanych tłumaczeń (w przypadku przekładu literatury pięknej,
jak podaje Sager [1994: 297], jest to 0,3% wszystkich tłumaczonych na
świecie stron). Gdybyśmy mieli dokonać uproszczonej charakterystyki pro­
cesu przekładu na podstawie częstotliwości wykonywanych zleceń, otrzy­
malibyśmy obraz żmudnej, powtarzalnej i przewidywalnej pracy, w której
trudność stanowi poszukiwanie ekwiwalentów nie tyle właściwych styli­
stycznie i dających podobny, nierzadko - jak w przypadku wspomnianych
gier słów - złożony efekt, ile poprawnych terminologicznie. Zatem tłu­
macz ekspert, obeznany z terminologią obowiązującą w danej dziedzinie
oraz dysponujący najnowszymi słownikami, glosariuszami i dostępem do
Internetu, wykonuje dokładne tłumaczenia fachowych, podobnych do sie­
bie tekstów, zawierających utarte sformułowania i powtarzające się frag­
menty. Właściwie jedyną cechą wspólną tego typu przekładu i działalności
tłumacza artysty pracującego nad poezją czy prozą jest przenoszenie in­
formacji z jednego języka na inny; sposób pracy, stosowane strategie, tech­
niki, narzędzia, materiały, kwalifikacje tłumacza, oczekiwania odbiorcy,
wynagrodzenie, terminy wykonania pracy, sposób kontaktu i rozliczenia
z klientem - wszystkie te elementy są najczęściej inne. Z punktu widzenia
automatyzacji procesu tłumaczenia najistotniejszą różnicą między prze­
kładem tekstów technicznych a przekładem literackim (czy nawet specy­
ficzną odmianą tłumaczenia specjalistycznego jaką jest przekład prawny)
jest mniejsza rola kontekstu i ograniczone występowanie elementów spe­
cyficznych dla danej kultury, a przez to potencjalnie nieprzekładalnych.
Tłumacz tekstów fachowych, trafiając na elementy powtarzające się,
ma do dyspozycji kilka rozwiązań. Jeżeli pracuje w typowym edytorze lub
procesorze tekstu, może dany fragment po prostu przepisać. Tak robią
jednak tylko tłumacze potrafiący biegle, bezwzrokowo pisać na klawia­
turze komputera, a i to w wypadku, gdy fragment jest krótki i powtarza
się niewiele razy - wtedy odrywanie się od pisania, aby wykonać inną
operację, na przykład przy użyciu myszki, trwa dłużej niż napisanie kilku
krótkich słów. Fragment dłuższy, występujący w tekście wielokrotnie
w niezmienionej formie, można skopiować i wklejać. Konieczność wy­
konywania tego typu zautomatyzowanych działań w procesie przekładu
zainspirowała twórców oprogramowania do stworzenia narzędzi, które
wyręczałyby tłumacza w takich czynnościach. Obecnie agencje tłumaczy
wymagają od kandydatów do pracy umiejętności obsługi programów
wspomagających tłumaczenie, a klienci takich agencji dostarczają wraz ze
zleceniem bazę wcześniejszych tłumaczeń, wymagając zachowania spój­
ności i użycia odpowiedniego oprogramowania.
1.4. K ontekst a tłum aczenie autom atyczne
Nie tylko teoretycy i praktycy przekładu, ale też laicy zgodzą się zapewne
z twierdzeniem, że tłumaczenie nie jest możliwe bez kontekstu. Poprawnie
zbudowane zdanie w dowolnym języku, pozbawione umocowania kon­
tekstowego, określenia sytuacji, w jakiej występuje oraz zdań je poprze­
dzających i po nim następujących, może pozostawiać tłumaczowi lub pro­
gramowi tłumaczącemu tak wiele możliwości interpretacji, że wybranie
właściwej (zgodnej z intencją nadawcy komunikatu językowego) jest czystą
loterią. Na rolę kontekstu w przekładzie zwracają uwagę praktycznie wszy­
scy wpływowi badacze przekładoznawcy poczynając od Nidy (1964: 51).
 Słynna i kontrowersyjna publikacja E.A. Gutta (1991), opisująca próbę za­
stosowania Teorii Relewancji Sperbera i Wilson w przekładzie, przedsta­
wia kontekst jako niezwykle istotny element komunikacji międzyludzkiej.
Interesujący przykład braku zrozumienia wynikającego z błędnej interpreta­
cji reguł grzeczności językowej podaje Baker (1992: 233-234). Podczas ne­
gocjacji prowadzonych w latach 70. między USA i Japonią premier Japonii,
w odpowiedzi na zaniepokojenie strony amerykańskiej sytuacją na rynku
odzieżowym, odparł zensho shimasu, co dosłownie oznacza „zajmę się tym”.
Jednak w języku japońskim cytowana fraza jest po prostu grzeczną formułą,
którą zwykle kończy się podobne rozmowy i która nie musi być wiążącą
obietnicą podjęcia jakichkolwiek działań.
Problem kontekstu stanowi barierę dla systemów tłumaczenia maszy­
nowego. Systran (patrz 2.5), a konkretnie wersja internetowa SYSTRANet,
tłumaczy angielskie wyrażenie I am good dosłownie jako „Jestem dobry”4.
W podobny sposób mógłby postąpić tłumacz, gdyby miał przełożyć takie
właśnie odizolowane zdanie (co jest naturalnie mało prawdopodobne)'
Wyobraźmy sobie jednak wymianę zdań Would you like some more wine?
I am good, thank you. Tłumacz z pewnością zinterpretowałby omawiane
wyrażenie jako grzeczną odmowę („Nie, dziękuję”, „Nie chce mi się już
pić", „Wystarczy”, „Mam dosyć" itp.). Systran jednak, mimo szerszego kon­
tekstu, nadal interpretuje omawiane zdanie w sposób dosłowny, przez co
powstała wymiana zdań w języku docelowym nie ma większego sensu:
(1) T D niem : W urde Sie mógen m e h r Wein? Ich bin gul, danke.
TDhiszp: iU s le d tienen gusto de mas v in o ? Soy bueno, gracias.
T D w l: Voi gradiscono un p o 'p iu d i vino? Sono buono, grazie.
Można sobie wyobrazić algorytm, który „uczyłby” program tłumacze­
niowy, że omawiane zdanie należy przetłumaczyć w inny niż domyślny
sposób, jeżeli poprzedzone jest ono pytaniem takim, jak w przykładzie.
Jednak przedstawiona wymiana zdań, chociaż brzmiąca naturalnie we
współczesnej angielszczyźnie, nie jest jedyną możliwą w danej sytuacji;
potencjalne warianty komplikują sytuację. Co więcej, nawet zaawansowany
system tłumaczenia maszynowego, analizujący wiele możliwych ekwiwa­
lentów przez pryzmat kontekstu, byłby upośledzony w stosunku do tłuma­
czy z krwi i kości, ponieważ nie posiadałby wymaganej wiedzy o świecie.
Systran nie um ożliw ia tłum aczenia z angielskiego na polski, ale przekład pow yż­
szego zdania na inne ję z y k i ja sno pokazuje, że program in te rp re tu je zdanie w zbyt d o ­
słow ny sposób.
•20
Należy w ięc ja s n o stw ierdzić, że na obecn y m e ta p ie rozw oju technologii
systemy tłu m aczen ia m aszy n o w eg o m ogą stan o w ić altern aty w ę dla tłu m a­
c z y jedy n ie w sytuacjach, w któ ry ch liczy się czas i koszty, te k s t wyjściowy
nie oferuje zbyt w ielu m ożliw ości in terp retacji, nie zaw iera fragm en tó w
uznaw anych za n iep rz ek ład a ln e, nie w ym aga szerokiej w iedzy pozajęzyko-
wej, a ab so lu tn a d o k ła d n o ść p rzek ład u nie je s t p rio ry te te m .
. . Z asto so w an ia przekładu m aszynow ego
1 5
Genezy idei (częściowej) automatyzacji procesu przekładu należy upatry­
wać w rosnącym zapotrzebowaniu na tłumaczenie specjalistyczne. Pod
koniec XX w. (por. rn.in. Freivalds 1997) stało się jasne, że popyt na usługi
tłumaczeniowe wykazuje tendencję rosnącą, a rozwój technologii umożli­
wia nie tylko konstrukcję narzędzi usprawniających ten proces, ale także
wykorzystanie ich w komputerach osobistych, a więc ich powszechną
dostępność (kwestię kosztów zakupu licencji na oprogramowanie w tym
rozważaniu pomijamy).
Systemy tłumaczenia maszynowego sprawdzają się doskonale w sytua­
cjach, kiedy odbiorca nie wymaga przekładu bardzo wysokiej jakości, nato­
miast chce go otrzymać natychmiast. Naturalnie, w epoce Internetu zlece­
nie tłumaczenia nie wymaga już osobistej wizyty w biurze tłumaczeń z ma­
szynopisem. Jak pisze Esselink: „via the Internet, it is equally fast and cheap
to send documents for translation to the most remote part of the planet
and to the company next door” (Esselink 2001: 14). Co więcej, komunika­
tory internetowe umożliwiają kontakt z tłumaczem w czasie rzeczywistym
i uzyskanie odpowiedzi na niecierpiące zwłoki pytania niemal natychmiast.
Opisany scenariusz jest jednak nad wyraz optymistyczny, zakłada bowiem,
że tłumacz jest w danej chwili dostępny i może (oraz zechce) porzucić wy­
konywaną pracę, aby zająć się naszym problemem. Nawet jednak w takiej
sytuacji należy mu dać trochę czasu na zapoznanie się z oryginałem i przy­
gotowanie wstępnej wersji tłumaczenia lub przekazanie ustnie głównych
przesłanek tekstu. Dla kontrastu wyobraźmy sobie sytuację, w której po­
szukując w Internecie informacji trafiamy na stronę w zupełnie nieznanym
nam języku, co do której zachodzi podejrzenie, że zawiera ona interesujące
nas dane. Jeżeli język źródłowy pochodzi z innej rodziny niż nasza ojczysta
mowa, a w dodatku np. stosuje inny alfabet, odgadnięcie zawartości cho­
ciażby przez wyszukanie w tekście internacjonaiizmów może okazać się
niewykonalne. Przekazanie tego materiału tłumaczowi wiąże się ze stratą
21
czasu oraz kosztami, a w ostatecznym rozrachunku może się okazać, że
informacje na stronie były powszechnie znane, nieaktualne lub dotyczyły
zupełnie czego innego, a wyszukiwarka znalazła stronę omyłkowo, na przy­
kład na skutek niewłaściwie sformułowanego zapytania. Wtedy najlepszym
rozwiązaniem jest wykorzystanie systemu tłumaczenia maszynowego.
Najpopularniejsza wyszukiwarka internetowa Google umożliwia przetłu­
maczenie zawartości strony na angielski przez kliknięcie na link Translate
this page (patrz rys. 1) - jest to rozwiązanie najprostsze. Tłumaczenie na
inne języki można uzyskać korzystając z wielu dostępnych serwisów inter­
netowych, np. z Babel Fish. Dzięki nim otrzymujemy w kilka do kilkunastu
sekund wersję strony w znanym nam języku. Jakość powstałego tłumacze­
nia pozostawia wiele do życzenia, niektóre słowa mogą być nieprzetłuma-
czone, a zdania, szczególnie złożone, brzmieć niezgrabnie lub wręcz nie­
zrozumiale. Jednak wersja taka umożliwia szybką ocenę, czy dana strona
zawiera informacje, o które nam chodzi.
Rysunek 1. M ożliw ość autom atycznego tłum aczenia zawartości stron internetow ych za po ­
moc;) w yszukiw arki Google
Ponadto rozwijane niezwykle dynamicznie serwisy Google umożli­
wiają użytkownikowi poprawienie niezadowalającego tłumaczenia, na
które się natknął; w ten sposób idea Web 2.0, globalnej sieci tworzonej
przez jej użytkowników, umożliwia systematyczną poprawę jakości inter­
netowego tłumaczenia automatycznego. Wspomniane serwisy umożli­
wiają przetłumaczenie dowolnego tekstu w postaci cyfrowej, wpisanego
lub wklejonego do okienka na stronie, bądź zawartości pliku teksto­
wego, w tym wypadku jednak mogą pojawić się ograniczenia objętości.
Przykładowo, darmowa wersja Systranu - SYSTRANet, dostępna po za­
rejestrowaniu, umożliwia przetłumaczenie 4kB zawartości pliku teksto­
wego, 32kB tekstu w języku HTML lub 64kB w formacie Rich Text Format.
Podstawowa zaleta przekładu automatycznego - szybkość widoczna
jest jednak najlepiej nie w przypadku indywidualnych, niewielkich zle­
ceń, a przy ogromnych projektach. Według wyliczeń Levina (2005), gdyby
wszystkich profesjonalnych tłumaczy na świecie (około ćwierć miliona)
zaangażowano do pracy non stop, w 33 dni przełożyliby tyle samo tekstu
co tysiąc komputerów w 17 godzin, a 100 tysięcy jedynie w 12 minut.
Hutchins (1999) wymienia cztery podstawowe zastosowania prze­
kładu automatycznego:
o najbardziej typowe, analogiczne do zastosowania przekładu tradycyj­
nego, którego efektem jest tekst w języku docelowym, nadający się
do druku lub rozpropagowania w inny sposób (machine translation for
dissemination),
*> szybkie i tanie wytworzenie tekstu w języku docelowym o jakości wy­
magającej interwencji człowieka, a więc produkcja wersji wstępnych,
niedoskonałych gramatycznie i stylistycznie, umożliwiających odczy­
tanie przesłania tekstu, ale nie druk czy kolportaż bez wcześniejszej
edycji (machine translation for assimilation),
° tworzenie obcojęzycznych wersji komunikatów internetowych, np.
e-maili czy postów (machine translation for communication),
• oprogramowanie komputerowe do tworzenia baz danych, pozyskiwa­
nia i katalogowania informacji, z wykorzystaniem systemów przekładu
automatycznego (machine translation for information access systems) -
w swoich późniejszych publikacjach (por. Hutchins 2008) autor pomija
to zastosowanie.
Na kartach tej książki często przewijać się będzie dyskusja na temat
relacji między jakością, szybkością i kosztem przekładu. W przypadku
drugiego i trzeciego, a w dużej mierze także ostatniego z wymienionych
 zastosowań przekładu maszynowego, jakość nie jest priorytetem. W wy­
padku tłumaczenia do druku konieczność uzyskania tekstu dobrej jakości
wiąże się z ograniczeniem natury typologicznej; systemy przekładu ma­
szynowego są w stanie przełożyć z zadowalającą jakością tylko niektóre
typy tekstów. Nawet jednak w takim wypadku może okazać się konieczna
postedycja tekstu (patrz 4.3).
Użytkownicy komputerów osobistych wykorzystują systemy tłuma­
czenia maszynowego (bardzo często bez świadomości, jak taki rodzaj
tłumaczenia się nazywa ani jak funkcjonuje) przede wszystkim po to, aby
dowiedzieć się, o czym je st obcojęzyczny tekst znaleziony w Internecie.
Niektóre komputery wyposażone są fabrycznie w aplikacje (np. tzw. wid-
gety) umożliwiające wklejenie lub wpisanie tekstu i natychmiastowe uzy­
skanie odpowiednika w jednym z kilku lub kilkunastu najpopularniejszych
języków świata (pod warunkiem, że język tekstu oryginalnego również
należy do tej grupy). Takie aplikacje świetnie spełniają również rolę elek­
tronicznych słowników dwujęzycznych. Tłumacze mogą wykorzystywać
takie rozwiązania w celu błyskawicznego otrzymania wstępnej wersji do­
celowej (jednak często edycja takiej wersji zajmuje więcej czasu niż zaję­
łoby tłumaczenie).
Specyfika systemów przekładu maszynowego powoduje, że ich wy­
korzystanie w dużych korporacjach czy organizacjach może być dwoja­
kie, przy czym każdy z tych dwóch celów pociąga za sobą pewne ograni­
czenia. System tłumaczenia maszynowego może wyprodukować wersję
roboczą, która służy ocenie tekstu (czy warto go profesjonalnie tłuma­
czyć, a jeżeli tak, to czy w całości, czy może tylko we fragmentach).
W ten sposób otrzymujemy półprodukt, ale je st on gotowy w bardzo
krótkim czasie. W drugim wariancie system tworzy tekst docelowy na­
dający się do druku, a więc o jakości zbliżonej do tłumaczenia profesjo­
nalnego, jednak przy założeniu, że tekst wyjściowy został albo napisany
w specjalny, precyzyjny sposób, albo poddany edycji przed przystąpie­
niem do przekładu. Te zabiegi jednak przeczą idei szybkiej i bezprob­
lemowej operacji międzyjęzykowej, jaką w założeniu ma być przekład
komputerowy. Dillinger i Lommel (2004: 10) wskazują również na inne
sposoby wykorzystania systemów przekładu maszynowego na poziomie
korporacyjnym:
• Agencje rządowe mogą w taki sposób uzyskiwać informacje publiko­
wane w różnych językach.
24
o Biura tłumaczy, przekazując tłumaczom teksty przetłumaczone maszy­
nowo, otrzymują z powrotem tłumaczenia wykonane szybciej i często
lepiej (pod względem precyzji i spójności terminologicznej). W ten
sposób tekst jest wstępnie tłumaczony przez maszynę, a sprawdzany
i poprawiany przez człowieka. Jest to procedura podobna do opisanej
powyżej, chociaż nie identyczna. Należy jednak zauważyć, że rosnąca
popularność narzędzi wspomagających tłumaczenie na obecnym etapie
ogranicza takie praktyki,
o Portale internetowe dzięki tłumaczeniu maszynowemu mają szybki
dostęp do informacji w językach obcych (dynamika Internetu jest tak
wielka, że zlecanie tradycyjnych tłumaczeń często się nie sprawdza),
o przedsiębiorstwa obecne na rynkach całego świata wykorzystują takie
systemy do wymiany informacji i dokumentacji między oddziałami.
Należy zauważyć, że korporacje dostosowują gotowe systemy prze­
kładu automatycznego do swoich potrzeb. Pbnieważ działalność taka po­
chłania czas i środki, firmy preferują systemy umożliwiające przekład na
wiele języków, a więc wydajne (Hutchins 1999).
1.6. Term inologia i tak son om ia
Według definicji zaproponowanej przez European Association for Machine
Translation i przytoczonej przez Napier (2000): „Machine translation (MT)
is the application o f computers to the task of translating texts from one
natural language to another". Cytowana definicja jest jednak niewystar­
czająca dla naszych rozważań, ponieważ akcentuje jedynie ideę automa­
tyzacji procesu przekładu, bez wyodrębnienia poziomów tejże, a więc
uniemożliwia rozgraniczenie między tłumaczeniem całkowicie zautoma­
tyzowanym a przekładem jedynie wspomaganym maszynowo.
Według zaproponowanej przez Blatt i in. (1985: 76), liczącej już bli­
sko ćwierć wieku taksonomii, wyróżnia się narzędzia automatyczne wspo­
magające pracę tłumacza (np. banki terminologii), przekład wspomagany
maszynowo i przekład maszynowy. Ten podział jednak należy uznać za
mało precyzyjny i nieadekwatny do rzeczywistości. Tytułowe pojęcie
„tłumaczenie wspomagane komputerowo” to ekwiwalent angielskiego
computer-assisted translation (również computer-aided translation, w skrócie
G4T). Niekiedy w angielskiej terminologii słowo „computer” zastępuje się
słowem „machinę”, w ten sposób tworząc akronim MAT. Fakt ten wpro­
wadza pewne zamieszanie pojęciowe, („who calls a computer ‘machine’
these days?” [Somers 2003a: 1]), ponieważ tłumaczenie maszynowe (ang.
machine translation, MT) należy odróżnić od tłumaczenia wspomaganego
maszynowo (komputerowo). Przytoczmy w tym miejscu definicję tłuma­
czenia wspomaganego maszynowo zamieszczoną w treści hasła popular­
nej encyklopedii translatoryki:
[m achine -aid ed translation] occurs in any situation w h ere a m achine-readable
source text is processed by c o m p u te rize d tools in o rd e r to pro du ce a target-lan-
guage translation, w ith the translator being in co n tro l o f all stages o f this process
and p e rfo rm in g th e intellectual process o f translation. (Freigang 19 98 : 134)
Podstawowa różnica zatem polega na tym, że tłumaczenie maszy­
nowe nie wymaga w procesie przekładu udziału człowieka, natomiast
tłumaczenie wspomagane maszynowo jest dziełem ludzkim, a maszyna
odgrywa w nim jedynie rolę narzędzia. Dla zaakcentowania tej różnicy
czasami do wymienionego wyżej określenia angielskiego dodaje się przy­
miotnik „human” (stąd MAHT - machine-aidecl human translation). Termin
ten należy uznać za precyzyjny, ponieważ w sposób jasny definiuje on
priorytety, o których będzie jeszcze mowa na kartach tej książki. To tłu­
macz podejmuje decyzje, za które bierze odpowiedzialność; komputer
podsuwa gotowe rozwiązania, ale nie wybiera ich samodzielnie. Oprócz
sugerowania rozwiązań w procesie przekładu komputer udostępnia tłu­
maczowi również niezbędne aplikacje zastępujące materiały tradycyjne,
a więc słowniki języka ogólnego i specjalistycznego, słowniki synonimów
i wyrazów bliskoznacznych, moduły sprawdzania pisowni itp. Wspomniane
już, stojące na drugim biegunie tłumaczenie maszynowe, dla uniknięcia
nieporozumień terminologicznych nazywa się czasami fully automated ma­
chine translation, a podkreślając możliwą do osiągnięcia w niektórych sy­
stemach zadowalającą jakość produktu wyjściowego, fully automated high-
quality machine translation (odpowiednio, FAMT i FAHQMT)
Istnieje również tłumaczenie, w którym proporcje są odwrócone.
Mowa tu o HAMT - human-aicled machine translation. Z tym rodzajem tłu­
maczenia mamy do czynienia, gdy tekst wyjściowy zostaje poddany ob­
róbce przez człowieka tak, aby komputer mógł go łatwiej analizować (por.
Kozłowski 2004: 67-68). Można więc przyjąć, że współpraca człowieka
z komputerem prowadząca do przetłumaczenia tekstu przybiera formy,
które tworzą pewne kontinuum, poczynając od tłumaczenia wykonywa­
nego całkowicie przez człowieka, poprzez warianty z rosnącym wyko­
rzystaniem maszyn, aż do sytuacji, gdzie cały proces przebiega pod kon­
trolą komputera. Należy jednak podkreślić, że w każdym z tych procesów
uczestniczą obie strony, pośrednio bądź bezpośrednio. W dzisiejszych
czasach, co oczywiste, nikt już nie wykonuje tłumaczeń posługując się
maszyną do pisania czy nawet pisząc odręcznie, zatem komputer posłuży
tłumaczowi zawsze, chociażby do edycji, wydrukowania lub przesłania
swojego tekstu. Systemy tłumaczenia maszynowego są, i zapewne jesz­
cze długo pozostaną, dziełem umysłu ludzkiego.
W polskiej wersji wpływowego słownika terminologii translatorycz-
nej (Tomaszkiewicz 2004) autorka, definiując tłumaczenie maszynowe
(pod hasłem tłumaczenie automatyczne), dołącza następującą uwagę:
Na o b ecn ym p o z io m ie ro zw o ju tłum aczenie autom atyczne składa się rów nież
z faz prze de dycji i postedycji tekstu, a w ię c d o jego d o kon ania potrzebna jest
in te rw en cja człow ieka. (Tom aszkiewicz 20 04 : 102)
Pojęcie interwencji człowieka przewija się przez wiele dyskusji po­
święconych tłumaczeniu automatycznemu. Arnold i in. (1994: 1) w swojej
definicji przekładu maszynowego podkreślają, że celem tego typu opera­
cji jest automatyzacja całości lub części procesu przekładu. Austermiihl
(2001: 16) opisuje tłumaczenie maszynowe jako „the Holy Grail of com­
putational linguistics”, wciąż ulotny cel badań językoznawstwa kompu­
terowego. Widać więc, jak w sytuacji niedoskonałości przekładu auto­
matycznego badacze albo wciąż liczą na przełom technologiczny, który
umożliwi opracowanie niezależnego i skutecznego systemu tłumaczenia
maszynowego, albo (ostatnio coraz częściej) przyznają, że automatyzacja
procesu przekładu, jeżeli nie ma ona służyć generowaniu quasi-tłumaczeń
wątpliwej jakości, jest możliwa jedynie pod kontrolą i przy współudziale
człowieka.
Hutchins i Somers (1992) proponują linearną klasyfikację przekładu
w zależności od stopnia automatyzacji. Wyróżniają oni cztery etapy
automatyzacji, poczynając od przekładu w pełni zmechanizowanego
(FAHQMT), poprzez dwa etapy pośrednie (HAMT i MAHT) aż do tłumacze­
nia będącego wyłącznie efektem pracy człowieka. CAT leży w tej klasyfika­
cji pośrodku, łącząc HAMT i MAHT. Neubert (1991: 56) definiuje CAT jako
„direct translation by humans with the help o f a computer interface which
makes translational expertise accessible through ‘translation-intelligent’
software”. Quah (2006: 6) zauważa, że wraz z rozwojem technologii róż-
nice między poszczególnymi etapami zacierają się, a narzędzia stają się
wielofunkcyjne. Nadal jednak można mówić o kilku stopniach automaty­
zacji przekładu; należy tylko podkreślić, że termin human translation ma
już coraz mniej wspólnego z przekładem sprzed kilkudziesięciu i więcej
lat, nawet bowiem zagorzały przeciwnik zastępowania ludzi przez ma­
szyny nie tylko pisze tłumaczenia na komputerze, ale (czasami nieświado­
mie) korzysta z wbudowanych narzędzi usprawniających pracę, chociażby
sprawdzających pisownię.
Podstawową zaletą wykorzystania komputerów w przekładzie jest
przyspieszenie procesu tłumaczenia przez jego częściowe zautomaty­
zowanie, a więc oszczędzenie tłumaczowi żmudnej pracy polegającej na
wielokrotnym przekładaniu bardzo zbliżonych do siebie tekstów. W przy­
padku niektórych typów tekstów możliwa jest zupełna rezygnacja z po­
mocy człowieka, a więc wykonanie tłumaczenia całkowicie przez maszynę,
co jest naturalnie rozwiązaniem tanim i szybkim. Takie rozwiązania bierze
się pod uwagę w obliczu rosnącego zapotrzebowania na usługi tłumacze­
niowe. Samo rozszerzenie Unii Europejskiej (obecnie istnieją 23 oficjalne
języki UE) spowodowało znaczący wzrost liczby tekstów i przemówień do
tłumaczenia, a co za tym idzie kosztów. Według danych z 2005 r. tłuma­
czenie pochłania rocznie ponad miliard euro5.
Aktywne wykorzystanie oprogramowania wspomagającego proces
przekładu jest zjawiskiem nowym. W 2002 r. Timothy R. Hunt, prezes
TermSeek Inc., opublikował artykuł6, w którym krytycznie wypowiedział
się na tem at idei programów wspomagających tłumaczenie. Porównał
nawet tłumacza do gospodyni domowej, która musi posprzątać bałagan,
którego narobił komputer. Jeszcze w latach 90. ubiegłego wieku istnienie
tłumaczenia maszynowego i wykorzystanie komputerów w przekładzie do
czegokolwiek innego niż wprowadzanie i edycja tekstu były przeciętnemu
człowiekowi zupełnie nieznane (Arnold 1994: 19). Ekspansja Internetu
i wzrost popularności komputerów osobistych uświadomiły szerokiej pub­
liczności możliwość automatycznego wyszukiwania ekwiwalentów słow­
nikowych lub tłumaczenia krótkich, prostych tekstów. Słowniki kompute­
rowe i kpmercyjne programy tłumaczące zapełniają dziś półki księgarń.
Każdy szanujący się wydawca słownika mono- czy bilingwalnego dodaje
5 http://europa.eu/ianguages/en/cIociiiTient/59#8
6 Zawodność i przyszłość komputerowych programów tłumaczeniowych, tłum . Elżbieta Pu­
ławska, biuletyn TEPiS, nr 51, lato 2003, http://www.tepis.org.pl/biuletyn/51/zawodnosc.htm.
28
do wersji papierowej płytę z wersją elektroniczną o funkcjonalności czę­
sto znacznie przewyższającej tradycyjny tom (na przykład transkrypcję
fonetyczną, dla wielu użytkowników mało czytelną, zastępuje niewielki
plik dźwiękowy z nagraniem prawidłowej wymowy). Coraz doskonalsze
urządzenia kieszonkowe, jak inteligentne telefony komórkowe, również
zawierają podobne aplikacje. Nadal jednak znajomość zastosowań i za­
sad tłumaczenia maszynowego jest domeną specjalistów. Nawet studenci
translatoryki, zainteresowani przekładem i wiążący z nim swą przyszłość,
z zaskoczeniem dowiadują się o istnieniu programów wspomagających
tłumaczenie.
1.7. T ypologio przekładu m aszynow ego
Kozłowski (2004: 72) opisuje strategie przekładu maszynowego, demon­
strując, w jaki sposób takie tłumaczenie może być realizowane na pozio­
mie najniższym - leksykalnym, na poziomie pośrednim - reprezentacji
syntaktycznej i semantycznej i wreszcie na poziomie najwyższym - repre­
zentacji opartej na wiedzy. Taki podział odzwierciedla rozwój systemów
przekładu automatycznego, poczynając od prostych, funkcjonujących na
bazie analizy i syntezy leksykalnej, aż do nowoczesnych i skomplikowa­
nych, wykorzystujących sztuczną inteligencję i imitujących ludzki proces
tłumaczenia.
Ze względu na zastosowane strategie i sposób działania systemu
tłumaczenie maszynowe można podzielić na bezpośrednie oraz pośred­
nie. Czasami te dwa rodzaje określa się również tłumaczeniem pierwszej
i drugiej generacji (por. Hutchins i Somers 1992: 71-72). Tłumaczenie bez­
pośrednie narodziło się w czasach, kiedy możliwości komputerów były
nieporównywalnie mniejsze niż obecnie, a języki programowania prak­
tycznie nie istniały. Metoda ta była niezbyt skomplikowana, a przez to
zawodna. Tłumaczenie polegało na analizie morfologicznej materiału wyj­
ściowego, określeniu części mowy, sprawdzeniu ekwiwalentów w dwu­
języcznym słowniku systemowym i utworzeniu tekstu docelowego przy
użyciu prostych zabiegów zmiany szyku zdania, bez skomplikowanej ana­
lizy syntaktycznej czy semantycznej. Zjawisko kontekstu, fundamentalne
dla każdego typu przekładu, było praktycznie ignorowane. Bilingwalne
słowniki systemowe konstruowano często tak, aby maksymalnie zredu­
kować problem homonimii, a więc ograniczyć się tylko do podstawowych
znaczeń słów. Hutchins i Somers (1992) porównują działanie takiego sy­
stemu do próby przełożenia tekstu przy pomocy niewielkiego słownika
dwujęzycznego i zaledwie podstawowej znajomości reguł gramatycznych
języka. Taki sposób tłumaczenia, skomplikowanej operacji językowo-kul-
turowej, wymagającej wiedzy, wrażliwości, doświadczenia i profesjonal­
nych narzędzi, a nierzadko konsultacji, musiał spowodować rozgorycze­
nie potencjalnych klientów liczących na szybkie i tanie przekłady dobrej
jakości. Nawet bowiem na poziomie transferu leksykalnego, przekładu
słowo w słowo, warunkiem koniecznym jest posiadanie słownika syste­
mowego zawierającego wszystkie tłumaczone słowa. Słownik systemowy
sprawdza się w przekładzie tekstów uprzednio przygotowanych, napisa­
nych w taki sposób, aby nie zawierały słów niezrozumiałych dla systemu.
Wprowadzenie do systemu tekstu podobnego, tego samego typu, zaowo­
cuje akceptowalnym (przy niewielkich wymaganiach odbiorcy) przekładem,
ale może się zdarzyć, że pojedyncze słowa pozostaną nieprzetłumaczone.
Łatwo sobie natomiast wyobrazić efekt przełożenia w taki sposób tekstu
obfitującego w neologizmy. Jednak problemy nie kończą się na zasobach
słownikowych - pozostają jeszcze kwestie ekwiwalentów wielowyrazo-
wych (polskie „zgodnie z ruchem wskazówek zegara" jako odpowiednik
angielskiego clockwise), polisemia, homonimia, brak odpowiednika i wiele
innych. Dębowski (2001), ilustrując problem dezambiguacji morfosyntak-
tycznej, podaje przykład słowa kurze, które w tekście polskim może być:
mianownikiem, biernikiem i wołaczem liczby mnogiej rzeczownika kurz,
miejscownikiem i wołaczem liczby pojedynczej rzeczownika kur, celow­
nikiem i miejscownikiem liczby pojedynczej rzeczownika kura bądź też
mianownikiem i biernikiem liczby pojedynczej rodzaju nijakiego oraz
mianownikiem i biernikiem liczby mnogiej rodzaju niemęskoosobowego
przymiotnika kurzy. Ustalenie właściwego ekwiwalentu na poziomie lek­
sykalnym, bez kontekstu, jest niemożliwe. Na poziomie zdania pojawiają
się problemy szyku; język polski umożliwia większą swobodę, jeżeli cho­
dzi o szyk zdania, niż na przykład angielski. Jak więc widać, taki sposób
transferu, bo trudno w tym wypadku mówić o tłumaczeniu, ma bardzo
ograniczone zastosowanie i duże prawdopodobieństwo błędu.
Kozłowski (2004: 75-76) podaje przykład pracy systemu tłumaczenia
bezpośredniego z japońskiego na angielski. Pierwszy etap, typowy dla
tego języka źródłowego, polega na segmentacji na słowa oraz na analizie
morfologicznej. Następnie odbywa się transfer leksykalny słów niosących
znaczenie (w poniższym przykładzie są to „biurko”, „długopis”, „dać”
! :.u |
oraz podmiot i dopełnienie: „ja” i „John”). Etap trzeci to operacje zwią­
zane z przyimkami, np. wybór przyimków zwykle występujących z danymi
czasownikami w danym kontekście. Następne kroki to ustalenie szyku wy­
razów, operacje dodatkowe (np. dodanie przedimków) i wygenerowanie
ostatecznej wersji zdania (w tym wypadku wprowadzenie formy przeszłej
czasownika):
Tekst w yjściow y: w atashihatsukuenoiienopenw ojonniageta
Po etapie 1: watashi ha tsukue no ue no pen vvo jo n ni ageru PAST
Po etapie 2: 1 ha desk no ue no pen w o John ni give PAST
Po etapie 3:1 ha pen on desk w o John to give PAST
Po etapie 4 : 1 give PAST pen on d e s k jo h n to
Po etapie 5 : 1 give PAST the pen on the desk to John
Po etapie 6:1 gave the pen on the desk to John
(Kozłowski 2004: 76)
Austermiihl (2001: 159) podsumowuje cechy charakterystyczne syste­
mów bezpośrednich:
• analiza zdania wyjściowego ograniczona jest w takich systemach do
minimum; wykonywane są jedynie czynności umożliwiające sprowa­
dzenie wyrazu do formy podstawowej i odnalezienie jej w słowniku bi-
lingwalnym, tj. identyfikacja części mowy, czasu gramatycznego, liczby
(pojedyncza, mnoga) itp.,
• system opiera się na podobieństwach syntaktycznych, semantycznych
i leksykalnych między językiem źródłowym a docelowym, tak więc im
więcej podobieństw między tekstem źródłowym i docelowym, tym lep­
szy produkt końcowy,
s system działa w obrębie danej pary języków, a więc dla tłumaczenia
z wykorzystaniem innych języków konieczne jest opracowanie nowego
systemu,
• niepełne informacje wprowadzone do systemu i brak bazy lingwistycz­
nej powodują często wytwarzanie tłumaczeń złej jakości, które nie na­
dają się do użytku,
• podstawowym składnikiem systemów bezpośrednich są słowniki syste­
mowe, a więc jakość produktu końcowego zależy w dużej mierze od
jakości słownika.
Tłumaczenie pośrednie występuje w dwóch wariantach: tłumacze­
nia opartego na interlingwie, tj. „międzyjęzyku” i na transferze. Pierwsza
■I I I
z wymienionych metocl jest dłużej rozwijana; ma ona spory potencjał,
szczególnie jeżeli chodzi o tłumaczenie multiiingwalne, i uważana jest
za potencjalnie najlepszy z istniejących sposobów przekładu automa­
tycznego. Interlingwa je st sztucznym tworem językowym, odgrywającym
rolę pośrednika w tłumaczeniu - tekst jest tłumaczony na język pośredni,
a następnie z niego na właściwy język docelowy. Podobny zabieg, ale
z wykorzystaniem języków naturalnych, stosuje się w przekładzie słowa
żywego (w przypadku np. braku tłumacza z rosyjskiego na arabski stosuje
się tłumaczenie rosyjski-angielski i angielski-arabski). Utworzenie takiego
sztucznego języka nie je st jednak łatwe, dlatego dotychczas zamiast ję­
zyka uniwersalnego stosowano międzyjęzyki dla poszczególnych grup ję ­
zyków, np. romańskich.
Transfer, wykorzystywany w drugiej odmianie metody pośredniej, jest
w odróżnieniu od inteiiingwy ograniczony do danej pary języków. Jest to
więc zestaw reguł transferowych dla dwóch języków, np. angielski-fran-
cuski, przy czym przekład w przeciwną stronę wymaga nowego zestawu
reguł. Sam transfer jest etapem pośrednim, a więc przekład można spro­
wadzić do trzech faz: analiza, transfer oraz synteza. Należy tu zauważyć,
że system opracowany dla czterech języków będzie wymagał nie czte­
rech, a dwunastu zestawów reguł (np. polski-japoński, polski-angielski,
polski-niemiecki, japoński-angielski, japoński-niemiecki, japoński-polski,
angielski-polski, angielski-niemiecki, angielski-japoński, niemiecki-polski,
niemiecki-japoński, niemiecki-angielski). W przypadku ośmiu języków,
kombinacji będzie aż 56. W sytuacji, gdy opracowuje się system dla wielu
języków, bardzo dobrym rozwiązaniem jest wykorzystanie inteiiingwy.
(Dillinger i Lommel 2004: 43-44). Historia przekładu maszynowego zna
również mniej lub bardziej udane próby tworzenia projektów mających na
celu wyeliminowanie słabych punktów systemów transferowych i interlin-
gwalnych. Warto tu wymienić tłumaczenie Shake and Bake (Beaven 1992).
Zalety systemów pośrednich (por. Austermiihl 2001: 161) to przede
wszystkim:
0 lepsza jakość produktu końcowego ze względu na stosowanie komplet­
nych teorii i koncepcji językowych zamiast prostych reguł gramatyczno-
-syntaktycznych,
• większa uniwersalność, a więc brak ograniczenia do jednej pary ję ­
zyków,
0 większa elastyczność słowników w systemach transferowych (słowniki
monolingwalne i bilingwalne).
Według innej, choć pokrewnej klasyfikacji (Hutchins 2006b, por.
także Quah 2006) współczesne tłumaczenie maszynowe można podzielić
na trzy rodzaje. Pod koniec XX w. podstawowym rodzajem było tłumacze­
nie oparte na regułach (rule-based, RBMT). Obecnie przekład maszynowy
ma charakter statystyczny (SMT) lub korpusowy7! oparty na autentycz­
nym materiale językowym (w omawianej taksonomii występuje nazwa
example-based, EBMT, jednak częściej używa się określenia corpus-based).
W pierwszym przypadku system przekładu maszynowego, wyposażony
w oprogramowanie oraz słownik dla danej pary języków, wykorzystuje
reguły gramatyczne danego języka do analizy i konwersji zdań tekstu
wyjściowego, czego efektem są zdania w języku docelowym, dostoso­
wane do wymogów gramatyki tego języka. System dokonuje rozbioru
zdania oryginalnego, przypisując każdemu słowu jego funkcję (np. pod­
miot, orzeczenie, dopełnienie). Taki zabieg pozwala wyeliminować błędy
znane z wcześniejszych, prymitywnych systemów opartych na podsta­
wianiu słów języka docelowego w miejsce słów oryginału (a więc, używa­
jąc przedstawionej powyżej terminologii, na metodzie bezpośredniej).
Bez kontekstu angielskie słowo hicie może być czasownikiem („chować
się”) lub rzeczownikiem („skóra”); słowo set może być rzeczownikiem,
czasownikiem, a nawet przymiotnikiem. Następnym etapem jest transfer
językowy, w wyniku którego powstają przetłumaczone zdania; w finalnej
fazie zostają one wzbogacone o odmianę oraz inne wymagane dla języka
docelowego elementy. Wadą takiego rozwiązania je st przede wszystkim
czas potrzebny na opracowanie funkcjonalnego systemu i uzupełnie­
nie go rozbudowanym słownikiem (nawet do kilku lat). Ponadto takie
systemy nie radzą sobie z analizą informacji niewystępujących w bazie.
Jak wiadomo, język naturalny je st tworem dynamicznym, a użytkownicy
języka cechują się kreatywnością, w tekście do tłumaczenia mogą więc
pojawić się sformułowania czy nawet całe zdania wymykające się z góry
ustalonym regułom gramatyczno-leksykalnym. Kolejną niedogodnością,
z którą trzeba się jednak pogodzić, jeśli weźmie się pod uwagę metodę
działania systemów opartych na regułach, jest wspomniany powyżej brak
uniwersalności.
W przypadku przekładu o charakterze statystycznym lub korpuso­
wym opracowanie systemu jest znacznie mniej czasochłonne. Ponadto ta­
7 Należy w tym miejscu wyjaśnić, że przekład statystyczny rów nież w ykorzystuje kor­
pusy językow e (por. np. Johnson i in. 2007 lub jVIunteanu i Marcu 2006).
 kie formy przekładu są bardziej uniwersalne, nie opierają się bowiem na
konkretnych parach językowych w tym sensie, że nie trzeba tworzyć słow­
ników dla każdej pary. Dodatkową zaletą jest możliwość łatwego popra­
wiania systemu czy uzupełniania go o nowe dane. Przekład statystyczny
oparty jest na założeniach matematycznej teorii informacji. Kluczowym
pojęciem jest tu prawdopodobieństwo, że dany ciąg wyrażeń jest tłuma­
czeniem ciągu wyrażeń w języku źródłowym.
Jednym z popularniejszych systemów tłumaczenia statystycznego
jest Mojżesz8. Według Hutchinsa (2006b: 198) wszystkie znane systemy
SMT wywodzą się z projektu opracowanego w 1988 r. przez grupę IBM
(por. Brown i in. 1988). Candide, pionierski projekt IBM (Berger i in. 1994),
był propozycją rozwiązania problemu drogich, czasochłonnych i skompli­
kowanych systemów opartych na regułach. Działanie takich systemów
opiera się na dopasowaniu wpierw zdań, następnie krótszych wyrażeń
(fraz) korpusu bilingwalnego (w przypadku Candide był to angielsko-
francuski korpus przemówień z kanadyjskiego parlamentu Hansard). Sam
proces przekładu polega na wybraniu statystycznie najlepszej (najbardziej
prawdopodobnej) wersji docelowej informacji podanej w języku źród­
łowym, a także najbardziej prawdopodobnej kombinacji słów w języku
docelowym. Statystyka zastępuje tutaj reguły językowe, nie ma zatem
konieczności opracowywania skomplikowanych gramatyk czy leksyko­
nów. Znanym projektem komercyjnym wykorzystującym tę technologię
jest Language Weaver, tworzony przez działającą od 2002 r. w Kalifornii
firmę pod tą samą nazwą produkującą oprogramowanie oparte na tłu­
maczeniu statystycznym. Firma subsydiowana jest przez rząd USA, m.in.
przez National Science Foundation. Przewodniczący firmy Benjamin Bryce
precyzyjnie określił sposób działania systemów przekładu statystycznego,
takich jak Language Weaver:
It's n o t really a translation in the tra d itio n a l sense. W h a t w e create is a p ro b a b ility
forecast based on lo o kin g a t m illio ns o f pairs o f translations fo r a w o rd and then
selecting the one w ith the highest p ro b a b ility o f being right. (C olker 2005)
Language Weaver umożliwia obecnie tłumaczenie w obrębie 24 języ­
ków, w tym polskiego. Niedawno technologię tę kupiła m.in. duża agen­
cja tłumaczeniowa ITP-Europe do obsługi zleceń dla dużej firmy motory­
8 Moses, http://w w w .statm t.org/m oses/.
zacyjnej w ilości ok. 3 milionów słów tygodniowo (!). Według raportów
agencji użycie Language Weaver przyspieszyło pracę o ok. 30"óy.
Pierwszą próbę opisania przekładu opartego na korpusach języko­
wych podjął na początku lat 80. ubiegłego wieku Makoto Nagao (Nagao
] 984), ale systemy tego typu zaczęły funkcjonować dopiero kilka lat póź­
niej. Przekład korpusowy opartyjest na zasadzie analogii. Korpus językowy
(tzw. korpus równoległy) zawierający pary zdań różniące się poszczegól­
nymi elementami może służyć jako baza tłumaczenia. Korpus równoległy
jest zbiorem tekstów i ich odpowiedników w co najmniej jednym języku.
Odpowiednio powiązany korpus może stanowić bardzo cenną pomoc dla
tłumacza, umożliwiając wyszukanie fragmentów tekstu wraz z ich odpo­
wiednikami w języku obcym.
System tłumaczenia maszynowego można zaklasyfikować do tego
typu, jeżeli bazuje on na segmentach (fragmentach dłuższych niż poje­
dyncze słowa) tekstu wyjściowego wyodrębnionych z korpusu. W uprosz­
czeniu, procedura przekładu polega na porównaniu fragmentów tłuma­
czonych z. danymi w korpusie, wyodrębnieniu pasujących fragmentów
w języku docelowym i „powiązaniu" je w zdania (por, Hutchins 2006b:
198). System jest w stanie „uczyć się” tłumaczenia zdań podobnych do
zdań już przetłumaczonych. Zasada działania aplikacji komputerowych
wykorzystujących pamięć tłumaczeniową jest podobna (patrz 3.4). Jak za­
uważa Hutchins:
A lth o u g h SM T is n o w the d o m in a n t fra m e w o rk fo r M T research, it is reco gn i­
sed th a t the tw o corpus-based approaches are co n ve rg in g in m an y respects in
so far as SMT is m a kin g m ore use o f phrase-based alignm ents and o f linguistic
data, and E B M T is m a kin g w id e r use o f statistical tech niq ues. As a consequence
it is b e c o m in g m ore d iffic u lt to isolate d istin ctive features o f the tw o m odels.
{H u tch in s 2 0 0 8 : 126)
Vandeghinste i in. (2005) opisują projekt Metis-ll, system tłumaczenia
maszynowego typu EBMT, jednak nieczerpiący z korpusów równoległych,
a jedynie z korpusu języka docelowego.
Quah (2006) dzieli przekład maszynowy w sposób chyba najpełniejszy,
tę klasyfikację zatem przyjmujemy w podsumowaniu tej sekcji książki:
1) tłumaczenie bezpośrednie,
9 „Statistical machine translation gets real: the LanguageWeaver p ro file ". Global by
Design, December 2006, 8 -1 9 .
 2) tłumaczenie oparte na regułach:
a) interlingwa
b) transfer Tłumaczenie maszynowe
3) tłumaczenie korpusowe:
a) tłumaczenie statystyczne
- rys historyczny
b) tłumaczenie oparte na przykładach
Z kronikarskiego obowiązku należy jeszcze odnotować próby tw o­
rzenia systemów łączących zalety drugiej i trzeciej grupy (w języku an­
gielskim multi-engine MT systems). Omawiają je szerzej np. Nirenburg
i Frederking (1994).

2.1. W prow adzenie

W historii tłumaczenia maszynowego widać pewne analogie do translato­
ryki. Za cezurę teorii tłumaczenia przyjęło się uważać przełomowe dzieło
amerykańskiego badacza Biblii Eugene’a A. Nidy (Nida 1964; warto w tym
miejscu przypomnieć, że siedem lat wcześniej ukazała się wspomniana
wcześniej książka Olgierda Wojtasiewicza, której ograniczony sukces na
arenie międzynarodowej można przypisać chyba tylko temu, że napisana
została po polsku). Przed tą datą istniały publikacje poświęcone przekła­
dowi, część z nich powstała nawet wieki wcześniej, jednak nie miały one
charakteru systemowych, wnikliwych opracowań teorii przekładu. W ciągu
ostatniego półwiecza translatoryka dorobiła się statusu dyscypliny akade­
mickiej, encyklopedii, glosariuszy, setek konferencji, tysięcy poważnych
publikacji o zasięgu lokalnym i międzynarodowym, niezliczonych prac na­
ukowych, stron internetowych i organizacji zawodowych. Podwaliny ideo­
logiczne tłumaczenia maszynowego można zaobserwować już kilkaset
lat temu, jeżeli przyjmiemy za Hutchinsem (2004), że u źródeł dążenia do
uproszczenia procesu przekładu stały próby stworzenia języków uniwer­
salnych (porównajmy chociażby wkład Ludwika Zamenhofa). Jednak o wy­
korzystaniu maszyn w procesie przekładu możemy, naturalnie z przyczyn
technicznych, mówić dopiero w XX, w. Podobnie jak w przypadku translato­
ryki, także w dziedzinie tłumaczenia maszynowego (oraz wspomaganego
komputerowo) obserwujemy jego dynamiczny rozwój.
2.2. P rz e k ła d autom atyczny p rzed erą k o m p u te ra
Za prekursorów tłumaczenia maszynowego uważa się Francuza
Georges’a Artsrouni oraz Rosjanina Piotra Trojańskiego. Niezależnie od
siebie opatentow ali oni w 1933 r. urządzenia, które można uznać za
prototypy maszyn tłumaczących. Artsrouni opatentow ał cerveau meca-
niąue - mechaniczny mózg z wieloma zastosowaniami, między innymi
automatycznej produkcji tekstów, takich jak wyciągi bankowe czy roz­
kłady jazdy pociągów. Urządzenie to miało również możliwość tłum a­
czenia międzyjęzykowego. Naturalnie, ograniczenia techniczne p ow o ­
dowały, że możliwe było jedynie podstawianie słów w innym języku.
Dokładny opis i zdjęcie urządzenia podaje Hutchins (2004). Trojański
opatentow ał maszynę nieco bardziej zaawansowaną niż projekt fran­
cuskiego badacza; również sugerowane przez niego zastosowania były
bardziej ambitne. Propozycja Trojańskiego uwzględniała elementy ję ­
zyka Esperanto. Mimo że rozwiązania techniczne zastosow ane w obu
maszynach były podobne, o oryginalności projektu rosyjskiego na­
ukowca świadczyło właśnie wykorzystanie sztucznego języka jako
swego rodzaju tertium comparationis, bazy językowej powstałej maszyny
komunikacyjnej.
Aby udowodnić znaczenie pracy Trojańskiego, nie tylko empirycznej,
ale również teoretycznej, przypomnijmy klasyczny model Nidy oparty na
gramatyce transformacyjno-generatywnej Noama Chomsky’ego, wykorzy­
stujący pojęcie struktury głębokiej i powierzchniowej (Nida 1964: 60).
Model ten został rozwinięty w późniejszej, równie znanej publikacji ame­
rykańskiego badacza Biblii napisanej wraz z innym członkiem American
Bible Society, niedawno zmarłym C.R. Taberem (Nida i Taber 1969: 33).
Jest to właściwie pierwsza na skalę światową próba usystematyzowania
procesu przekładu, doskonale znana wszystkim teoretykom. W założe­
niach tego modelu tłumaczenie przebiega właśnie na poziomie struktury
głębokiej, w sposób uniwersalny i przewidywalny. Podejście to, mimo
szeregu uwag krytycznych w późniejszych latach (np. Gentzler 1993),
wywarło niebagatelny wpływ na rozwój translatoryki jako dziedziny na­
ukowej. Mało kto jednak zna artykuł wspomnianego Piotra Trojańskiego
ukończony tuż po II wojnie światowej (dokładne dane bibliograficzne nie
są mi znane, na artykuł powołuje się Hutchins (2004: 19), również nie
podając szczegółów). Trojański opisuje tam proces przekładu w sposób
bardzo zbliżony do modelu Nidy.
23 . M em o ran dum W eaw era - la ta 50. XX w.
Głównie na skutek perturbacji politycznych charakteryzujących ówczesną
Europę ani projekt Artsrouniego, ani Trojańskiego nie zyskały, mimo po­
zytywnych recenzji, szerszej popularności. Mniej więcej w tym samym
okresie, kiedy Trojański zajmował się dywagacjami teoretycznymi doty­
czącymi wykorzystania jego urządzenia i możliwości podobnych maszyn,
Andrew Booth i Warren Weaver omawiali potencjalne zastosowanie ro­
dzącej się właśnie technologii komputerowej do przekładu językowego.
W ten sposób na przełomie lat 40. i 50. XX w. w USA pojawiły się pod­
waliny przekładu maszynowego. Weaver, amerykański matematyk, zapi­
sał się na trwałe w historii przekładu maszynowego dzięki memorandum
sporządzonemu w lipcu 1949 r. na zlecenie fundacji Rockefellera. Ów
dokument, powszechnie uznawany za kamień milowy w rozwoju tech­
nologii tłumaczeniowej (przypomnijmy, że w owych czasach jakikolwiek
tekst poświęcony naturze przekładu należał do rzadkości), przedstawiał
cztery możliwe rozwiązania problemów, na które napotykało tłumaczenie
maszynowe na ówczesnym etapie rozwoju, oraz prognozy wykorzystania
technologii przekładu maszynowego:
® wykorzystanie kontekstu do rozwiązania problemu wieloznaczności
(obecnie znane jako dezambiguacja),
• wykorzystanie faktu istnienia logicznych powiązań w ramach języka,
• zastosowanie metod kryptograficznych, a więc przyrównanie prze­
kładu do procesu odczytywania szyfru,
• istnienie uniwersaliów językowych (ta hipoteza była później wielokrot­
nie weryfikowana w translatoryce i językoznawstwie; można tu w spo­
mnieć chociażby teorie Jerrolda Katza (1978: 209 i 217).
Warto w tym miejscu zacytować trafną metaforę, której Weaver użył
do ilustracji ostatniej ze swych hipotez:
T hink, by analogy, o f in d ivid u a ls livin g in a series o f tall closed tow ers, all erected
over a c o m m o n fo u n d a tio n . W h e n th e y try to co m m u n ica te w ith one another,
the y sho ut back and fo rth, each fro m his o w n closed tow er. It is d iffic u lt to make
the sound penetrate even the nearest towers, and co m m u n ica tio n proceeds very
p o o rly indeed. But, w h e n an in d ivid u a l goes d o w n his tow er, he finds him self
in a great op en basement, co m m o n to all the low ers. H ere he establishes easy
and useful c o m m u n ic a tio n w ith the'persons w h o have also descended from their
tow ers. Thus it m ay be true th a t the w a y to translate fro m Chinese to Arabic,
 o r from Russian to Portuguese, is n o t to a tte m p t the d ire c t route, shouting from
to w e r to tower. Perhaps th e w a y is to descend, from each language, d o w n to the
com m o n base o f hum an c o m m u n ic a tio n —-the real b u t as ye t undiscovered u n i­
versal language-and-then re-em erge by w h ateve r pa rticula r rou te is convenient.
(W eaver 19 49 : 23)
Porównajmy słowa Weavera z dyskusją z poprzedniego podrozdziału
na temat prac Trojańskiego i Nidy. Jak widać, szukanie przewidywalności
w strukturze językowej i podobieństw między językami było metodologią
popularną w owym czasie.
W dniu 17 czerwca 1952 r. w Massachusetts Institute of Technology,
najlepszej politechnice na świecie znanej z wielu osiągnięć naukowo-
technologicznych, zorganizowano konferencję poświęconą przekładowi
maszynowemu. Wzięło w niej udział 18 uczonych, a przewodniczył Dr
Yehoshua Bar-Hillel z MIT. Konferencja miała wymiar przede wszystkim te­
oretyczny; omawiano możliwości praktycznego zastosowania przekładu
maszynowego, ale jedynie na poziomie projektów pilotażowych (w parze
angielski-chiński, ze względu na cechy składni i morfologii obu języków;
por. Reifler 1954: 31). Już wtedy naukowcy byli zdania, że przekład ten
nigdy nie zastąpi przekładu tradycyjnego dokonanego przez człowieka.
Ta opinia pojawia się ponownie kilka lat później (Bar-Hillel 1960).
Mimo racjonalnej oceny sytuacji, dokonanej przez teoretyków pod­
czas konferencji w MIT, perspektywa łatwego i szybkiego tłumaczenia
wykonywanego przez maszyny była kusząca. W 1954 r. po raz pierwszy
zaprezentowano szerokiej publiczności tłumaczenie maszynowe. Był to
wspólny projekt Uniwersytetu Georgetown i firmy IBM. System tłumaczył
zdania z rosyjskiego na angielski (co w owym okresie było z przyczyn po­
litycznych zdecydowanie najpopularniejszą kombinacją), a jego słownik li­
czył jedynie 250 słów. Demonstracja była szeroko komentowana, a opinie
dotyczące możliwości wykorzystania systemu pełne nadziei. Eksperyment
w szczegółach opisuje Hutchins (2005).
2.4. L a ta k ry zy su - r a p o r t AUPAC
Przełom lat 50. i 60. ubiegłego wieku to czasy dynamicznego rozwoju
i świetności przekładu maszynowego. Wiele jednostek w USA i Europie,
w tym Uniwersytet Warszawski (Feder 2000: 10), prowadziło ekspery­
menty nad tym rodzajem tłumaczenia. Na panującą wówczas aurę opty­
mizmu w środowisku związanym z przekładem automatycznym składały
się również osiągnięcia technologii komputerowej oraz językoznawstwa,
dwóch rozwijających się w tym okresie dziedzin. Gramatyka generatywna
N oaina Chomsky’ego oraz postęp, jaki dokonał się w komputeryzacji
w ciągu kilkunastu lat od stworzenia przez IBM komputera Mark I, rodziły
nadzieję na poprawę jakości tłumaczenia maszynowego. W 1954 r. zaczął
ukazywać się pierwszy periodyk specjalistyczny poświęcony problema­
tyce przekładu automatycznego (Mechanical Translation).
Pomimo opisanych oczekiwań czołowi badacze przekładu maszy­
nowego przestrzegali jednak przed stawianiem przed tym typem tłu­
maczenia zadań przekraczających jego możliwości. Bar-Hillel (1960)
podał słynny już przykład zdania The box was in the pen dla wykazania
różnicy między przekładem tradycyjnym a maszynowym. Tłumacz nie
powinien zinterpretow ać słowa pen w przedstawionym kontekście ina­
czej niż jako ’zagroda’ lub ’kojec’, podczas gdy system tłumaczący może
„zrozumieć” je jako ’długopis’ czy ’pióro’, ponieważ nie posiada wie­
dzy pozajęzykowej praktycznie wykluczającej istnienie pudełek na tyle
małych, aby dało się je umieścić w długopisie, a także podważającej
zasadność takiego działania. Przekład maszynowy, zdaniem Bar-Hillela,
nie powinien więc być traktowany jako pełnoprawna alternatywa dla
tłumaczenia ludzkiego.
Okres prosperity trwał zaledwie dekadę. Amerykańskie agencje
rządowe- powołały w 1964 r. komisję ALPAC, której zadaniem miała być
ocena ówczesnej sytuacji na rynku przekładu maszynowego i perspek­
tyw na przyszłość. Raport ALPAC, opublikowany 2 lata później, nie pozo­
stawił wątpliwości konkludując, że: „there is no immediate or predictable
prospect o f useful machine translation”'. Negatywna ocena przydatności
tego typu przekładu wynikała z faktu, że wówczas tłumaczenie maszy­
nowe było od tłumaczenia tradycyjnego wolniejsze, droższe i mniej d o ­
kładne (patrz też Hutchins 2006a: 377). Raport sugerował przeniesienie
punktu ciężkości badań (i nakładów finansowych) na językoznawstwo
komputerowe i systemy wspomagające przekład, w szczególności słow­
niki automatyczne. Bezpośrednim skutkiem raportu ALPAC było wyraźne
osłabienie zainteresowania badaniami nad przekładem maszynowym
1 Raport ALPAC (Autom atic Language Processing A dvisory Com m ittee) zatytuło­
wany „Language and machines: com puters in translation and linguistics” , W ashington, DC:
National Academy o f Sciences, National Research Council, 1966, 32.
 i rozwijaniem istniejących technologii, a także cięcia budżetowe. Taka sy­
tuacja miała miejsce jednak głównie w Stanach Zjednoczonych. Badania
kanadyjskie rozpoczęte w latach 60. zaowocowały powstaniem Meteo,
jednego z bardziej znanych systemów przekładu maszynowego (patrz
2.6.); badania trwały także w Europie i Azji. Jednak pierwsze naprawdę
znaczące osiągnięcie w dziedzinie przekładu automatycznego pojawiło
się dopiero kilka lat po opublikowaniu raportu ALPAC, a nosiło ono na­
zwę Systran2.
2.5. Systran
Systran (www.systran.co.uk, wersja beta internetowego serwisu tłuma­
czącego dostępna po rejestracji pod adresem www.systranet.com/systran/
net) jest jedną z pierwszych firm zajmujących się przekładem maszyno­
wym. Istnieje już 40 lat, a założył ją w Kalifornii w 1968 r. językoznawca
pochodzenia węgierskiego - dr Peter Toma. Były to czasy zimnej wojny,
podstawowym zadaniem firmy było więc wtedy tłumaczenie maszy­
nowe z rosyjskiego na angielski dla potrzeb amerykańskiego lotnictwa
wojskowego. Przed założeniem Systrana Toma brał udział w badaniach
nad przekładem maszynowym w California Institute o f Technology oraz
Georgetown University. Na początku lat 60. stworzył on dwa systemy: dla
potrzeb badań nad energią atomową i z zakresu medycyny - Autotran
i Technotran. Systran, przetestowany po raz pierwszy w 1969 r., został
przez USAF (amerykańskie siły lotnicze) zaakceptowany i jest używany do
dziś. We wczesnych latach 70. Systran znalazł zastosowanie w amerykań­
skich i rosyjskich projektach lotów kosmicznych (Apollo i Sojuz). W poło­
wie lat 70. system Systran zakupiła Europejska Wspólnota Gospodarcza
z zamiarem opracowania wersji francusko-angielskiej i włosko-angielskiej.
W 1986 r. zorganizowano w Luksemburgu konferencję poświęconą w ca­
łości temu systemowi. Obecnie obsługuje on ok. 20 języków. Technologia
Systran została wykorzystana w popularnych serwisach internetowych
umożliwiających tłumaczenie maszynowe, jak Babel Fish, a także narzę­
dziach językowych Google3. Podstawowym użytkownikiem systemu po­
2 Nazwę systemu najczęściej pisze się ja k akronim (jest to skró t od „system transla­
tion"), używając tylko dużych lite r; stosowana tu pisownia je s t je dn ak rów nie ż spotykana.
3 Należy tu wyjaśnić, że dostępna od niedawna usługa tłumaczenia maszynowego
Google Translate je st niezależnym produktem firm y opartym na tłum aczeniu statystycznym.
zostają jednak klienci korporacyjni, a także wielkie organizacje, przede
wszystkim Unia Europejska. Dla potrzeb UE przygotowano specjalną wer­
sję systemu (EC-Systran, patrz Petrits 2001). Systran wyśmienicie spraw­
dził się też w korporacji Xerox, gdzie, jak podaje Hutchins (2008), dzięki
zastosowaniu odpowiednich zabiegów językowych (użycie określonego
słownictwa i struktur) na etapie pisania instrukcji i podręczników użyt­
kowania urządzeń biurowych, przekład maszynowy dorównuje jakością
profesjonalnemu tłumaczeniu tradycyjnemu, mimo mnogości języków do­
celowych (francuski, niemiecki, włoski, hiszpański, portugalski oraz języki
skandynawskie). Z systemu tego korzystają efektywnie także duże kon­
cerny motoryzacyjne (Ford, Daimler Chrysler). Podobnie jak w przypadku
Xeroxa tekst wyjściowy napisany jest w języku kontrolowanym (patrz 4.3),
natomiast powstały tekst docelowy jest edytowany przez zatrudnionych
w tym celu tłumaczy.
Podstawowymi etapami procesu tłumaczenia w przypadku Systranu
(Hutchins i Somers 1992: 180) są faza przygotowawcza, analiza, transfer
i synteza. W pierwszym etapie program ładuje tekst, określa jego for­
matowanie, przeszukuje słowniki systemowe i dokonuje analizy morfolo­
gicznej. Na etapie właściwej analizy określane są ewentualne homografy,
następuje analiza składniowa, definiowane są relacje syntaktyczne, pod­
miot i orzeczenie zdań. Transfer rozpoczyna się od leksyki, z uwzględ­
nieniem zdefiniowanych uprzednio idiomów i stałych wyrażeń; kolejnym
etapem Są przyimki, na końcu odbywa się transfer strukturalny, gdzie
system bierze pod uwagę zależności wynikające z użycia określonych
struktur językowych. Synteza obejmuje między innymi przekład uprzed­
nio nieprzetłumaczonych leksemów, a także dostosowanie szyku zdania.
Systran sprawdza się w codziennym użyciu i poprawnie wykonuje zada­
nia, do których został powołany. Jest on najbardziej znanym i popularnym
systemem przekładu automatycznego. Jego wiek powoduje jednak, że
jest, co prawda zaawansowanym, ale wciąż systemem pierwszej genera­
cji, zbliżonym w zasadach działania do systemów opartych na transferze
(por. Translatica), jednak nie dającym się w pełni zakwalifikować do tej
grupy (por. też Hutchins i Somers 1992: 184-186). Jednym z ważniejszych
konkurentów systemu Systran był Logos (Scott 1989) - system powstały
w czasie wojny w Wietnamie na potrzeby tłumaczenia z angielskiego na
wietnamski. W kolejnych latach do, systemu dodawane były nowe języki.
Obecna wersja - darmowy OpenLogos umożliwia przekład z niemieckiego
i angielskiego na szereg języków europejskich.

2=6. Ifte tó ©
Meteo jest najbardziej znanym przykładem zastosowania systemu
tłumaczenia maszynowego do pracy z językiem kontrolowanym.
Zaimplementowany ok. 30 lat temu w Montrealu nadal spełnia swoje
funkcje. Na konieczność opracowania takiego systemu złożyły się dwa
czynniki: dwujęzyczność Kanady oraz brak zainteresowania tłumaczy
pracą nad prognozami pogody - zajęciem mało interesującym, monoton­
nym i nie najlepiej płatnym. Meteo przetwarza wprowadzane do systemu
teksty prognoz pogody:
FPCN11 CYYZ 3 1 1 6 3 0
FORECASTS FOR ONTARIO ISSUED BY ENVIRONMENT CAN ADA AT 11.30 A M EST
WEDNESDAY MARCH 31ST 1976 FOR TODAY A N D THURSDAY.
METRO T O R O N TO
WINDSOR.
CLOUDY W ITH A CHANCE OF SHOWERS TODAY A N D THURSDAY.
LO W T O N IG H T 4. H IG H THURSDAY 10.
O U T LO O K FOR FRIDAY... SUNNY
END
(H u tch ins i Somers 1992: 209)
Jak widzimy, tekst ma ściśle ustalony format i pewne stałe elementy,
przez co system jest w stanie przetłumaczyć go ze sporą, sięgającą stu
procent dokładnością. Pierwszym etapem procesu jest określenie jed no ­
stek tłumaczeniowych i przygotowanie, tekstu, na przykład rozwinięcie
występujących skrótów. System korzysta z wbudowanych słowników
idiomów (a właściwie wyrażeń - jednostek dłuższych niż słowo), nazw
własnych i terminologii meteorologicznej. Analiza syntaktyczna jest dość
prosta ze względu na bardzo ograniczoną liczbę możliwych struktur gra­
matycznych. Ze względu na specyfikę języka francuskiego, będącego dla
systemu językiem docelowym, analiza morfologiczna może przysparzać
więcej problemów; jednak, jak wspomnieliśmy, poruszanie się przez tłu­
macza w obszarze języka kontrolowanego znacznie zwiększa dokładność
i użyteczność systemu.
Warto w tym miejscu wspomnieć o polskim projekcie będącym
uproszczoną wersją kanadyjskiego Meteo. W 2001 r. powstała w Akademii
Górniczo-Hutniczej praca magisterska autorstwa Krzysztofa Babiaka
i Tomasza Pałki poświęcona eksperymentalnemu systemowi tłumaczenia
maszynowego prognoz pogody. Poniższa tabela przedstawia schemat
działania systemu:
14
as®
T ab ela 3. Polski system do tłumaczeniu p rognoz pogody
Zdanie w ejściow e Slow-moving area o f rain over southern and eastern Scotland and
parts o f northern England w ith showers, some prolonged, elsewhere.
l>o tłum a czen iu Z w olna przesuwający się obszar deszcz nad połu dniow y i wschodni
wstępnym Szkocja i części północny Anglia z przelotne deszcze utrzym ujące się
w pozostałych miejscach
Po uzg od nie niu Z w olna przesuwający się obszar deszczu nad południow ą i wschod­
końcówek nią Szkocją i częściami północnej A ng lii z przelotnym i deszczami
utrzym ującym i się w pozostałych miejscach.
Postać końcow a Obszar deszczu z w olna przesuwający się nad południow ą i wschod­
nią Szkocją i częściami północnej A ng lii z utrzym ującym i się prze lo t­
; nymi deszczami w po zoslałyclr miejscach.
Źródło: http://w inn ie.ics.a gh.ed u.pl/~ ba bia k/
Jak widzimy, na etapie wstępnym program wyszukuje w tekście słow­
nictwo związane ze zjawiskami przyrodniczymi, w słowniku zjawisk znaj­
duje wyrażenie pasujące do kontekstu, po czym podstawia je w miejsce
polskiego odpowiednika. Następnym etapem są zmiany fleksyjne, wyko­
rzystujące słownik odmiany i słownik przyimków. W dalszej kolejności
zmianom ulega szyk zdania. Wersja końcowa jest funkcjonalna, chociaż
zdaniem autorów wciąż daleka od optymalnej.
Jak przyznają sami autorzy projektu, ich system jest raczej ekspery­
mentem bez praktycznego zastosowania. Głównym problemem jest skala
i przedsięwzięcia. System potrafi przetłumaczyć jedynie 50 zaimplemento­
wanych przez autorów angielskich zdań na język polski4.
i
2.7. System y europejskie
Lata renesansu przekładu maszynowego charakteryzowały się w zm o­
żonymi badaniami w USA i Azji. W Japonii w badania nad przekładem
automatycznym zaangażowana była większość firm produkujących elek­
tronikę. CICC (Center o f International Cooperation for Computerization)
jest wspólnym projektem pięciu krajów azjatyckich działającym od
1983 r. Atlas, produkt firmy Fujitsu rozwijany od 1984 r., je st w tej chwili
4 Program tłum aczący znajduje się pod adresem http://w innie.ics.agh.edu.pl/~babiak/
cgi-bin/translator.cgi.
45:
wszechstronnym systemem przekładu z japońskiego na angielski (oraz
w drugą stronę). Również Europa prowadziła prace nad własnymi syste­
mami.
Susy - to żeńskie imię je s t skrótem od Saarbrucken Ubersetzungs-
system, niemieckiego projektu rozpoczętego w okresie bessy spowodo­
wanej raportem ALPAC. Susy je st systemem transferowym, nieco bardziej
zaawansowanym pod pewnymi względami niż Systran. Szczegółowo za­
sadę działania systemu opisuje Maas (1988).
Ariane to rozwijany pod kierownictwem Bernarda Vauquois i badaczy
z uniwersytetu w Grenoble system drugiej generacji, znany również jako
GETA (Groupe d’Etudes pour la Traduction Aulomatique). Francuzi wiązali
z Ariane spore nadzieje, jednak system nie do końca je spełnił. Wyniki
oceny jakościowej systemu opisuje Roudaud i in. (1993).
Pod koniec lat 70. XX W. narodziła się koncepcja europejskiego sy­
stemu tłumaczenia maszynowego znana pod nazwą Eurotra. Inspiracją
powstania systemu Eurotra był Systran (a także do pewnego stopnia
Susy), ale zasada działania, sposób opracowania, a także skuteczność eu­
ropejskiego projektu była inna niż w przypadku amerykańskiego prekur­
sora. Eurotra je st niewątpliwie najbardziej godnym uwagi europejskim
systemem tłumaczenia automatycznego, chociaż paradoksalnie w osta­
tecznym rozrachunku jednym z najmniej udanych. W założeniu Eurotra
miała obsługiwać wszystkie pary językowe spośród oficjalnych języków
Unii Europejskiej. Był to jednak system transferowy, a więc wymagający
opracowania wielu zestaw ów reguł. W pierwszej fazie opracowywania
systemu języków Unii było 6, a po kilku latach już 9, należało więc
opracować 72 pary języków. Ten fakt był podstawowym powodem, dla
którego Eurotra z góry skazana była na porażkę - wszak liczba oficjal­
nych języków UE nadal rośnie. Gdyby system funkcjonował nadal i miał
obsługiwać wszystkie oficjalne języki UE, należałoby przygotować 50(>
par językowych. Pomimo szczytnych celów (opracowanie systemu tłu­
maczenia dokum entów unijnych między wszystkimi ówczesnymi języ­
kami UE), wsparcia finansowego Komisji Europejskiej i zaangażowania
wybitnych europejskich językoznawców komputerowych, Eurotra nie
osiągnęła zamierzonych wyników. Od 1992 r. prow adzono coraz mniej
prac nad tym projektem; raport końcowy opublikowano w 1994 r. Mimo
braku implementacji badania kilkuset naukowców nad projektem nie
poszły całkowicie na marne. Eurotra przyczyniła się do powstania co
najmniej kilku innych projektów na mniejszą skalę (Steinberger 1994).
Należy również podkreślić, że był to w zasadzie jedyny naprawdę mię­
dzynarodowy i multilingwalny system europejski; pozostałe wymienione
w tej części książki projekty były ograniczone do konkretnej jednostki
badawczej, a często również do jednej pary języków. Przy okazji należy
zaznaczyć rolę organizacji UE, w szczególności Komisji Europejskiej,
w promowaniu badań nad inżynierią językową. Wspomnijmy tu cho­
ciażby nadal funkcjonujący projekt ELSNET (European Network of
Excellence in Human Language Technologies), kierowany od 1991 r.
przez Instytut Lingwistyki Uniwersytetu w Utrechcie.
Kolejnym znanym europejskim projektem dotyczącym przekładu
maszynowego była Rosetta - owoc pracy inżynierów holenderskiego
piiilipsa. System ten oparty je st na międzyjęzyku (interlingua) i wykorzy­
stuje tzw. gramatykę Montague (Montague 1970). Nazwa projektu p o ­
chodzi od egipskiego miasta (obecnie RashicI), w którym ok. 1799 r. od­
naleziono kamień zapisany hieroglifami; odkrycie to w znacznym stop­
niu wpłynęło na rozwój wiedzy o piśmie egipskim. W języku angielskim
terminem tym określa się czasami przełomowe odkrycie umożliwiające
rozwiązanie problemu lub odczytanie szyfru5. Firma Apple nazwała tak
oprogramowanie umożliwiające korzystanie z aplikacji przeznaczonych
dla architektury PowerPC na komputerach wyposażonych w procesory
Intel. Rosetta, jako jed en z bardziej zaawansowanych projektów tego
typu, była rzeczywiście swego rodzaju przełomem w rozwoju systemów
tłumaczenia automatycznego.
Jednym z bardziej zaawansowanych europejskich systemów tłuma­
czenia autom atycznego je s t Metal, rozwijany od 1989 r. przez firmę
Siemens i przeznaczony do tłumaczenia z niemieckiego na angielski
(chociaż stopniow o prow adzone były badania nad implementacją in­
nych par językowych). System ten opisuje szczegółowo White (1985
i 1987).
Warto również wspomnieć o innym holenderskim projekcie - DLT
(rozwijanym na uniwersytecie w Utrechcie), szczególnie dlatego że jest
to system oparty na interlingwie, a konkretnie na Esperanto. Ten fakt wy­
różnia DLT spośród innych systemów. Użyty język ma wszak wiele cech
języka naturalnego, je st więc z całą pewnością czymś więcej niż sztucz­
nym kodem o ograniczonym zastosowaniu (por. Schubert 1992).
5 Na przykład „th is genetic Rosetta Stone o f im m u nolog y” (http://w w w 3.niaid.nih.gov/
news/newsreleases/2000/ihwg.htm).
2.8. T ranslatica - pofisld widni w tłum aczenie
aufm natycziie
Wydawnictwo Naukowe PWN, jako główny wydawca polskich publika­
cji naukowych, odgrywa sporą rolę w dystrybucji materiałów pom oc­
niczych dla tłumaczy. Seria wydawnicza, w której ukazuje się niniejsza
publikacja, przyczyniła się ju ż do popularyzacji problemów translato­
ryki w gronie znacznie szerszym niż uniwersyteckie katedry przekłado­
znawstwa. Wielki słownik angielsko-polski polsko-angielski PWN Oxford był
przedsięwzięciem na miarę czasów, owocem współpracy z czołowym
wydawcą słowników języka angielskiego oraz z wybitnymi językoznaw ­
cami i leksykografami, pierwszym nowoczesnym słownikiem na taką
skalę wykorzystującym potężn e korpusy językowe, a w rezultacie długo
oczekiwaną alternatywą dla przestarzałych, kompilowanych w sposób
tradycyjny słowników Stanisławskiego i Fundacji Kościuszkowskiej.
Translatica, projekt PWN najbardziej nas z punktu widzenia niniejszej
pracy interesujący, to zestaw oprogramowania w różnych wersjach dla
użytkowników prywatnych oraz firm, integrujący się z programami
do codziennej pracy (oprogramowanie biurowe, programy pocztowe,
przeglądarki internetow e) i umożliwiający tłumaczenie z wykorzysta­
niem języka polskiego, angielskiego, niemieckiego i rosyjskiego. Strona
internetow a wydawnictwa umożliwia dostęp do wersji online, funkcjo­
nującej analogicznie jak SYSTRANet czy Babel Fish, ale dodatkow o tłu­
maczącej na polski i z polskiego. Translatica je st systemem opartym
o transfer, wykorzystującym między innymi wspomniany ju ż słownik
PWN Oxford, a także sieć semantyczną WordNet. W materiałach pro­
mocyjnych wydawnictwa6 opisane są następujące kroki działania algo­
rytmu tłumaczącego:
1) tokenizator dokonuje segmentacji tekstu na wyrazy;
2) analizator leksykalny zajmuje się odczytem ze słownika, a także
sprawdzaniem pisowni i obsługą reguł derywacji i łączenia wyrazów;
3) analizator składniowy zajmuje się tzw. parsingiem metodą CYK
(od nazwiska badaczy Cocke, Younger i Kasami); algorytm CYK pozwala
stwierdzić, czy dane słowo jest wyprowadzalne w danej gramatyce;
4) transferer zawiera między innymi reguły transferu międzyjęzyko-
wego, modyfikacji składniowej i generowania form fleksyjnych.
6 http://w w w .translatica.pl/tianslatory/co-to-jest-translator/jak-clziala-translator/
48
2.9. P od su m o w anie - w sp ółczesność
Główne nurty badań nad tłumaczeniem automatycznym, które są pro­
wadzone w XXI w., omówione są w szczegółach w innych częściach tej
książki; w tym miejscu pragniemy jedynie je podsumować.
Wydaje się, że intensywność badań nad tłumaczeniem maszynowym
(w klasycznym rozumieniu tego pojęcia) nieco słabnie w ostatnich la­
tach. Nadal podejmowanych je st wiele rozważań teoretycznych doty­
czących tłumaczenia statystycznego i korpusow ego7. Na gruncie prak­
tycznym prowadzi się prace przede wszystkim w czterech obszarach;
są to:
o aplikacje wspomagające tłumaczenie - produkt ostatnich lat, którego
ekspansja je st imponująca,
° próby wypełnienia luki w automatyzacji przekładu ustnego, a więc wy­
korzystanie syntezy mowy i tworzenie aplikacji i systemów zastępują­
cych tłumaczy środowiskowych,
° lokalizacja oprogramowania komputerowego,
® wykorzystanie potencjału Internetu do prezentacji zalet tłumaczenia
maszynowego, a więc serwisy tłumaczące dostępne online.
Jak widać, pola zainteresowań praktyków tłumaczenia zautomaty­
zowanego wiążą się ściśle z rozwojem technologii i zmianami na rynku
tłumaczenia. Liczba tekstów wymagających przekładu rośnie i zaczyna
przekraczać możliwości tłumaczy, wproWacIza się więc oprogramowanie
usprawniające codzienną pracę. Powstające aplikacje, naturalnie nie tylko
te przeznaczone dla tłumaczy, występują w wielu wersjach językowych.
Rozwijająca się technologia, w szczególności Internet, umożliwia rozsze­
rzenie pola działania na nowe, dotychczas niedostępne obszary, jak prze­
kład ustny, a także udostępnienie narzędzi olbrzymiej i wciąż rosnącej
rzeszy użytkowników.
Poniższa tabela podsumowuje mocne i słabe strony aplikacji w spo­
magających przekład, a więc słowników elektronicznych, pamięci tłuma­
czeniowych (o których mowa w kolejnym rozdziale) i przekładu maszy­
nowego:
7 Dostępne w Internecie archiwum publikacji o przekładzie autom atycznym (http://
w w w .m t-a rchive .infb/m etlioc!s-l,Iitm ) pokazuje skalę i środek ciężkości prowadzonych
obecnie badań.
Tabela 4. Wady i zalety aplikacji wspomagających przekład wyraźnie widać, większość kryteriów lepiej (lub tak samo dobrze) spełnia
M ocne s tro n y
tłumaczenie maszynowe, jednak w zakresie dokładności i wszechstronno­
Słabe s tro n y
ści tłumacze z krwi i kości nadal mogą czuć się niezagrożeni.
Słowniki dw uję­ - łatw e w opracowaniu - nadają się do tłum aczenia słów
zyczne lub fraz poza kontekstem
Tabela 5. Porównanie system ów przekładu autom atycznego i pracy tłumacza
Pamięci tłum a­ - w ykorzystują istniejące tłum a­ - m ożliw ość w ykorzystania ist­
czeniowe czenia niejących tłum aczeń zależy od System tłum aczenia
T łum acz
- podstaw iane tłumaczenia zw y­ sto p nia 'p odo bieństw a (nie po ­ m aszynowego
kle nie wymagają pow ażniej­ trafią tłum aczyć nowych frag­
Szybkość Prawie nieograniczona i rosnąca, Bez narzędzi wspomagających, ok.
szych zmian m entów) 10 stron maszynopisu dziennie.
rzędu kilku tysięcy stron dzien­
Systemy tłum a­ - mogą tłum aczyć nowe, dotych­ - uzależnione w sporym stopniu nie. Tłum aczenie w czasie rzeczy­ Tłum aczenie w czasie rzeczyw i­
czenia maszy­ czas nieprzetłum aczone zdania od jakości tekstu wyjściow ego w istym m ożliw e. stym tylko w yp ow ied zi ustnych.
nowego - bardzo szybkie
D o kła d n ość t łu ­ Wysoka w przypadku prze w id y­ Zależna od um iejętności i kwa­
m aczenia i ja ­ walnych, nieskom plikowanych lifika cji tłum acza. Spada w przy­
Źródło: opracowanie własne na podstaw ie: D illin g e r i Lommel 2004.
kość p ro d u k tu . tekstów . Może spaść poniżej ak­ padku skom plikowanych tekstów,
ceptow alnego poziom u. kró tk ich term inów , zmęczenia
W tłumaczeniu rozumianym jako transakcja zawierana między zle­ tłumacza.
ceniodawcą a wykonawcą (często za pośrednictwem biura) zawsze cho­
Koszt Praktycznie pom ijalny. M ożliw y Ok. 20 groszy za słowo (zwykle
dzi o odpowiednie wyważenie trzech czynników: kosztu, dokładności po czątkow y (duży) koszt zakupu m iędzy 6 a 10 eurocentów).
i szybkości. Niestety, najczęściej zleceniodawca może liczyć na spełnie­ systemu.
nie swoich wymagań w odniesieniu do najwyżej dwóch z tych czynników. Spójność Bardzo wysoka. Wysoka, pod w arunkiem zastoso­
Tłumaczenie wykonane szybciej i dokładniej niż zwykle musi kosztować wania narzędzi wspomagających.
więcej niż zwykle. Początkujący tłumacz-student ma niskie stawki, ale Może być niska w przypadku
jego praca może nie być wysokiej jakości, a prawie na pewno potrwa tłum aczeń wykonywanych przez
kilka osób.
dłużej niż praca profesjonalisty. Zlecenie, w którym priorytetem jest do­
kładność, będzie wymagało drobiazgowej edycji, być może konsultacji Dyspozycyjność Zawsze do dyspozycji. Może być ograniczona.

ze specjalistami, co nie jest konieczne w przypadku tłumaczenia, w któ­ Typy tekstów Specjalistyczne, techniczne. Dowolne, pod w arunkiem od po­
rym chodzi o przekazanie podstawowej informacji. Niewątpliwie systemy Literackie praktycznie nieuży­ w iedniego wyszkolenia tłumacza.
wane.
tłumaczenia maszynowego umożliwiają wykonanie operacji przekładu
w tempie, które jest zdecydowanie poza zasięgiem tłumacza z krwi i ko­ Źródło: opracowanie własne na podstawie: D illinge r i Lommel 2004: 11.
ści. Najczęściej taka operacja je st też znacznie tańsza, a czasami praktycz­
nie darmowa, o ile nie bierze się pod uwagę jednorazowych kosztów zbu­
dowania systemu. Piętą Achillesową systemów maszynowych może być
więc tylko dokładność - ale nie musi. Nowoczesne systemy stworzone do
pracy nad konkretnymi typami tekstów są w stanie produkować tłumacze­
nia o jakości zbliżonej do wersji autorstwa profesjonalistów.
Poniższa tabela prezentuje porównanie pracy tłumacza z działaniem
systemu tłumaczenia maszynowego, uwzględniając opisaną w paragra­
fie powyżej triadę, a także kryterium spójności, dyspozycyjności i typy
tekstów, nad którymi pracować może tłumacz i system automatyczny. Jak

Przekład wspomagamy
komputerowo
3.1. Aplikacje w spom agające tłum aczenie
Badania naci automatyzacją procesu przekładu opisane we wcześniej­
szych częściach książki nie zakończyły się pełnym sukcesem, o ile za taki
mielibyśmy uważać system zastępujący tłumacza w pracy. Jak jednak za­
uważyliśmy, wspomniane badania przybierają inny kierunek, a ich celem
nie je st bynajmniej pozbawienie tłumaczy możliwości wykonywania za­
wodu. Obecnie niezwykle popularnym owocem prac nad usprawnieniem
procesu przekładu są aplikacje komputerowe stosowane powszechnie
przez tłumaczy. Do programów, z których tłumacz tekstów technicznych
czy specjalistycznych korzysta praktycznie przez cały czas wykonywania
pracy, należą:
0 edytory lub procesory tekstu (najpopularniejszym narzędziem tego
typu je st rozwijamy przez firmę Microsoft program Word pracujący
w środowisku Windows),
0 elektroniczne słowniki i glosariusze terminologii specjalistycznej,
• aplikacje wykorzystujące pamięć tłumaczeniową (ang. translation me­
mory).
Powyższa lista może być uzupełniona przez aplikacje pomocnicze
służące do archiwizacji danych, konwersji formatów plików itp. Ten
zestaw stanowi miejsce pracy współczesnego tłumacza. W języku an­
gielskim funkcjonuje określenie the translator’s workstation (por. Melby
1992)'. Wraz z rozwojem technologii charakter miejsca pracy tłumacza
zmienia się, jednak powyższy zestaw narzędzi jest dość powszechny.
2 wymienionych aplikacji najbardziej interesują nas te oparte na pamięci
tłumaczeniowej. Według Somersa (2003b) ich genezy należy upatrywać
w rozwijanym na Brigham Young University w latach 1980 systemie ALPS
(Automatic Language Processing System), wyposażonym w pierwowzór pa­
mięci tłumaczeniowej - narzędzie pod nazwą „Repetitions Processing”.
W poprzednich częściach książki mówiliśmy już o różnicy między
przekładem całkowicie zautomatyzowanym a tłumaczeniem wykonywa­
nym przez człowieka przy użyciu narzędzi komputerowych. Ingerencja
człowieka jest naturalnie podstawowym elementem odróżniającym te
dwa typy przekładu, lecz różnic jest więcej. Programy oparte na pamięci
tłumaczeniowej dzielą tekst na części, podczas gdy systemy przekładu
maszynowego działają w obrębie całego tekstu (Austermiihl 2001: 134).
Poznajmy zatem te aplikacje i zasady ich działania.
3.2. P am ięć tłu m a c z e n io w a
Pamięć tłumaczeniowa, często oznaczana skrótem TM (Translation
Memory), powstaje na trzy sposoby; można ją utworzyć od podstaw, wyko­
nując tłumaczenia, można importować plik pamięci lub stworzyć pamięć
z tekstów oryginalnych i ich tłumaczeń. Pamięć zbudowana jest z tzw.
segmentów, które pełnią rolę jednostek przekładowych. Segment to naj­
częściej zdanie (w fabrycznych ustawieniach programów). Rolę segmentu
może również pełnić komórka tabeli, punkt listy itp. Aplikacja wyszukuje
w tekście typowe znaczniki (np. spacja poprzedzona kropką oznacza
nowe zdanie) i dokonuje segmentacji. Użytkownik może jednak ingero­
wać w te ustawienia, np. określić, które znaczniki nie mają być brane pod
uwagę (na przykład skrót zakończony kropką i spacją nie oznacza końca
zdania, poza tym nie każde zdanie kończy się kropką). Segmentacja uza­
leżniona jest od typu tekstu i jego układu. Jeżeli tekstem wyjściowym jest
broszura zawierająca kilka podobnych zdań różniących się tylko jednym
1 Zamiast określenia „w o rk sta tio n " używa się także „w orkbench” , jednak term in ten
je st często nazwą zastrzeżoną dla konkretnego zestawu narzędzi (patrz Trados Translator’s
W orkbench poniżej, a także np. Kugler i in. 1993).
! i
akronimem, najbardziej naturalnym segmentem do zbudowania przydat­
nej pamięci tłumaczeniowej będzie zdanie. Jeśli natomiast w tekście wy-
stępują całe akapity różniące się tylko kilkoma słowami lub pojedynczym
zdaniem, stosuje się raczej segmenty równe akapitom (Bogucki 2007:' 43).
Jak zauważa Esselink (2000: 363), krótsze segmenty (zdania) oznaczają
większą liczbę stuprocentowych trafień, ale jednocześnie częstszą ko­
nieczność weryfikacji przez tłumacza, ze względu na-możliwość niedopa­
sowania kontekstowego. Segmentom źródłowym odpowiadają segmenty
docelowe w jednym lub kilku językach.
Pamięć ma postać pliku (lub kilku plików). Pliki te mogą być przeka­
zane w formie elektronicznej bezpośrednio tłumaczom (najczęściej prze­
syłane drogą e-mailową), udostępnione na serwerze czy też przekazane
zleceniobiorcy wraz z projektem. Opis konstrukcji takiego pliku wykracza
poza ramy niniejszego opracowania. Zainteresowani mogą dowiedzieć się
szczegółów przeglądając angielskojęzyczną stronę internetową dostępną
pod adresem http://www.lisa.org/standarcls/tmx/tmx.htm. Występujący w po­
wyższym adresie skrót tmx oznacza Translation Memory exchange i jest naj­
częściej stosowanym (ale nie jedynym) formatem pamięci tłumaczenio­
wej. Poniższy tekst je st fragmentem pliku w formacie TMX (dwa segmenty
tłumaczone z angielskiego na polski):
< tu t u id = " 9 " srclang= "EN -US">
< tu v x m l:la n g = "E N -U S ">
< seg> T o learn m ore about this guide, go to the in tro du ction page and start
learning this intriguing a n d unique language! < /s e g >
< /tu v >
< tu v x m l:la n g = "PL" c re a tio n d a te = "2 0 0 5 0 6 0 4 T 0 7 5 3 3 4 Z " cre a tio n id =
" tlurn acz@ b iu ro .com " la stu sag eda te= "20 050 60 4T 075 33 4Z "
cha n g e cla te = "2 0 0 5 0 6 0 4 T 0 7 5 3 3 4 Z " changeid—" tlu m a cz@ biuro.co m "
usagecount—" 0 " >
< p r o p ty p e = "x-A L S :C o n te xt"> T E X T < /p ro p >
< p r o p type="x-ALS:Source Eile"> C :\D ocu m ents and Settings\adam\Pulpil\
pro jekt jw d r e c z n ik _ d o Jap on skieg o\po dreczn ik_d o Japonskiego\index_htm l.
h tm < /p ro p >
< s e g > W ię c e j info rm acji o p rze w od niku Czytelnik znajdzie w części
Wprowadzenie, skąd m ożna o d razu przejść do pierwszej lekcji japońskiego - ję ­
zyka intrygującego i jedynego w swoim rodzaju! < /se g >
< /tu v >
</tu>
< t u t u id —-“ 10“ srclang="EN-US">
< tu v xm l:la ng—“EN-US'‘>
< s e g > O th e r uses o f the te-form
< /s e g >
< /tu v >
< tu v x m l:la n g = “PL“ crea tiondate= "20050604T0754.52Z " cre a tio n id =
“ tlu m a cz@ b iu ro .co m " lastusagedate= "2 0 0 5 0 6 0 4 T 0 7 5 4 5 2 Z "
changedate—"2 0 0 5 0 6 0 4 T 0 7 5 4 5 2 Z "c h a n g e id = " tlu m a cz@ b iu ro .co m "
usagecount= " 0 " >
< p ro p t y p e - "x-ALS:Context" > LIST ELEM ENT</prop>
< p r o p ty p e = "x-ALS:Source F ile "> C :\D o cu m e n ts and Setlings\adam\Pulpit\
pro jekt _podrec.znik_do _japonskiego\podrecznik_do Japonskiego\index_htm l.
h tm < /p ro p >
< s e g > ln n e zastosowania form y „ t e " ~ T iló-ŚK ~ C Jo C. ~ C
< s ~ T < ;& ) < /s e g >
< /tu v >
< /tu >
Pamięć tłumaczeniowa zawiera więc nie tylko tekst wyjściowy i do­
celowy, ale także wiele informacji pomocniczych, takich jak lokalizacje
oryginalnych plików, z których pochodzą tłumaczenia, identyfikatory
tłumaczy (tego, który wprowadził tłumaczenie jako pierwszy oraz tego,
który je zmienił jako ostatni), komentarze zleceniodawcy lub tłumacza
(nie występują w prezentowanym fragmencie) i inne. Pliki z pamięcią tłu­
maczeniową często kodowane są w uniwersalnym standardzie Unicode,
pozwalającym na umieszczenie w jednym pliku znaków narodowych wielu
krajów. W powyższym przykładzie występują polskie znaki diakrytyczne,
a także znaki Kanji języka japońskiego (Bogucki 2007: 44).
Tłumacze i biura tłumaczy mogą stosować następujące metody orga­
nizacji pamięci tłumaczeniowych:
• jedna, uniwersalna pamięć obejmująca wszystkie tłumaczenia (rozwią­
zanie niepolecane ze względu na możliwe spowolnienie pracy narzędzi
tłumaczeniowych, a także nieprzystawalność indywidualnych wymagań
poszczególnych zleceniodawców),
o pamięci poświęcone danej tematyce (umowy zlecenia, instrukcje ob­
sługi telefonów komórkowych),
8 pamięci dla konkretnych zleceniodawców (np. dużych urzędów, produ­
centów sprzętu komputerowego),
• pamięci dla stale rozwijanych projektów (np. nowego typu urządzenia,
które ma szanse stać się standardem w swojej dziedzinie na wiele lat,
jak Blackberry).
Trzy ostatnie sposoby gwarantują zachowanie mniejszej lub większej
spójności, co jest jedną z podstawowych zalet pamięci tłumaczeniowych.
 Można zatem otrzymać zbiory plików standaryzujące terminologię uży­
wani) w danej dziedzinie, konwencje typowe dla pewnych typów tekstu,
czy też wręcz zawierające fragmenty identyczne z fragmentami mającymi
pojawić się w tekście docelowym. Praktykującym tłumaczom znane są
przypadki otrzymywania zleceń bliźniaczo podobnych cło zleceń wyko­
nanych wcześniej.
Potencjalnym problemem w pracy tłumacza je st mnogość wyko­
rzystywanych typów plików. Ze względu na w szechobecność systemu
operacyjnego MS Windows i pakietu biurowego MS Office bardzo popu­
larne są dokumenty programu Microsoft Word. Jednak program ten ist­
nieje w kilkunastu wersjach (choć trzeba przyznać, że starsze z nich nie
są już używane), a wymiana dokum entów powstałych w różnych wer­
sjach czasami powoduje błędne formatowanie; najnowsza wersja pro­
gramu —Microsoft Office Word 2007 zapisuje dokumenty z domyślnym
rozszerzeniem .clocx, uniemożliwiając edycję w poprzednich wersjach
oprogramowania.
Użytkownicy pakietu MS Office często tworzą i rozsyłają również
arkusze kalkulacyjne Excel (wykorzystywane nie tylko do zamierzonego
przez autorów oprogramowania celu, ale również jako rozbudowane
tabele tekstowe), a także prezentacje Power Point. Powszechnie dostar­
czane są strony i całe serwisy internetowe (format HTML), pliki źród­
łowe do generowania dokum entów w popularnym formacie Portable
Document Format (.pdf), dokum enty Rich Text Format (.rtf) i wiele in­
nych. Czasami zleca się również przekład tekstów zapisanych w plikach,
które nie umożliwiają w ogóle edycji, np. zeskanowanych czy nawet
sfotografowanych aparatem cyfrowym. Różnorodność ta powoduje, że
tłumacz musi dysponować odpowiednim oprogramowaniem do edycji
tekstu zapisanego w różnych formatach. Tłumaczom amatorom (czasem
również profesjonalistom) zdarza się, że zamiast przystąpić do pracy,
tracą czas na dyskusje ze zleceniodawcą, prosząc go o zapisanie w in­
nym formacie i ponowne wysłanie pliku. Nawet jeżeli posiadany przez
nas program odczytuje nadesłany przez klienta dokument, konwersja
może być potrzebna, gdyż źródłowe tabele, diagramy itp. mogły stać się
nieczytelne, a układ tekstu na stronie mógł się zmienić.
W takich sytuacjach uwidacznia się kolejna zaleta systemów w spo­
magających tłumaczenie, a mianowicie możliwość oddzielenia treści
od formy:
b
Przed tłum a czen iem p lik ź ró d ło w y jest. przetw arzany tak, żeby tłum acz m ia ł ła­
tw y dostęp d o tekstu wym agającego tłum aczenia; ta kie 'ce ch y pliku źródłow ego
jak form ato w an ie, elem en ty graficzne, układ strony itp. są albo niew ido czne dla
tłum acza, albo zaznaczone w sposób sym boliczny (form atow anie, szczególnie
w e w n ą trz akapitów , m oże być istotne sem antycznie). (Bogucki 20 07 : 46)
Tak w ięc p ro g ra m u d o s tę p n ia tłu m aczow i p rz e tw o rz o n y plik g o to w y
do tłu m aczen ia, p o z b a w iając g o p ra k ty c zn ie op isany ch w yżej problem ów .
Funkcja ta j e s t n ie z a le ż n a o d fo rm a tu pliku ź ró d ło w e g o i d o celo w eg o ;
na przykład p o d c z a s tłu m a c z e n ia stro n y in te rn e to w e j system w s p o m a ­
gający m o ż e p o d s ta w ić s ta rs z e tłu m a c z e n ie p o c h o d z ą c e z prezentacji
PowerPoint.
Stosuje się różne formaty plików przetworzonych. Formatem otwar­
tym, o publicznie dostępnej specyfikacji jest XLIFF. Po przetłumaczeniu
wszystkich segmentów, sprawdzeniu pisowni i przeprowadzeniu autoko-
rekty plik jest konwertowany ponownie cło formatu źródłowego.
Warto wspomnieć, że pamięć tłumaczeniowa bywa wykorzysty­
wana jako narzędzie pomocnicze usprawniające pracę systemów tłuma­
czenia maszynowego. Zastosowanie pamięci tłumaczeniowej w staty­
stycznym przekładzie automatycznym opisują m.in. Marcu (2001) oraz
Hewavitharana i in. (2005).
3.3. N ajw ażniejsze a p lik a c je w spom agające
p rz e k ła d
Wybór narzędzia ułatwiającego tłumaczenie zależy od wielu czynników.
Należy wziąć pod uwagę preferencje zleceniodawcy, zwłaszcza że może on
dostarczyć agencji (lub bezpośrednio tłumaczowi) pliki pamięci w określo­
nym formacie, co może oznaczać konieczność użycia konkretnego narzę­
dzia. Aplikacje wspomagające przekład są coraz bardziej uniwersalne, ale
może się zdarzyć, że dane narzędzie nie obsługuje wybranego języka lub
określonego formatu pliku źródłowego. Kolejnymi czynnikami są umiejęt­
ności tłumacza (w tym wypadku doświadczenie w pracy z konkretnym na­
rzędziem) oraz kwestia posiadania licencji na dany program.
Obok Tradosa, wyznaczającego w zasadzie od samego początku stan­
dardy w dziedzinie przekładu wspomaganego komputerowo, w latach 90.
XX w. głównymi graczami na rynku były SDLX firmy SDL (obecnego właś­
 ciciela Tradosa), Deja Vu firmy Atril, Transit firmy Star oraz Translation
Manager autorstwa giganta komputerowego IBM. Do tej listy można
obecnie dopisać powstały na początku wieku Wordfast. Wymienione
programy, choć działające na podobnej zasadzie, różnią się ceną, dostęp­
nością, kompatybilnością, a także zasadami wykorzystania licencji. Dla
przykładu, atutem oprogramowania Wordfast jest jego cena, znacznie
niższa niż konkurencyjnych aplikacji, a także możliwość ubiegania się
0 darmową licencję edukacyjną. Według Smith (2004) Trados ma się tak
do Deja Vu Atrila jak Microsoft do Macintosha; Smith odwołuje się tu do
odwiecznej wojny producentów dwóch z trzech (obok Linuksa) podsta­
wowych systemów operacyjnych, myląc jednak trochę pojęcia (Microsoft
to przedsiębiorstwo, producent systemu Windows, a Macintosh to nazwa
komputerów produkowanych przez firmę Apple - na tych komputerach
instaluje się system operacyjny Mac OS). Microsoft dominuje na rynku
komputerów osobistych, natomiast komputery Macintosh postrzegane są
jako nowatorskie, oryginalne, przyjazne użytkownikowi i mające odda­
nych wyznawców, stanowiących jednak znikomy procent rynku.
Osobną grupę narzędzi stanowią aplikacje pisane „dla tłumaczy przez
tłumaczy”. Czołowa agencja tłumaczy Logos rozprowadza Mneme Suite -
pakiet narzędzi opracowanych dla pracowników i klientów biura (Eckstein
1Sosnowski 2004: 68-70). Tego typu inicjatywa jest godna wzmianki, po­
nieważ w zasadzie jedyną wadą takich aplikacji je st ograniczenie funkcjo­
nalności do działań koordynowanych przez dane biuro. Jeżeli biuro ma
jednak dominującą pozycję na rynku, posiadanie własnego pakietu na­
rzędzi ułatwia szkolenia i dystrybucję, a także zapewnia kompatybilność
i spójność.
Najpopularniejszym programem wykorzystującym pamięć tłuma­
czeniową jest SDL Trados. Niektóre mniej profesjonalne biura tłumaczy,
używają nawet nazwy tego programu na określenie narzędzia wspoma­
gającego tłumaczenie, podobnie jak termin „adidasy” oznacza buty spor­
towe, niekoniecznie firmy Adidas. Trados ma ponad 20 lat, co w świecie
informatyki jest wiekiem niemalże matuzalemowym; nazwa ta jest nawet
starsza od systemu operacyjnego Windows, którego (mocno niedoskonała
i niepopularna) wersja 1.0 pojawiła się w 1985 r. Hasło reklamowe promu­
jące dwudziestolecie produktu brzmiało „20 years o f great memories”, co
jest grą słów, jako że „memory” może oznaczać pamięć (w tym wypadku
tłumaczeniową), jak również wspomnienie. Należy jednak podkreślić, że
jubileusz dotyczy firmy powstałej w 1984 r. w Stuttgarcie (nazwa pocho­
dzi od angielskiego Translation and Documentation Software)-, znany pod tą
nazwą produkt pojawił się dopiero w latach 90. (Garcia 2005: 19).
Podstawowym zadaniem Trados Translator’s Workbench, pakietu
sprzedawanego obecnie przez firmę SDL International, jest wspomaganie
tłumacza w procesie przekładu i - w miarę możliwości - umożliwienie
tłumaczowi skoncentrowania się na samym tekście bez odwracania jego
uwagi przez kwestie formatowania. Program dokonuje statystycznej ana­
lizy fragmentów powtórzonych oraz trafień w pamięci tłumaczeniowej.
P o le c e n ie Translate umożliwia wstępny przekład podzielonego na seg­
menty tekstu i określenie stopnia trafienia w porównaniu z segmentami
znajdującymi się w pamięci. Inne elementy pakietu to TagEditor - pro­
gram obsługujący teksty w językach znacznikowych (a więc umożliwiający
przekład np. zawartości strony internetowej w języku HTML), MultiTerm
- narzędzie do zarządzania terminologią, czy WinAlign - program w spo­
magający tworzenie pamięci tłumaczeniowych przez dopasowanie już ist­
niejącego wcześniej tekstu źródłowego i jego tłumaczenia. Kiedyś praca
w Tradosie polegała głównie na wywoływaniu jego poleceń z poziomu
programu Microsoft Word; obecnie firma SDL International wyraźnie pro­
muje moduł TagEditor jako główny edytor całego pakietu Trados - można
w nim tłumaczyć teksty we wszystkich obsługiwanych przez Tradosa for­
matach, w tym dokumenty programu MS Word.
Wspomniany gigant na rynku oprogramowania wspomagającego
przekład - SDL International przejął niedawno firmę Idiom Technologies,
stając się właścicielem praw do prężnie rozwijanego narzędzia Idiom, wy­
soko ocenianego przez praktykujących tłumaczy.
Jak zauważyliśmy wcześniej, narzędzia wspomagające przekład czę­
sto występują w formie pakietów. W tym miejscu warto wspomnieć o am­
bitnym projekcie Unii Europejskiej funkcjonującym pod nazwą EURAMIS
(European Advanced Multilingual Information System). EURAMIS łączy
możliwość dostępu do bazy terminologicznej UE (patrz 3.5 poniżej), bazy
aktów prawnych CELEX, pamięci tłumaczeniowej, MultiTerm, systemu
Systran i szeregu innych użytecznych w pracy tłumacza narzędzi.
3.4. D ziałanie aplikacji w spom agających tłum aczenie
Podstawowym zadaniem aplikacji wykorzystujących pamięć tłumacze­
niową jest przyspieszenie pracy tłumacza przez wyeliminowanie koniecz­
ności ponownego tłumaczenia fragmentów identycznych z fragmentami
 (segmentami) wcześniej przetłumaczonymi lub bardzo do nich podob­ otrzymać pamięć tłumaczeniową i przełożyć dany termin tak, jak został
nych. Fragmenty identyczne są podstawiane automatycznie, natomiast 0n przetłumaczony w poprzednim tekście, co byłoby znacznie trudniejsze
podobne wymagają jedynie niewielkiej ingerencji tłumacza, najczęściej bez tej pamięci.
zatwierdzenia proponowanego przez program tłumaczenia. Zaletą ta­ Trzecią zaletą aplikacji wspomagających tłumaczenie jest możliwość
kiego rozwiązania jest również fakt, że tłumacz może skupić się na właś­ zarządzania bazami terminologicznymi. Są one dostarczane jako część sa­
ciwym zadaniu, to je st przekładzie, pomijając kwestię formatowania, tym mego programu tłumaczeniowego lub w postaci oddzielnego produktu
bowiem zajmuje się program. (por. Bogucki 2007: 42).
Aplikacje takie są również bardzo przydatne dla zleceniodaw­ Poniższy rysunek prezentuje okno edytora tłumaczeniowego systemu
ców. Dzięki nim możliwe je st rozdzielenie dużego zlecenia (tłumacze­ wspomagającego tłumaczenie o nazwie Open Language Tools.
nia obszernego tekstu) na kilku tłumaczy bez ryzyka utraty spójności.
Oczywistym je st bowiem, że kilku tłumaczy pracujących nad takim samym
tekstem nie jest w stanie wykonać identycznych tłumaczeń. W przypadku
odmian tłumaczenia, w których forma bierze górę nad treścią, różnice
między poszczególnymi wersjami mogą być znaczące. W przekładzie spe­
cjalistycznym forma ma mniejsze znaczenie niż treść (jak mawiał Andre
Lefevere, „na sprzedaż pralki automatycznej nie wpłynie fakt, że instruk­
cja obsługi tejże pralki napisana je st wierszem”2). Ta odmiana tłumaczenia
cechuje się większą przewidywalnością, jednak mogą wystąpić różnice
między wersjami. Jeżeli te różnice dotyczą terminologii specjalistycznej,
jest to sytuacja niepożądana. Jedną z podstawowych zasad tworzenia
terminologii w różnych językach je st zachowanie spójności i unikanie
używania wielu ekwiwalentów dla jednego terminu w języku źródło­
wym. Kontrolę nad rozwojem języka w tym zakresie sprawuje między
innymi MOUNT (Międzynarodowa Organizacja Unifikacji Neologizmów
Terminologicznych). Również zleceniodawca, nierzadko posługujący się
wewnętrznym żargonem, zainteresowany jest zachowaniem konsekwen­
cji w wydawanych i tłumaczonych materiałach. Zaangażowanie wielu tłu­
maczy, konieczne, jeżeli należy przełożyć wiele stron tekstu w krótkim
czasie, pociąga za sobą ryzyko otrzymania tekstów niespójnych termi­
nologicznie, gdzie danemu pojęciu odpowiada jeden ekwiwalent podany
przez tłumacza A, a w dalszej części tekstu temu samemu pojęciu odpo­
wiada inny termin zaproponowany przez tłumacza B. Zastosowanie apli­ Rysunek 2. Edytor tłum aczeniow y Open Language Tools
kacji wspomagających przekład, a w szczególności ich integralnej części -
pamięci tłumaczeniowej - pomaga rozwiązać ten problem. Co więcej, tłu­ Prezentowany edytor wykorzystuje dość typowy dla tego typu pro­
macz C, wykonujący podobne zlecenie miesiąc czy pół roku później, może gramów interfejs. W przykładzie powyżej po lewej stronie znajduje się
angielski tekst wyjściowy, po prawej polski tekst docelowy, a pod spodem
2 „A washing-m achine w o n ’t sell any b e tte r i f its manual is w ritte n in heroic couplets” , okienko pamięci tłumaczeniowej. Na górnym pasku dostępne są przyciski
w ykłady CETRA 1995, tłu m . ŁB. do edycji tekstu i wykonywania typowych czynności oraz pola wyszukiwa-
 ilia, a na samym dole pasek statusu z informacjami o bieżącym segmencie,
Przedstawiony tutaj edytor tłumaczeniowy wyróżnia znaczniki formatu­
jące. Te, które tutaj widać ( < b x / b > to pogrubienie), są znacznikami
wewnątrztekstowymi (ang. inline). Na etapie rozdzielania formy i treści
pliku przygotowywanego do tłumaczenia znaczniki te - w przeciwień­
stwie do znaczników formatowania strony, bloków tekstu itd. - nie są
usuwane z tekstu do tłumaczenia. Dzieje się tak dlatego, że są one noś­
nikami znaczenia, w związku z czym są istotne dla tłumacza i nie mogą
zostać pominięte. Na rysunku pokazano znaczniki pochodzące z pliku
HTML (strona WWW), ale formatowanie wewnątrztekstowe jest również
zaznaczane w plikach powstałych w innych formatach. Edytory wyróżniają
nie tylko znaczniki, ale także umieszczone wewnątrz akapitów rysunki
(np. ikony w tłumaczeniach podręczników oprogramowania), łącza hi­
pertekstowe (np. adresy stron WWW) i inne elementy nietekstowe, ale
o istotnym znaczeniu. Chcąc dostosować szyk zdania, tłumacz może
przenieść takie elementy w inne miejsce, ale już próby usunięcia takich
elementów, ingerencji w ich zawartość lub dodania nowych w wielu edy­
torach tłumaczeniowych powodują wyświetlenie komunikatu ostrzegaw­
czego. Elementy wewnątrztekstowe są traktowane specjalnie i chronione
przed przypadkowymi modyfikacjami.
Na rysunku powyżej zarejestrowano stan po przejściu do nowego
segmentu tłumaczeniowego. W miejscu tłumaczenia znajduje się na razie
tekst oryginału; „nakładanie” tłumaczenia na tekst wyjściowy może bardzo
ułatwić pracę, ponieważ pozwala uniknąć ponownego wpisywania np. dłu­
gich nazw firm, numerów telefonicznych czy, jak na rysunku, znaczników
formatujących. W okienku na dole widzimy, że oprogramowanie znalazło
w pamięci tłumaczeniowej segment podobny do tłumaczonego wcześniej
(widocznego na samej górze okien źródłowego i docelowego). Gdyby zo­
stało znalezionych więcej podobnych segmentów, program wyświetliłby
ich kilka z najbardziej zbliżonym na pierwszym miejscu. Tłumaczowi po­
zostaje kliknąć, wybrać z menu lub wywołać określoną kombinacją kla­
wiszy polecenie podstawiające segment z pamięci do okna docelowego,
a następnie wprowadzić zmiany odpowiednio do różnic w segmencie
źródłowym. Ponieważ różnice między segmentem bieżącym a podstawio­
nym z pamięci są wyróżnione przez oprogramowanie (w przypadku tego
oprogramowania kolorem białym), dostosowanie tłumaczenia przebiega
sprawnie i jest znacznie mniej podatne na błędy niż w przypadku ręcznego
wklejania i analizowania różnic. Niektóre zmiany mogą być uwzględniane
przez oprogramowanie. Na przykład, jeśli dwa segmenty
a u t o m a t y c z n ie
różnią się tylko pewną liczbą, nowa liczba je st automatycznie podsta­
wiana z ewentualną konwersją (np. kropka oddzielająca część dziesiętną
w języku angielskim jest zamieniana na przecinek w języku polskim; prze­
cinek oddzielający tysiąckrotności jest zastępowany odstępem). Niektóre
programy automatycznie konwertują angielskie jednostki miary na me­
tryczne; jeszcze inne odnajdują i podstawiają akronimy, automatycznie
zamieniając n p . „PKP” na „PKS” i tak dalej (Bogucki 2007).
W polu statusu na rysunku widać wartość procentową określającą
s t o p ie ń podobieństwa segmentu znalezionego w pamięci do obecnie edy­
towanego. Często stosuje się podział segmentów w zależności od stopnia
podobieństwa na cztery grupy:
1. Brak trafienia (no matek) - np. poniżej 60%. W pamięci nie ma podob­
nego segmentu lub podobieństwo jest zbyt niskie, aby ułatwiało pracę
tłumaczowi.
2. Trafienie rozmyte (fuzzy match) - np. 60-99%. W pamięci znaleziono
segment podobny na tyle, że podstawienie może ułatwić pracę tłuma­
czowi.
3. Trafienie 100-procentowe (100% match). W pamięci znaleziono iden­
tyczny segment, który został już przetłumaczony. Tłumacz będzie mu­
siał go tylko przejrzeć i ewentualnie poprawić, jeśli znajdzie błędy.
4. Powtórzenie (repetition). W pliku znaleziono ju ż wcześniej iden­
tyczny segm ent. Taki segm ent musi zostać przetłumaczony tylko
raz, potem podstawi się z pamięci jako trafienie 100-procentowe
(Bogucki 2007: 49).
Podane wartości procentowe mają charakter przykładowy. Granica
między „brakiem trafienia” a „trafieniem rozmytym” zależy od uzgodnień
między tłumaczem a klientem lub agencją. Możliwe jest zresztą ustalenie
różnych przedziałów trafienia rozmytego (np. 60-84% i 85-99%). Stopień
trafienia może wpływać na stawkę płaconą tłumaczowi za dany segment:
naturalnie, im większe trafienie, tym niższa stawka. Austermiihl (2001:
136-137) wspomina także o tzw. full matches, które odróżnia od perfect
/ exact matches (czyli trafień stuprocentowych). Owe „trafienia pełne”
to segmenty identyczne pod względem słów i struktur, ale różniące się
zmiennymi numerycznymi, jak daty, liczby, czas czy miary i wagi. Niektóre
źródła (Wittner i Goldschmidt 2007:13) mówią także o tzw. trafieniach
ICE (In Context Exact matches), kiedy to zarówno dany segment, jak i seg­
 menty poprzedzające oraz następujące po nim charakteryzują się stupro-
cen towym trafi en iem.
W tym miejscu należy wyjaśnić pewien problem natury terminolo­
gicznej. W niektórych opracowaniach termin match jest tłumaczony jako
„dopasowanie”, ale taki ekwiwalent przyjęliśmy w niniejszej publikacji dla
terminu alignment. Dopasowanie (alignment) to proces połączenia w pary
tekstu wyjściowego i jego tłumaczenia w celu utworzenia bazy tłumacze­
niowej na potrzeby przyszłych tłumaczeń. Taka procedura jest pożądana
w sytuacji, kiedy dostępne są teksty oryginalne i ich tłumaczenia, a zacho­
dzi konieczność utworzenia pamięci tłumaczeniowej (na przykład w celu
przetłumaczenia nowych wersji oryginalnych dokumentów). Temu celowi
służą odpowiednie narzędzia, najczęściej składniki programów wspomaga­
jących tłumaczenie, jak SDL Align. Warto w tym miejscu przypomnieć znane
w translatoryce pojęcie jednostki tłumaczeniowej (translation unit, por. np.
Hatim i Munday 2004), pojęcia nie do końca sprecyzowanego. Długość jed­
nostki przekładowej, w zależności od typu tekstu, waha się nawet od po­
jedynczego morfemu do akapitu. W poniższym przykładzie tekstu angiel­
skiego i francuskiego, dosłownie przetłumaczonych na polski, jednostka
tłumaczeniowa musi być większa niż zdanie, ponieważ te same informacje
przekazane są w obu tekstach w inny sposób, więc dopiero cały cytowany
fragment francuski można uznać za odpowiednik fragmentu angielskiego;
dopasowanie na niższym poziomie nie jest w tym przypadku możliwe:
A ccord in g to o u r survey, 1988 sales o f m ineral w a te r and soft: drinks w e re much
higher than in 1987, re fle ctin g the gro w in g p o p u la rity o f these products. Cola
d rin k m anufacturers in p a rticula r achieved above average gro w th rates.
Zgodnie z naszymi badaniam i, w 1988 r. sprzedaż w o d y m ineralnej i napojów
bezalkoholow ych była znacznie wyższa niż w '1987 r., od zw ie rcie d la ją c rosnącą •
popularność tych p ro du któ w . Producenci n a p o jó w na bazie C oli w szczególności
osiągnęli po na dprze ciętn y wzrost:.
Quant: aux (a) les eaux m in e rai es et. aux (les) lim onades, elles re n co n tre n t toujours
plus d'adeptes. En effet no tre sondage fa it ressortir des ventes n e tte m e n t superie■■
urs a celles de 1987, p o u r les boissons a base de cola notam m ent.
Co do w o d y m ineralnej i n a p o jó w b e zalkoho low ych, to zyskują one coraz w ięcej
sym patyków. Faktycznie, nasz sondaż pokazuje znacznie wyższą sprzedaż, od tej
z roku 1987, dla n a p o jó w na bazie C oli zwłaszcza.
(Kozłowski 2 0 0 4 : 8 7 -8 8 )
Większość systemów tłumaczeniowych oferuje polecenia analizujące
plik lub pliki z uwzględnieniem pamięci tłumaczeniowej. W wyniku ana­
Pili
(l
li
lizy powstaje zestawienie zawierające liczbę znaków, słów lub segmen­
tów dopasowanych w 100 procentach, dopasowanych z rozmyciem itd.
Taką analizę często wykonuje sam zleceniodawca, a uzyskane zestawienie
przesyła tłumaczowi jeszcze przed rozpoczęciem pracy wraz z rozbiciem
s ta w e k i łączną kwotą wypłaty za zlecenie. Zleceniodawca może też przy­
słać plik wstępnie przetłumaczony (pre-translalecl), czasem z wyraźnym
zaleceniem, aby nie wprowadzać modyfikacji w segmentach 100-procen-
to w y c h (np. ze względu na konieczność zachowania spójności z poprzed­
nimi tłumaczeniami). W trakcie tłumaczenia często okazuje się jednak,
że takie „gotowe" segmenty wymagają zmian ze względu na konieczność
dopasowania do kontekstu lub poprawienia błędów popełnionych przez
poprzednich tłumaczy.
Plik po skończonym tłumaczeniu, zawierający segmenty źródłowe
i docelowe, nazywamy „nieoczyszczonym" (uncleaned). Plik nieoczyszczony
jest wykorzystywany przede wszystkim do wymiany między tłumaczami,
z pośrednictwem lub bez pośrednictwa biura. Zleceniodawca może żądać
dostarczenia pliku właśnie w takiej postaci albo w postaci „oczyszczo­
nej” (cleaned). W tym drugim przypadku tłumacz musi skorzystać z odpo­
wiedniego polecenia „wyczyść” dostępnego w danym systemie tłumacze­
niowym. W wyniku czyszczenia z pliku w formacie charakterystycznym
dla danego systemu tłumaczeniowego oraz ewentualnego dodatkowego
pliku z informacjami o formatowaniu odtwarzany jest plik w oryginalnym
formacie, np. strona WWW, dokument programu Word itp.
Nieco inaczej proces czyszczenia wygląda w przypadku plików pro­
gramu Word w programach Wordfast i Trados; ponieważ programy te pra­
cują bezpośrednio na plikach Worda, w tychże plikach zapisywane są in­
formacje o segmentach źródłowych i docelowych. Segmenty źródłowe są
oznaczane jako ukryte i w standardowym ustawieniu po przetłumaczeniu
widać tylko tekst docelowy; tekst źródłowy wyświetlany jest po otwarciu
wybranego segmentu do tłumaczenia albo po wybraniu w ustawieniach
programu Word opcji pokazywania tekstu ukrytego (Bogucki 2007).
Pamięć tłumaczeniowa jest plikiem binarnym (np. program Trados za­
pisuje pamięć w postaci pięciu plików: .iix, .mdf, .mtf, .mwf oraz .tmw).
Zaletą takiego pliku jest możliwość zaimportowania go do programu tłu­
maczącego oraz szybsze działanie tego programu. Pamięć można również
wyeksportować do pliku tekstowego, co umożliwia jej obejrzenie oraz
ułatwia przenoszenie jej na nośnikach i używanie na innych komputerach.
Plik tekstowy po zaimportowaniu może być również wykorzystany przez
program tłumaczący. Obecnie często stosowaną przez biura praktyką jt-sl
przekazywanie pamięci właśnie w postaci pliku tekstowego, nawet jożfli
program tłumacza obsługuje formaty plików nadesłane przez biuro; t;i.
twiej jest bowiem zapanować nad jednym plikiem niż np. pięcioma.
We wcześniejszych latach tłumacz stawał przed dylematem, czy ko.
rzystać z narzędzi wspomagających przekład, czy też nie (por. Austermiihl
2001: 138). Istniały nawet kalkulatory internetowe (np. Cost/Beneiit
Estimator) pozwalające określić ekonomiczną zasadność użycia takiego
narzędzia. Obecnie tłumacz pracujący na zlecenie agencji musi dostoso-
wać się do wytycznych w tym względzie. Bardzo często forma zlecenia
przekazanego tłumaczowi warunkuje konieczność skorzystania z dauo»o
narzędzia. Korzyści z narzędzi opartych na pamięci tłumaczeniowej są
wymierne. Webb (1998) wykonała w swojej pracy badanie polegające na
wycenie kosztów tłumaczenia obszernego tekstu z wykorzystaniem na­
rzędzi wspomagających przekład oraz bez takich narzędzi. Uproszczoną
wersję polską wyników przedstawiamy poniżej:
Tabela 6. Oszczędności w yn ikłe ze stosowania pamięci tłum aczeniow ej (TM)
Bez TM Z TM
Liczba słów w projekcie 400 000 400 000
Czas w ykonania pracy w dniach 33 10
C ałkow ity koszt tłum aczenia 5 0 ,8 4 8 1 5 ,7 8 4
Cena za słowo $.13 $ .0 4
Ź ródło: opracowanie własne na podstaw ie Webb 1998.
3=5. N arzęd zia term in o lo g iczn e
Jak zaznaczyliśmy, komputerowe wspomaganie przekładu najlepiej
sprawdza się w tłumaczeniu specjalistycznym, a zwłaszcza technicznym,
którego podstawową cechą je s t występowanie terminologii specjalistycz­
nej. Tradycyjne giosariusze terminologii mają wszystkie wady słowników
w formie książkowej, a więc przede wszystkim ograniczoną aktualność.
Naturalnie, w Internecie można znaleźć banki terminologii z powodze­
niem zastępujące konwencjonalne giosariusze. Na przykład pod adresem
http://iate.europa.eu znajduje się InterActive Terminology for Europe. Jest
to następca najbardziej chyba znanej europejskiej bazy terminologicznej
EURODICAUTOM. Na stronie wyszukiwarki można wprowadzić termin fa-
chowy w jednym z 24 języków (oficjalne języki UE oraz łacina) i znaleźć
jego odpowiednik (wraz z kontekstem) we wszystkich pozostałych języ­
; kach lub dowolnie wybranych spośród obsługiwanej grupy. Dane pocho­
dzą z dokumentów Unii Europejskiej, które dotyczą różnych dziedzin,
i m.in. prawa, stosunków międzynarodowych, finansów czy energetyki.
:
j
!
I
■
I
Oszczędności i
-
22 ' |
3 5 ,0 6 4 |
$ .0 9 I
Rysunek 3. W yniki wyszukiwania w 1ATF- dla hasła „globalizacja" w ję zyku angielskim, hi­
szpańskim i w łoskim
Inne bazy terminów to na przykład Termite, nadzorowana przez
International Telecommunications Union, kanadyjska Termium, za­
wierająca kilka milionów terminów angielskich, francuskich i hiszpań­
skich, Team niemieckiego Siemensa czy UNTERM Organizacji Narodów
Zjednoczonych. Bazy te stw orzone zostały z myślą o aktualizacji danych
dostępnych w tradycyjnych słownikach, gromadzeniu efektów pracy za­
trudnionych przez dane firmy czy organizacje lingwistów, ujednolice­
niu obowiązującej terminologii oraz usprawnieniu procesu przekładu,
zanim opisywane w tej książce narzędzia wspomagające przekład
na stałe zagościły w warsztacie tłumacza (Nkwenti-Azeh 2001: 249).
Bardzo ciekawi) inicjatywą je s t baza internetow ego portalu di a rlu-
maczy Proz.com, która zawiera giosariusze w bardzo wielu językach,
tw orzone i aktualizowane przez tłumaczy na podstawie wykonywanych
przez nich zleceń.
Oprócz ogólnodostępnych baz internetowych istnieją również
bazy własne tłumaczy czy biur tłumaczy. Systemy pamięci tłumaczenio­
wej korzystają z wbudowanych narzędzi do zarządzania terminologii)
(terminology management tools). Narzędzia te wyszukują w bazie terminy
występujące w tekście wyjściowym, a następnie umieszczają je, wraz
z ich odpowiednikami w języku docelowym, w osobnym oknie pro­
gramu, aby tłumacz mógł z nich w odpowiednim momencie skorzystać.
Obecnie stosow ane oprogram ow anie umożliwia wydobycie terminów
przez przeszukanie korpusu i identyfikację terminów, które tłumacz
umieszcza w swojej bazie terminologicznej. Najbardziej znanym opro­
gramowaniem do zarządzania terminologią je st wspomniany wcześniej
Multiterm.
Rolę komputera jako banku terminologii potrzebnej tłumaczowi do­
strzeżono wcześnie. Już blisko 20 lat temu Albrecht Neubert pisał, że:
(...) in his d a ily w o rk ro u tin e even the-; e xp e rie n ce d translator en cou nters co u n ­
tless „ n e w " p ro b le m s having to d o w ith the alm ost u n lim ite d in flu x o f words,
term s and phrases th a t are n o t pa rt o f his average o r even specialist lexical
k n o w le d g e . T he w a y he successfully copes w ith these gaps can m ost e ffic ie n tly
be m o d e le d by term banks on the co m p u te r. (Neubert: 1 9 9 1 : 58)
Komputerowe bazy term inów mają przewagę nad tradycyjnymi lek­
sykonami i glosariuszami nie tylko, jeśli chodzi o wspomnianą aktual­
ność, ale także łatwość dostępu i precyzję terminologiczną. Ponadto
oprogramowanie do zarządzania terminologią doskonale integruje się
z pozostałymi narzędziami w arsztatu tłumacza.
3.6. W ady o p ro g ra m o w a n ia w spom agającego
p rz e k ła d
Oprogramowanie oparte na pamięci tłumaczeniowej ma również swoje
wady. Oprócz spraw oczywistych, jak konieczność zakupienia licencjo­
nowanego oprogramowania za często niemałe pieniądze czy nauczę-
M:
nia się jego obsługi, można wymienić problemy wynikające z pracy
zespołowej. Tłumaczenie tradycyjne to współpraca między zlecenio­
dawcą a tłumaczem - pośrednik (biuro tłumaczy) nie musi ingerować
w proces przekładu. Jeżeli tekst nie wymaga zadawania zleceniodawcy
bądź autorowi pytań w celu rozwiania wątpliwości, tłumacz sam orga­
nizuje sobie pracę i zdany je st na własne umiejętności oraz na jakość
posiadanych materiałów. O ile w Internecie można znaleźć dane różnej
jakości, informacje dostępne w słownikach i glosariuszach są najczęś­
ciej poprawne. W przypadku przekładu w spom aganego komputerowo
wiele zależy od jakości posiadanej pamięci tłumaczeniowej, która, jak
wiemy, może być owocem pracy różnych osób. Ponadto, zaangażowa­
nie do projektu wielu tłumaczy, możliwe dzięki wspólnym używaniu
pamięci, rodzi problemy związane z synchronizacją pracy i kontaktem
z poszczególnymi wykonawcami. W podsumowaniu należy stwierdzić,
że implementacja w procesie przekładu dodatkow ego narzędzia (apli­
kacji wspomagającej przekład), dodatkow ego materiału (pamięci tłu­
maczeniowej), a nierzadko dodatkowych wykonawców bezdyskusyjnie
usprawnia proces, ale może także pow odować trudności natury logi­
stycznej czy edycyjnej (formatowanie, konwersja itp.). W najnowszych
wersjach programów integracja z edytorami tekstu przebiega bezprob­
lemowo, więc część problemów opisanych w starszych publikacjach d o ­
tyczących pamięci tłumaczeniowych (por. Esselink 2000: 367) nie jest
już aktualnych.
3.7. System y hybrydow e
W ostatnich latach pojawiła się tendencja do łączenia zalet i możliwości
technicznych systemów przekładu automatycznego i aplikacji opartych na
pamięci tłumaczeniowej. Systemy hybrydowe umożliwiają zaproponowa­
nie tłumaczowi rozwiązania w momencie, gdy w pamięci tłumaczeniowej
nie występuje trafienie (Lagoudaki 2008: 262). Przykładem jest używany
przez Komisję Europejską system Euramis, oferujący podstawianie seg­
mentów z bazy zintegrowanego systemu przekładu automatycznego.
Deja Vu X, nowa wersja omawianego wcześniej produktu firmy Atril, ofe­
ruje funkcje scalania części różnych segmentów, aby ograniczyć do mini­
mum brak trafienia.
 Lagoudaki (2008) przedstawia wyniki badania satysfakcji użytkow ­
ników (tłumaczy) z wykorzystywania systemów opartych na pamięć;
tłumaczeniowej z elementami technologii przekładu automatycznego. E J Praktyczne aspekty przekładu
Interesującą konkluzje) jest stwierdzenie, że nadmierne poleganie na
funkcjonalności przekładu automatycznego może być zgubne. Jak wiemy,
automatycznego
w przypadku tłumaczenia wspomaganego komputerowo (MAHT, w od­
różnieniu od HAMT) to tłumacz podejmuje ostateczne decyzje, a system
pełni funkcję wspomagającą; uczestnicy omawianego badania wyraźnie
akcentują tę różnicę.

4.1. T łum aczenie m aszy n o w e a In te rn e t

Ekspansja Internetu zbiegła się w czasie z kryzysem systemów tłuma­
czenia maszynowego, a konkretnie z zaprzestaniem prac nad opisanym
wcześniej projektem Candide. Ówczesne systemy pracowały zbyt wolno,
a i zapotrzebowanie na usługi tłumaczeniowe było inne niż obecnie.
Globalna sieć umożliwiła jednak dostęp do szeregu tekstów; zaistniała
także potrzeba ich tłumaczenia.
Według danych za rok 2008 opracowanych przez Miniwatts Marketing
Group130,5% użytkowników Internetu posługuje się językiem angielskim
jako ojczystym. Na drugim miejscu znajduje się język chiński, którego
używa aż 20,4% internautów. Liczba internautów anglojęzycznych w zro­
sła w latach 2000-2008 o 203,5%. W przypadku języka chińskiego wzrost
ten osiągnął 755,1%, w przypadku arabskiego zaś aż 2063,7%. Dane te
nie obejmują użytkowników Internetu posługujących-się angielskim (ani
żadnym innym językiem) jako językiem obcym, jednak przedstawiony
stopień zróżnicowania językowego świadczy o tym, że monopol anglo­
języcznego Internetu staje się coraz mniej prawdopodobny. W tej sytua­
cji zapotrzebowanie na szybkie (najlepiej błyskawiczne) i tanie (najlepiej
darmowe) usługi tłumaczenia zawartości stron internetowych stało się
faktem.

' h ttp://w w w .in te nie tw orlclsta ts.co m /stats7 .litm

 Udostępnianie systemów tłumaczenia maszynowego w Internecie n a ­
poczęło się na przełomie lat 80. i 90. ubiegłego wieku (Gaspari i Hiirdiins
2007). Były to jednak usługi kierowane do użytkowników konki-einych
serwisów (pierwszym był francuski Minitel) o bardzo ograniczonym "za­
sięgu podyktowanym też ówczesną funkcjonalnością Internetu. Svsiem
skierowany do użytkowników CompuServe (Flanagan 1995 i 1996) powie­
lał te wady, ale nie były one aż tak widoczne, jak w przypadku Miniuj,
toteż stał się on dość popularny. Pierwszą ofertą skierowaną do szerokiej
publiczności był dopiero produkt zintegrowany z wyszukiwarką AltaVista,
obecnie należący do Yahoo! Babel Fish, który zadebiutował w 1997 r.
Geneza nazwy jest w tym przypadku szczególnie interesująca. „Ryba
Babel” to wytwór wyobraźni Douglasa Adamsa, autora „Autostopem
przez galaktykę”, stworzenie przypominające pijawkę i umożliwiające, po
włożeniu do ucha, zrozumienie wypowiedzi w dowolnym języku.
Jak zauważają Gaspari i Hutchins (2007), trudno jednoznacznie okre­
ślić profil użytkownika Internetu korzystającego z systemów przekładu
maszynowego. Można przyjąć, że statystyki odwiedzin stron interne­
towych Babel Fish czy SYSTRANet prezentują mylny obraz, ponieważ
znaczna część wejść ma charakter jednostkowy - internauci chcą się po
prostu przekonać, czy takie serwisy rzeczywiście działają, niekoniecz­
nie natomiast chcą je wykorzystać do konkretnych komercyjnych czy
prywatnych celów. Yang i Lange (2003) to jedno z niewielu dostępnych
źródeł dokumentujących użycie systemów tłumaczących przez internau­
tów. W przywołanym artykule autorzy podają statystyki użycia Babel Fisli
w pierwszym okresie działania serwisu. Wydają się one potwierdzać po­
stawioną powyżej tezę; większość fragmentów tłumaczonych przez ser­
wis w latach 1998 i 1999 liczyła mniej niż 5 słów, można więc założyć, że
użytkownicy testowali jedynie działanie serwisu. Fulforcl i Granell-Zafia
(2004) przeprowadzili ankietę wśród 390 tzw. wolnych strzelców, z której
wynikało, że zaledwie 3% badanych aktywnie Wykorzystuje internetowe
systemy tłumaczenia maszynowego.
Somers i in. (2006) opisują interesujący przypadek wykorzystania dar­
mowych serwisów tłumaczenia maszynowego przez studentów filologii,
noszący znamiona plagiatu. Rzeczywiście, dostępność internetowych ser­
wisów tłumaczących może stanowić pokusę dla mniej pracowitych słucha­
czy kursów translatorskich, którzy chcą szybko odrobić pracę domową.
Naturalnie, doświadczony prowadzący natychmiast wychwyci pracę bę­
dącą efektem zastosowania systemu maszynowego. Specjaliści świadomi
zasad funkcjonowania internetowych systemów tłumaczących zdają so­
bie sprawę z ich niedoskonałości i ograniczonego wykorzystania, ale, jak
zalivvażąją Church i Ilovy (1993: 246), przeciętny użytkownik nie musi
być świadom wad tego rodzaju przekładu. Należy więc mieć nadzieję, że
publikacje takie jak niniejsza zwiększą świadomość zalet, ale i wad tego
typu rozwiązań wśród ich użytkowników. McCarthy (2004) podaje dość
zabawny, choć ekstremalny przykład fragmentu listu autorstwa australij­
skiej nastolatki, pisanego pod wpływem emocji, niestandardową angiel­
szczyzną, praktycznie bez znaków przestankowych, z błędami ortogra­
ficznymi i gramatycznymi. Tekst warto tutaj przytoczyć, ponieważ, został
on poddany zabiegowi wielokrotnego tłumaczenia:
(1 - oryginał)
Ki H o w am I leaving you o u t I treat you and rebekah the same and w h y say that
I always stay at rebekahs house thats none o f yo u r business cause I cant stay
w over y o u r house (rem em ber) You m ig h t th in k w h ere splitting up Because w here
b .<: in d iffe re n t classes. I d o n t w a n t to start a figh t But: all I can say is I cant trust you
* anym ore and d o n t try and make up som e Bull Shit: cause you to ld Clare and thats
» it you can t do n o th in g a b o u t it now.
w (2 - tłum aczenie,m aszynow e na francuski)
is-: C o m m e n t A M I vous m e laissant dehors vous traitent. e t rebekah les memes et.
p o u rq u o i la parole que je n'en reste tou jou rs aux thats de m aison de rebekahs
aucune de votre cause d'affaires je biseautent le sejour au-dessus de votre maison
« (rappelez-vous que) vous po urrie z penser o il fra ctio n n a n t puisqu'oD dans diffe -
1 rentes classes. Le d o n t I ve u le n t c om m e nce r un co m b a t mais to u t q ue je puis dire
: est. m oi biseaute desorm ais la con fian ce vous e t essai de d o n t et com pose une
certaine cause de shit de Bull vous avez d it C lare e t thats il vous biseaute ne faites
w rien a son sujet m aintenant.
(3 - tłum a czen ie tekstu (2) z p o w ro te m na angielski)
i--: H o w A M I you leaving m e outside treat you; and rebekah the same ones and w h y
> w o rd th a t I always rem ain a b o u t it w ith the thats o f house o f rebekahs none o f
y o u r cause o f businesses I bevel the stay above yo u r house (p o in t o u t you that)
you co u ld th in k w h e re sp littin g since w h e re in various classes. W hose I want, to
begin a co m b a t b u t very t h a t ! then to say is m e bevels fro m no w on confidence
s : you and test o f w h ic h and composes a certain cause o f s h it o f Bull you said Clare
and thats it you be velled d o n o t d o an ythin g ab o u t it n o w
fey . (4 - tłum aczenie tekstu (3) p o n o w n ie na francuski)
C o m m e n t A M I vous m e laissant le festin d 'e x te rie u r vous et rebekah les memes
ceux e t p o u rq u o i le m o t q u e je n'en reste tou jou rs a son sujet avec les thats de
s la m aison des rebekahs aucune de votre cause des entreprises I taillen t le sćjour
au-dessus de v otre m aison (vous precisent que) vous po urrie z penser o ti se d ćd o -
u b la n t depuis o u dans diverses classes. A q u i je veux p o u r com m e nce r un com bat
mais tres c 'l puis a d ire est m oi con fian ce de biseaux dorenavant: vous e t I'essai
 d o n t e t com pose une certaine cause de shit de Bull que vous avez d it qu e Clare
et thats il vous avez taille ne faites rien d son sujet m aintenant.
(5 - tłum a czen ie tekstu (4) p o n o w n ie na angielski)
H o w A M I you leaving to the feast o f outside you to m e and rebekah same those
and w h y the w o rd th a t I ilw iy s rem ain ab o u t it ab ou t it w ith the thats o f the
house o f the rebekahs none o f yo u r cause o f com panies I c u t the stay above your
house (specify you that) you cou ld th in k w h e re d u p lica tin g itself since w h ere in
various classes. W ith w h ich I w a n t to'be gin a co m b a t but.very it I then w ith saying
is m e con fide nce o f bevels henceforth, you and the test whose and composes
a certain cause o f shit o f Bull w h ich you said th a t Clare and thats it you c u t d o not
do an ythin g ab ou t it now.
Jak widzimy, ostatni tekst jest całkowicie niezrozumiały; wynika to
z wielokrotnego powielania błędnych rozwiązań w procesie wielokrot­
nego tłumaczenia w obie strony. Zdaniem autora artykułu przykład ton
może doskonale unaocznić niedostatki systemów przekładu maszyno­
wego dostępnych szerokiemu gronu użytkowników w Internecie, a także
wykazać przewagę tłumacza-człowieka, który jest w stanie poprawnie zin­
terpretować nietypowy język odbiegający od standardów. Należy jednak
zauważyć, że przedstawiony problem jest bardziej złożony, a zaprezento­
wana interpretacja ogólnikowa i subiektywna. Cytowany fragment nie jest
typowym przykładem tekstu do tłumaczenia; nie z myślą o takich teks­
tach tworzono systemy przekładu maszynowego. Profesjonalny tłumacz
przystępujący do przekładu takiego fragmentu miałby teoretycznie dwie
możliwości: skupić się na treści (oddać przekaz, dostosowując grama­
tykę i ortografię do przyjętych standardów) bądź formie (tworząc celowo
niepoprawny językowo tekst docelowy); zasadność danego rozwiązania
warunkowałby szeroko rozumiany kontekst. Co więcej, test wielokrot­
nego tłumaczenia w obie strony (zwany round-trip translation, RTT) nie jest
wymierny, a jego wartość metodologiczna jest wątpliwa. Takich operacji
w zasadzie nie dokonuje się w codziennej pracy tłumacza, a mnożenie
błędów i nieudanych rozwiązań miałoby miejsce zapewne również przy
przekładzie tradycyjnym. Badania w tym zakresie prowadził m.in. Somers
(2005). Również van Zaanen i Zwarts (2006) komentują niską skuteczność
RTT w ocenie jakości przekładu maszynowego.
W podsumowaniu należy zauważyć, że przyszłość tłumaczenia ma­
szynowego w Internecie leży w rozszerzeniu funkcjonalności istniejących
serwisów tak, aby możliwe było uzyskanie zadowalającej jakości w tłuma­
czeniu nie tylko tekstów naukowo-technicznych, ale również potocznych,
codziennych, pisanych przez przeciętnego użytkownika. Obecny kształt
ogólnoświatowej sieci, który przyjęło się określać terminem Web 2.0, jest
wypadkową wkładu pracy jej użytkowników; Internetu wszak nie tworzy
w tym celu zatrudniony, efekt pracy profesjonalnych webmasterów to
n i k t
zaledwie część sieci w obecnej postaci. Olbrzymia popularność serwisów
społecznościowych, blogów i forów oznacza zmianę jakości językowej
przeciętnej strony internetowej. Opisane w tym podrozdziale systemy nie
zawsze skutecznie interpretują tę nową jakość. Warto wspomnieć inicja­
tywę brytyjskiej firmy Translution, która udostępnia możliwość tłumacze­
nia wiadomości e-mail w obrębie 14 obsługiwanych języków (niestety, jak
zwykle bez języka polskiego). Firma pracuje również nad przekładem ma­
szynowym „nowej generacji”, który ma wyeliminować powszechne błędy,
na przykład przez oznaczanie niektórych fragmentów tagiem DNT (Do Not
Translate), co pozwoli uniknąć np. zabawnych tłumaczeń nazwisk (więcej
informacji na stronie www.transIution.com).
4.2. D ialog a p rz e k ła d m aszynow y
Przekład ustny, jak zaznaczyliśmy we wstępie, przyjęło się uważać nie za
odmianę przekładu pisemnego, ale za odrębną dziedzinę, o czym świad­
czy chociażby stosowana w wielu językach nomenklatura (dla przykładu
rozróżnienie translation i interpreting w języku angielskim). Jednak rozpo­
znawanie mowy (speech-to-text) oraz synteza mowy (text-to-speech) umoż­
liwiają zastosowanie omawianych w tej książce technologii do imitacji
tłumaczenia ustnego. Takie wykorzystanie tłumaczenia automatycznego
wiąże się z komplikacjami technicznymi, ponieważ konieczne jest połą­
czenie technologii przekładu maszynowego oraz rozpoznawania mowy.
Szybkość działania systemów automatycznych przestaje tu być, jak
w przypadku tłumaczenia pisemnego, podstawowym atutem, a staje się
po prostu warunkiem koniecznym.
Pierwsze poważne próby w tym zakresie podejmowała japońska
grupa ATR Interpreting Telecommunications Research Laboratories w Nara
niedaleko Osaki. W późnych latach 80. ubiegłego wieku rozwinęła ona
system rejestracji telefonicznej wykorzystywany przy okazji konferencji
międzynarodowych i rezerwacji miejsc noclegowych.
Programy tworzone w Spoken Translation, Inc. (STI) to nowatorskie
systemy wykorzystujące tłumaczenie maszynowe do zadań, do których
zazwyczaj angażuje się tłumaczy sło.wa żywego. Pierwszy produkt tej
 firmy to oprogramowanie komputerowe umożliwiające komunikację miy-
dzy pacjentem a personelem medycznym. Do takich zadań najczęściej wy-
najmowani są tłumacze ustni s'rodowiskowi. Produkt firmy STI umożliwia
lekarzowi wybór na ekranie komputera najczęściej używanych podczas
badania wyrażeń (lub wpisanie własnych). Wyrażenia te są tłumaczone n;i
język zrozumiały dla pacjenta i „wypowiadane” przez komputer. Lekarz
ma także możliwość mówienia do komputera przy użyciu mikrofonu; wy­
powiedź jest interpretowana, jeżeli interpretacja jest poprawna i zostaje
przez mówiącego zaakceptowana, system dokonuje tłumaczenia, które
następnie zostaje wygłoszone przez syntezator mowy. Pacjent może od­
powiedzieć lekarzowi używając klawiatury, pisząc odręcznie specjalnym
rysikiem na tablecie, bądź też mówiąc do mikrofonu. Lekarz zmienia
wówczas interfejs programu na język, którym posługuje się pacjent.
Korzystanie z tego typu udogodnień może na obecnym etapie roz­
woju technologii być uciążliwe. SLT (Spoken Language Translation), czyli
odmiana językoznawstwa komputerowego zajmująca się przekładem
języka mówionego, je st prawdziwym wyzwaniem, ponieważ do trud­
ności związanych z przekładem automatycznym dochodzą problemy
rozpoznawania mowy. System rozpoznawania mowy może nie działać
prawidłowo, gdy mówiący (patrz przykład pacjenta w programie STI po­
wyżej) nie je st w stanie mówić wyraźnie. Nawet jednak, gdy wypowiedź
jest artykułowana poprawnie, indywidualne cechy głosu rozmówcy, wady
wymowy czy po prostu specyfika języka mówionego stanowią problem
dla takich systemów (patrz też Tryuk 2007: 190). Typowe dla systemów
przekładu maszynowego błędy (niewłaściwe w danym kontekście rozpo­
znanie znaczenia słowa) mogą utrudnić komunikację. Jednak sam fala
istnienia takiego oprogramowania jest wart odnotowania. Na pewno
w niektórych sytuacjach może ono stanowić alternatywę dla tłumaczy
ustnych środowiskowych. Tłumacz może nie być w danym momencie
osiągalny, wewnętrzne przepisy placówek medycznych mogą zabraniać
wstępu osobom postronnym, pewne informacje przekazywane w trakcie
rozmowy mogą mieć charakter tajny, wreszcie pacjent może mieć opory
przed omawianiem problemów zdrowotnych w obecności osób innych
niż personel medyczny.
Nad podobnym projektem pracuje od pewnego czasu Consortium for
Speech Translation Advanced Research (C-Star), grupa sześciu laborato­
riów z całego świata. C-star pracuje obecnie nad trzecią wersją produktu,
którego głównym celem (na obecnym etapie) je st umożliwienie komuni­
kacji dotyczącej spraw turystycznych (rezerwacje hotelowe, zwiedzanie
jtp.). Innym projektem, który zyskał uznanie specjalistów, jest JANUS - sy­
stem rozpoznawania mowy zastosowany między innymi w rozmowach te­
lefonicznych. Tego typu systemy, wykorzystujące międzyjęzyk (interlinguci)
lub korpusy konwersacji w danych językach, są prezentowane przez różne
laboratoria lub jednostki uczelni wyższych, osiągając mniejsze lub więk­
sze sukcesy. Warto wymienić jeszcze system NESPOLE! (Lavie i in. 2002),
niemiecki VERBMOBIL (wykorzystujący oprócz języka niemieckiego japoń­
ski i angielski), realizowany pod egidą Carńegie Mellon University projekt
DIPLOMAT (Frederking i in. 1997), a z nowszych projektów CMU Trans-Tac
(Bach i in. 2007). Należy także wspomnieć o przedsięwzięciu, którego na­
zw a jest zbliżona do pierwszego wymienionego w tym akapicie projektu,
ale który ma znacznie szersze implikacje. TC-Star to inicjatywa Komisji
Europejskiej mająca na celu promocję rozwoju technologii przekładu
mowy, to jest automatycznego rozpoznawania mowy, przekładu języka
mówionego oraz syntezy mowy. Umieszczone na stronie internetowej
projektu2 założenia są ambitne: „making a breakthrough in SST [speech-
to-speech translation] that significantly reduces the gap between human
and machine translation performance".
Bardzo interesującym z punktu widzenia badacza zastosowaniem
przekładu maszynowego jest dialog filmowy. Automatyzacja procesu tw o­
rzenia napisów (a tym bardziej wersji lektorskiej czy dubbingu) może być
na obecnym etapie co najwyżej częściowa, bardzo rzadko całkowita, jed­
nak sam fakt podejmowania takich prób godny jest odnotowania. Studia
nad przekładem audiowizualnym cieszą się obecnie wielką popularnością
(por. Tomaszkiewicz 2006, Bogucki 2004), czego powodem jest między
innymi specyfika tego typu tłumaczenia. Dialog filmowy ma pewne cechy
tekstu literackiego, jednak ograniczenia wpływające na stosowane me­
tody i końcowy wygląd produktu mają charakter techniczny (długość na­
pisów, synchronizacja dubbingu z ruchem warg aktora). Przekład samego
tekstu, bez odniesienia do pozostałych elementów przekazu filmowego,
w szczególności obrazu, jest niemożliwy lub bardzo utrudniony. W za­
leżności od rodzaju przekazu stosowany w materiałach audiowizualnych
język może być niezwykle zróżnicowany, nierzadko bardzo potoczny czy
wulgarny. Te wszystkie czynniki mogą stanowić dla systemów przekładu
maszynowego barierę nie do przeskoczenia.
2 ww w.tc-star.org
 Jednym z powodów, dla których problematyka przekładu audiowizu­
alnego cieszy się niesłabnącym zainteresowaniem słuchaczy seminariów
licencjackich, magisterskich i doktoranckich studiów filologicznych, jesi
niewątpliwa atrakcyjność polskich wersji dubbingowych filmów animo­
wanych wytwórni Disney Pixar. Niezwykle oryginalne rozwiązania tłuma­
cza i autora scenariuszy Bartosza Wierzbięty, nieustannie prowokująco
do wznawiania odwiecznej dyskusji nad prymatem wierności lub piękna
w przekładzie (w opisanym wypadku zdecydowanie na korzyść tego dru­
giego kryterium), motywują studentów do analiz tego właśnie materiału.
Polskie dialogi Wierzbięty znalazły już stałe miejsce w kanonie bon mo-
tów. Stosowanie rozwiązań automatycznych na dowolnym etapie takiego
przekładu wydaje się niemożliwe - z całą pewnością niemożliwe jest
uzyskanie takich, jak w przypadku tłumaczenia tradycyjnego, wyników.
Jednak przekład audiowizualny je st działalnością zróżnicowaną. Wydaje
się, że w niektórych sytuacjach, szczególnie w przypadku napisów cha­
rakteryzujących się niewielkim stopniem skomplikowania syntaktyczno-
-leksykalnego, automatyzacja jest możliwa. Wykazali to między innymi
Volk i Harder (2007) pracując nad systemem przekładu maszynowego ze
szwedzkiego na duński na użytek tworzenia napisów filmowych. O spe­
cyfice tego typu przekładu świadczy jednak fakt, że standardowe kryteria
oceny jakości przekładu (metoda BLEU, patrz poniżej) nie dają w tym wy­
padku wymiernych wyników (Volk i Harder 2007: 506).
Systemy rozpoznawania mowy znajdują również zastosowanie
w produkcji napisów na żywo, stosowanych jako alternatywa dla tłu­
maczenia symultanicznego. Ten rodzaj przekładu nie jest bezpośrednio
związany z systemami maszynowymi, niemniej warto o nim wspomnieć,
aby pokazać możliwości nowoczesnej technologii w działalności tłuma­
czeniowej. Napisy na żywo mogą mieć formę tłumaczenia wewnątrzję-
zykowego (wtedy służą przede wszystkim widzom niesłyszącym łub nie­
dosłyszącym), ale również międzyjęzykowego (wymagają jednak wtedy
nawet wyższych umiejętności niż klasyczne tłumaczenie symultaniczne).
Oprogramowanie takie jak Dragon Naturally Speaking czy ProTitle uczy
się najpierw głosu lektora (tłumacza) - w tym celu wybrana osoba zare­
jestrowana jako użytkownik programu musi odczytać do mikrofonu wy­
świetlony na ekranie tekst3. Po czterech minutach szkolenia program
' Systemy takie mogą rów nież rozpoznawać w yp ow ied zi nieznanych mówców, je d ­
nak z niniejszą skuteczności;).
jest w stanie rozpoznać głos użytkownika ze skutecznością sięgającą
g5?6; dokładność rozpoznawania mowy rzędu 97% osiąga się po około go­
dzinie4. Następnie użytkownik powtarza słyszany tekst (tzw. shadowing),
a program przetwarza wymawiane do mikrofonu słowa na podpisy. Jak
wspomnieliśmy, tego typu oprogramowanie używane jest również do
tłumaczenia z jednego języka na drugi. Przekład językowy w postaci
napisów na żywo je st możliwy, jeżeli język docelowy figuruje na liście
języków rozpoznawanych przez program, a także, co ważniejsze, jeżeli
lektor posiada umiejętność tłumaczenia symultanicznego z jednoczesną
obsługą programu (specjalna klawiatura lub elementy interfejsu na ekra­
nie umożliwiają zmianę koloru napisów, np. w przypadku dialogu, dla
oznaczenia poszczególnych mówiących). Dodatkową trudnością jest ko­
nieczność uzupełniania wypowiedzi o znaki przestankowe (tj. wypowia­
danie słów przecinek czy kropka).
Systemy rozpoznawania mowy mają oczywiście szersze zastosowa­
nia, o których jednak nie będziemy w tym miejscu mówić. Opisane opro­
gramowanie jest w momencie pisania tej książki nowinką technologiczną,
jednak gdy książka się ukaże, zapewne będzie bardziej znane i lepiej roz­
winięte. Badania nad zastosowaniem rozpoznawania mowy do napisów
na żywo prowadzi obecnie niewiele jednostek akademickich (wymieńmy
tu przykładowo Universitat Autónoma de Barcelona), natomiast szkolenie
tłumaczy przebiega właściwie wyłącznie w przedsiębiorstwach filmowo-
telewizyjnych, nie na uniwersytetach.
Automatyczny przekład mowy je st niewątpliwie wielkim wyzwaniem.
Wiedząc, że przekład maszynowy nie radzi sobie z niuansami tekstu, wie­
loznacznością, retoryką, nie można oczekiwać, że poradzi sobie ze zna­
czeniem ukrytym w tonie głosu, niedopowiedzeniami czy innymi elemen­
tami typowymi dla języka mówionego, a stanowiącymi problem nawet
dla wykwalifikowanych tłumaczy ustnych. Tryuk (2007: 193) podkreśla
występowanie w spontanicznej mowie elementów takich, jak wahania,
wielokrotne rozpoczynanie wypowiedzi, powtórzenia, wtrącenia, zwroty
eliptyczne, elementy niewerbalne, a przede wszystkim intonacja. W tym
kontekście automatyczny przekład mowy może sprawdzić się jedynie
w sytuacjach skonwencjonalizowanych, jak rezerwacja pokoju czy stolika
w restauracji lub wizyta u lekarza. Jednak fakt, że systemy tłumaczenia
•' Inform acje te otrzym ałem od Pablo Romero Fresco z Roehampton University
w Londynie.
mowy istnieją i funkcjonują, a badania naukowe trwają, dowodzi, że lal<i
przekład jest możliwy i potrzebny. Podobnie jak w przypadku przekładu
maszynowego tekstów pisanych, podlega on jednak zasadniczym ograni­
czeniom i nie można oczekiwać, by dawał się zastosować we wszystkich
możliwych sytuacjach wymagających tłumaczenia ani był absolutnie nie­
zawodny.
4 3 . Ocena ja k o ści przekładu m aszynow ego
W przekładoznawstwie pojęcie oceny jakościowej (ang. translation
quality assessment, translation criticism) je st szeroko dyskutowane; kla­
sycznym modelem je s t propozycja House (1977) poddana gruntownej
rewizji dwadzieścia lat później (House 1997). W dyskusjach laików
(każdy znający angielski idąc do kina na film z napisami świadomie lub
podświadomie porów nuje je z oryginałem) ocena jakości najczęściej
ogranicza się do wyśmiewania błędów. Faktycznie status angielskiego
jako najpopularniejszego języka obcego, narzędzia komunikacji mię­
dzyludzkiej używanego w wielu odmianach i na różnych poziomach za­
awansowania, je st przyczyną tw orzenia tysięcy niepoprawnych lub nie­
trafionych, acz zabawnych tłumaczeń, tzw. translation howlers. Przekład
maszynowy z punktu widzenia jakości stoi na trudniejszej pozycji niż
przekład tradycyjny, jed n ak tłumacz z krwi i kości również popełnia
błędy, a system tłumaczenia maszynowego potrafi często wykonać
swoje zadanie zupełnie poprawnie. Błędy systemów maszynowych (np.
przetłum aczenie nazwiska „Konieczny” jako necessary5) są i będą wy­
śmiewane, jednak stereotyp bezużytecznej, generującej niezrozumiałe
teksty maszyny-zabawki i nieomylnego tłumacza-człowieka je st niepo­
rozumieniem.
Jak piszą Liu i Gildea (2007: 41): „evaluation has long been a stum­
bling block in the developm ent o f machine translation systems, due to
the simple fact that there are many correct translations for a given sen­
tence”. W klasycznym już modelu interpretującym przekład jako ciągle
podejmowanie decyzji (Levy 1967) wybór spośród możliwych odpowied­
ników tworzących paradygmat podyktowany je st wieloma czynnikami
(wśród których niepoślednią rolę odgrywa kontekst), dlatego, co oczy-
5 „M r Necessary" Computerworld 33-2003.
80
vviste, tłumaczenie nie polega na wyborze jedynej możliwej w danej sy­
tuacji wersji, a raczej wersji najbardziej akceptowalnej spośród wielu
m o ż liw o ś c i.
Firmy wykorzystujące przekład maszynowy zdają sobie sprawę z jego
niedociągnięć. Gigant komputerowy Microsoft, oferując na swych stro­
nach internetowych przekład maszynowy na kilka języków, umieszcza
informację dotyczącą sposobu przekładu i związanych z nim ograniczeń
jakościowych:
?: W ich tig : Dieser A rtike l w u rd e m aschinell und n ic h t von einem M enschen iiber-
:? setzt. D ie M ic ro s o ft Know ledge Base ist sehr um fangreich und ihre Inhalte w e rden
fc ; standig erganzt: beziehungsweise tibe rarb eitet. U m Ihnen dennoch alle Inhalte
r; a u f Deutsch anbieten zu konnen, w e rd e n viele A rtike l n ich t von M enschen,
»; • sondern von Ubersetzungsprogram m en ubersetzt, die k o n tin u ie rlich o p tim ie rt
>«> w e rden . D och noch sind m aschinell ubersetzte Texte in d e r Regel n ich t perfekt,
c- . - v insbesondere hinsichtlich G ram m atik und des Einsatzes von F rem dw ortęm sowie
Fachbegriffen. M icro so ft u b e rn im m t keine C e w a h r fu r die sprachliche Q u a lita t
o d e r d ie technische R ichtigkeit d e r U bersetzungen und ist n ic h t fur Probleme
s haftbar, d ie d ire k t o d e r in d ire k t du rch U bersetzungsfehler o d e r d ie V erw endung
d e r iibersetzten Inhalte du rch Kunden entstehen kónnten*.
Interesujące, w tym kontekście są badania przeprowadzone przez
Microsoft, według których klienci firmy (a więc znakomita większość
użytkowników komputerów osobistych) wysoko oceniają tłumaczenia au­
tomatyczne, twierdząc, że wolą mieć dostęp do tłumaczenia przeciętnej
jakości niż niezrozumiałego oryginału7.
Jak zauważają Hutchins i Somers (1992: 157), nawet w przypadku tłu­
maczenia maszynowego słabej jakości, kiedy składnia tekstu pozostawia
wiele do życzenia, a tłumaczenie wymaga reinterpretacji, często precy­
zja terminologiczna jest zachowana. Wspomniani autorzy podają przy­
kład rosyjsko-angielskiego systemu przekładu automatycznego, którego
nieobrobiony produkt przedstawiał większą wartość dla specjalistów
z dziedziny fizyki niż tradycyjny przekład tłumaczy cechujących się dobrą
znajomością rosyjskiego, ale brakiem kompetencji w zakresie termino­
logii specjalistycznej. Wracając zatem do dyskusji o naturze przekładu
i związanymi z nią kryteriami oceny jakości, należy podkreślić, że kryteria
6 http://support.m icrosoft.com /7scid = kb?<l3Bde%3B281925&X = I O&y = 10
7 „Statistical m achine translation gets real: the LanguageWeaver p ro file ". Global by
Design, December 2006, 8 -1 9 .
te nie mogą być identyczne dla systemów automatycznych i dla tłumaczy
zawodowych, nie tylko ze względu na odmienny w obu przypadkach pr0.
ces dochodzenia do wersji docelowej, ale także na inny zakres tekstów
i wariantów językowych, odmienną typologię błędów oraz inne oczeki­
wania odbiorcy.
Twórcy systemów przekładu automatycznego muszą zdawać sobie
sprawę z trudności, z którymi tłumacze na ogół radzą sobie sprawnie,
świadomie bądź nie, a które stanowią barierę dla maszyn. W tłumacze­
niu maszynowym zachodzi konieczność ujednoznacznienia słowa (ang.
word sense disambiguation, WSD). W językoznawstwie komputerowym
pojęcie to dotyczy metod oznaczania właściwego w danym kontekście
sensu słowa, aby rozwiązać problem polisemii i homonimii. Jeżeli bo­
wiem maszyna napotkałaby odizolowane angielskie słowo bank, nie
byłaby w stanie określić, czy chodzi o instytucję finansową, czy może
o brzeg rzeki. Pomóc mogą tu słowa występujące w bezpośrednim kon­
tekście problematycznego leksemu, bądź też (do pewnego stopnia) te­
matyka tekstu. Zadanie to je st dwuetapowe: po pierwsze należy ustalić
wszystkie możliwe znaczenia słów występujących w danym tekście, po
drugie przypisać każdemu użyciu danego słowa odpowiednie znaczenie
(kle i Veronis 1998: 3). Pierwszy z etapów jest możliwy dzięki istnieją­
cym materiałom, takim jak słowniki mono- i bilingwalne oraz tezaurusy.
W drugim etapie kluczową rolę odgrywają kontekst oraz wiedza pozaję-
zykowa. Dezambiguacja może mieć formę niekontrolowaną bądź kontro­
lowaną (unsupervised / supervised)- jak łatwo przewidzieć, forma kontrolo­
wana zapewnia większą skuteczność, ale jednocześnie oznacza większe
koszty (Wang i Martinez 2006). Teoretycy tłumaczenia maszynowego
zdają sobie sprawę, że dezambiguacja je st pojęciem kluczowym dla tego
typu przekładu, ponieważ oczywiste dla przekładu dokonywanego przez
człowieka pojęcie rozumienia tekstu w tłumaczeniu automatycznym nie
ma sensu (por. Johnson 1980: 144, Laffling 1991: 67). W ostatnich latach
podejmowane są próby zastąpienia tradycyjnej dezambiguacji na pozio­
mie słowa podobnym procesem, ale funkcjonującym na poziomie frazy
(Carpuat i Wu 2007).
Częstym błędem programów tłumaczących jest interferencja, zasto­
sowanie w tłumaczeniu formy charakterystycznej dla języka oryginału.
Craciunescu i in. (2004) podają interesujący przykład tekstu pochodzą­
cego z Le Monde Diplomatique przetłumaczonego na angielski przez czło­
wieka oraz przez 2 systemy, Systran i Reverso:
Tekst w y jś c io w y : Depuis le 11 septem bre 2001, I'esprit guerńer q u i souffle sur
Washington semble avo ir balayó ces scrupules. Desormais com m e I'a d it le presi­
dent George W. Bush, "q u i n'est pas avec nous est avec les terroristes".
Tekst d o c e lo w y 1: Since Septem ber 11, 2001, the warlike spirit w h ich blows on
i W ashington seems to have sw e pt these scruples. From n o w on, like said it the p re ­
sident George W. Bush, "w hich is no t w ith us is w ith the terrorists". (Systran)
Tekst d o c e lo w y 2: Since Septem ber 11, 2001, the warlike spirit w hich blows on
. Washington seems to have sw ept (annihilated) these scruples. H enceforth, as said
it the president George W. Bush, "w hich (w ho) is n o t w ith us is w ith the terrorists".
(Reverso)
Tekst d o c e lo w y 3: Since 11 Septem ber 2001 the w arm ongering m o o d in
Washington seems to have sw ept aw ay such scruples. From tha t po in t, as President
George Bush p u t it, "e ither you are w ith us o r you are w ith the terrorists".
Wersję opatrzoną numerem 3 możemy traktować jako wzorcową.
W tym wypadku tłumacz, napotkawszy cytat z wystąpienia prezydenta
Busha, miał możliwość dotrzeć do oryginału i wybrać wersję identyczną
z nim, czyli autentyczne słowa prezydenta. Programy tłumaczące nato­
miast przełożyły dosłownie zdanie francuskie, używając struktury typo­
wej dla tego języka, a brzmiącej niezbyt zgrabnie w języku angielskim.
Inny typowy dla przekładu maszynowego problem ilustrują następu­
jące zdania:
(1) Dziewczynka zjadła kanapkę, ponieważ była głodna.
(2) Dziewczynka zjadła kanapkę, ponieważ była smaczna.
Poprawny przekład tych zdań na język, w którym odpowiednik słowa
„kanapka” nie jest rodzaju żeńskiego (na przykład hiszpański) wymaga
zrozumienia, do czego (czy do podmiotu, czy do dopełnienia) odnosi się
czasownik być. Ten problem w przekładzie maszynowym znany jest pod na­
zwą rozwiązania anafory (anaphora resolution, rzadziej reference resolution)
i jest dość szeroko opisany w literaturze przedmiotu (Farweil i Helmreich
2000, Muiioz i in. 2000, Saiz-Noeda i in. 2000, Mitkov 1996 i in.).
Analiza jakości tłumaczenia opartego na metodach statystycznych
często wykorzystuje twierdzenie Bayesa, osiemnastowiecznego angiel­
skiego matematyka, używane w teorii prawdopodobieństwa. W przeszło­
ści stosowano tradycyjne metody oceny jakości przekładu maszynowego,
a więc klasyczną weryfikację dokładności i poprawności przekładu d o ­
konywaną przez człowieka. Metody statystyczne umożliwiły częściową
automatyzację tego procesu. Powszechnie stosowanym miernikiem
oceny jakości przekładu maszynowego je st BLEU (Bilingual Evaluation
Understudy). Metoda ta polega na porównaniu przekładu maszynowego
 z tłumaczeniem wykonanym przez człowieka. Statystyczny pomiar czę­ systemów zbudowanych na podstawie wymienionego korpusu równole­
stotliwości występowania danego słowa (n-gramu) w tekście docelo­ głego dla jedenastu (wówczas) oficjalnych języków UE. Jak widać w po­
wym przetłumaczonym przez maszynę i porównanie wyniku z tekstom niższym zestawieniu, zastosowanie metody BLEU pozwoliło wykazać,
autorstwa człowieka pozwala na ocenę jakości produktu maszynowego że najlepsze wyniki przynosi tłumaczenie z hiszpańskiego na francuski
na poziomie korpusu. Im więcej n-gramów w tekście przetłumaczonym (tłustym drukiem w zestawieniu), najtrudniejsze dla systemu natomiast
maszynowo pokrywa się z tekstem referencyjnym, tym lepsze jesi iłu. jest tłumaczenie z holenderskiego na fiński (podkreślone w zestawieniu).
maczenie maszynowe. BLEU obniża również wynik w przypadku tłuma­ Odmienność języka fińskiego je st zresztą przyczyną, dla której stanowi
czeń wyraźnie dłuższych od referencyjnych. Przeprowadzone badania on spore wyzwanie dla systemów tłumaczących: najwyższy wynik w te­
(Papineni i in. 2002, Coughlin 2003) dowodzą, że BLEU pozwala uzyskać ście tłumaczenia na fiński uzyskał przekład ze szwedzkiego, był to jednak
pomiary zbliżone do oceny jakości dokonanej przez człowieka. Metoda wynik gorszy od wszystkich pozostałych, wyłączając przekład z fińskiego
BLEU okazała się jednak w kilku przypadkach niedokładna; dwa takie na niemiecki (na podstawie Koehn 2005: 83):
przypadki miały miejsce podczas testów przeprowadzonych w USA przez
agencję NIST (National Institute o f Standards and Technology), kiedy to
system tłumaczenia maszynowego oceniony najwyżej przez specjalistów,
zajął dopiero szóste miejsce w badaniu BLEU (Lee i Przybocki 2005). NIST
wprowadziła swoją własną m etodę ewaluacji, funkcjonującą zresztą na
podobnej zasadzie co BLEU. Omawiana tu metoda jest często punkiem
wyjścia dla powstawania nowych systemów pomiarowych (wspomnijmy
WNM, Weighted n-Gram Model, kombinację BLEU i Legitimate Translation
Variation, patrz Babych 2004).
Innym znanym systemem automatycznej oceny jakości przekładu ma­
szynowego jest METEOR działający podobnie jak BLEU na zasadzie po­
równania (Banerjee i Lavie 2005). Można wspomnieć jeszcze o systemach
X-score i D-score (Rajman i Hartley 2001).
Ewaluacja systemów przekładu maszynowego może być przedsię­
wzięciem na szeroką skalę, czego dowodem jest CESTA, kampania zapo­
czątkowana we Francji w 2002 r., a mająca na celu kompleksową ocenę ja­
kości systemów automatycznych przy użyciu szeregu dostępnych metod
(Dabbadie i in. 2004).
Należy zauważyć, że skuteczność systemów tłumaczących je st w du­
żej mierze wypadkową podobieństw i różnic między językiem źródło­
wym a docelowym. O ile możliwe je st opracowanie uniwersalnych kry­
teriów oceny jakości przekładu (każdego rodzaju) o charakterze ogól­
nym, ostateczna, szczegółowa ocena zależy zawsze od wielu czynników,
wśród których istotną rolę odgrywa charakterystyka użytych języków.
W interesującym artykule, tyczącym zastosowania korpusu dokumen­
tów Parlamentu Europejskiego (Europarl) w statystycznym tłumaczeniu
automatycznym, Koehn (2005) podaje wyniki tłumaczenia maszynowego

m
 Dość śmiałą tezę stawia w swoim artykule Taghvaipour (2005).

szwe­
CN OO O

dzki

2 0 ,5
2 8 ,3

2 4 ,8

2 3 ,9

2 2 ,6

2 0 ,2

2 1 ,9
0-1
OO ctT f pisze on:

M T researchers are no longer aim in g at de ve lo p in g high q u a lity MT. They are

p o rtu­
galski
fN rather a im in g a t fu lly au tom ated su fficie n t q u a lity M T to m e e t consum ers' needs

2 4 ,3

2 3 ,2

2 7 ,6

3 5 ,9

3 5 ,3

2 0 ,7

2 5 ,9
Ch 1
fo r instant translation fo r in fo rm a tio n . (Taghvaipour 2 0 0 5 : 47)
<N ro

;
Wynika z tego, że przekład maszynowy może już na zawsze pozostać

'
holen­
derski

O Ch
2 1 ,4

2 3 ,4

2 1 ,4

1 7 ,0

2 0 ,2
21,0
tanią, szybką, łatwo dostępną (dzięki Internetowi) alternatywą dla prze­

20,0
o 1
fN £N fN
kładu tradycyjnego, nie oferującą jednak takiej jakości jak w przypadku
profesjonalnego przekładu autorstwa tłumacza z krwi i kości. Tego typu
wioski

ro
2 2 ,2

2 6 ,8

2 5 ,3

3 2 ,4
3 2 ,3

1 8 ,3

2 0 ,0

3 2 ,0

2 3 ,9
fN
1 kompromisy są zresztą w świecie cyfrowym codziennością. Wystarczy
wspomnieć olbrzymią popularność formatu mp3, umożliwiającego zapis
dźwięku z jakością nieco niższą od oryginału, ale za to ze sporą oszczęd­
fiński

(N oq in O Ch
1 1 ,4

1 3 ,0

1 2,6
nością miejsca (a także czasu potrzebnego na przesłanie czy odbiór pliku).

1 0.3

1 5,3
<N 1
Podobnie zdecydowana większość cyfrowych aparatów fotograficznych
Język docelowy

zapisuje zdjęcia w formacie JPEG, a więc z kompresją stratną, umożli­

francu­

Ł"-
2 8 ,7

wiającą zapis większej liczby plików z zadowalającą, ale nie optymalną

4 0 ,2

2 2 ,4
3 2,1

3 6 ,0

2 4 ,6

3 9 ,0

2 9 ,7
ski

r-T 1
fN ro
jakością.
W ostatnich latach pojawiło się na rynku oprogramowanie nowego
hiszpań­

typu. Translation■ quality assurance software (programy sprawdzające ja ­

2 6 ,4

2 5 ,4

3 1 ,2

3 8 ,4

3 4 ,0

2 2 ,9

3 7 ,9

2 8 ,6
ski

o' 1
ro cn
kość przekładu, por. Gierasimow 2007), jak sama nazwa wskazuje, służą
weryfikacji jakości tłumaczenia sporządzonego przy użyciu progra­
angiel­

oo mów opartych na pamięci tłumaczeniowej. Takie programy są najczęś­

2 8 ,5

2 5 ,3

2 7 ,2

3 0 ,5

3 0 ,0

2 1 ,8

2 3 ,0

l ‘0 £

3 0 ,2
ski

i rC
fN
ciej elementami pakietów wspomagających przekład (np. SDL Trados
Terminology Verifier and QA Checker czy Wordfast Quality Check). Ich
grecki

<N funkcjonalność je s t zbieżna z funkcjonalnością oprogramowania, któ­

2 0 ,7

2 3 ,2

2 8 ,3

1 7 ,4
2 4 ,8

2 6 ,4

2 2 ,8

! KjS od
(N fN
rego część stanowią; programy te nie mają na celu zastąpienia tłumacza
w procesie weryfikacji tekstu, a jedynie pom oc w tym żmudnym za­
niemie­

in tn daniu. Podstawowym zadaniem oprogramowania sprawdzającego je st

1 7 ,6

CN
1 8 ,2

1 6 ,9

1 8 ,3

1 8 ,9
cki

oo i rC oo CO
wyeliminowanie błędów braku spójności, opuszczeń, niepoprawnie
użytych znaków przestankowych czy błędów w użyciu dużych i małych
duński

liter.
2 2 ,3

2 2 ,7

2 5 ,2

2 3 ,7

2 0 ,0

2 1 ,4

2 0 ,5
2 4,1

2 3 ,2

3 0 ,3

1
W kontekście badań nad jakością przekładu maszynowego często
pojawia się pojęcie języka kontrolowanego (CL, controlled language). Jest to
język, którego leksyka i składnia zostały w sposób celowy ograniczone dla
holenderski
źródłowy

portugalski
hiszpański
niemiecki
Język

francuski

szwedzki
angielski

większej przejrzystości i przewidywalności. Quah (2006: 48) podaje przy­

duński

wioski
grecki

fiński

kładowy fragment tekstu technicznego napisanego w języku naturalnym

(a) i kontrolowanym (b):
 (a) Remove screws h o ld in g the b lo w e r and p u ll the b lo w e r fro m the cabinet.
Before the screws are installed to the blower, a new b lo w e r is pushed -
in to the cabinet.
(b) I . Remove screws from, th e blower.
2. Pull the b lo w e r from the cabinet.
3. Push a ne w b lo w e r in to the cabinet.
4. Secure the b lo w e r w ith screws.
Jak widzimy, tekst w języku naturalnym zawiera różne struktury
i formy gramatyczne, zdania złożone, jednostki znaczeniowe dłuższe niż
słowo („push back”) itp. Tekst o tej samej treści napisany w sposób kon­
trolowany zawiera cztery krótkie zdania zbudowane w bardzo podobiw
sposób, cztery czasowniki, trzy rzeczowniki, jeden przymiotnik, dwa
przedimki i trzy przyimki. System tłumaczenia maszynowego może prze­
łożyć tekst napisany w takim języku z większą dokładnością, niż zrobiłby
to w przypadku tekstu nieograniczonego.
Klasycznym przykładem języka kontrolowanego jest Basic English
(Ogden 1930), próba uproszczenia bogatej leksyki języka angielskiego do
zaledwie 850 słów. Takie rozwiązania znajdują szerokie zastosowanie w dy­
daktyce języków obcych: podręcznikach, słownikach (jako definicje) oraz
uproszczonych wersjach dzieł literackich w języku oryginału. Język kontro­
lowany wykorzystywany w przekładzie maszynowym to na przykład AECMA
Simplified English stosowany w przemyśle lotniczym. Wspomniana wcześ­
niej (patrz 2.5) korporacja Xerox wykorzystuje Multinational Customized
English (Elliston 1979). Znanym systemem tłumaczenia maszynowego op­
artym na języku kontrolowanym jest KANT (Knowledge-based, Accurate
Natural-language Translation), odłam Center for Machine Translation (CMT)
na Carnegie Mellon University (CMU), powołany w 1989 r. i przeznaczony
do tłumaczenia tekstów technicznych z dziedziny elektroenergetyki, prze­
mysłu maszynowego, samochodowego i innych (por. Nyberg i in. 1997).
Istnieją przedsiębiorstwa zajmujące się opracowywaniem gotowych syste­
mów przekładu automatycznego opartych na języku kontrolowanym, jak
amerykański Smart czy holenderski Cap Volmac (Hutchins 1999). Sammer
i in. (2006) opisują projekt systemu hybrydowego, który łączy statystyczne
tłumaczenie maszynowe (SMT) oparte na języku kontrolowanym z dezam-
biguacją znaczenia słowa (WSD) dokonywaną przez człowieka. Wyniki eks­
perymentu wskazują na większą dokładność tłumaczeń maszynowych przy
użyciu takiego systemu. Mitamura (1999) zwraca uwagę, że wykorzysta­
nie języka kontrolowanego obarczone jest pewnym ryzykiem. Język zbyt
uproszczony nie spełnia swojej funkcji. Zbyt restrykcyjne reguły mogą unie­
i. .1
możliwiać tworzenie tekstów w takim języku. Należy zatem pamiętać o za­
chowaniu równowagi między prostotą wypowiedzi a dostępnością środków
językowych niezbędnych dla przekazania żądanych treści.
• Somers (1998), pisząc o zastosowaniach przekładu automatycznego,
rozróżnia tzw. podjęzyk (sublanguage), czyli odmianę języka w naturalny spo­
sób ograniczoną, jeśli chodzi o używane struktury i słownictwo (np. język
prognoz pogody), oraz język kontrolowany W sposób sztuczny (tutaj używa
on angielskiego określenia restricted input). Opisany wcześniej system Meteo
czy TITUS, tłumaczący streszczenia dokumentów dla potrzeb przemysłu
tekstylnego między angielskim, francuskim, niemieckim i hiszpańskim, wy­
korzystują właśnie podjęzyki. Istnieją również systemy zaprojektowane dla
obsługi podjęzyków, które stają się z czasem uniwersalne. Kielikone, fiński
system opracowany dla firmy Nokia, obsługuje obecnie tłumaczenia z fiń­
sk iego na angielski również w zakresie języka ogólnego (Arnola 1996).
Język kontrolowany, w zależności od zatosowań i założeń, przybiera
różne postaci. Zalecenia firmy Microsoft (Aikawa i in. 2007), sprowadza­
jące się do ogólnych wytycznych charakteryzujących poprawne tworzenie
tekstu pisanego (ograniczone użycie dużych liter czy nawiasów, zdania
nie dłuższe niż 25 słów), nie zawsze mogą wystarczyć do uzyskania prze­
kładu wysokiej jakości.
Zjawiskami związanymi z oceną jakości przekładu automatycznego
jest przededycja i postedycja. O ile przededycja (przygotowanie tekstu
w odpowiedni sposób, często sporządzenie go w języku kontrolowanym)
wpływa na jakość finalnego produktu pośrednio, postedycja jest już ope­
racją na tekście docelowym. Przededycja umożliwia systemowi przekładu
maszynowego pracę nad tekstem napisanym tak, aby ograniczyć do mini­
mum możliwość błędu w przekładzie. Oprócz stosowania krótszych zdań
i prostszych konstrukcji składniowych zachowuje się precyzję terminolo­
giczną, ograniczając synonimię. Używane są również znaczniki pozwa­
lające wyodrębnić np. nazwy własne, których nie należy tłumaczyć czy
homonimy w celu clezambiguacji. W przypadku posteclycji, to jest kory­
gowania tekstu przez tłumacza bądź tłumaczy, należy wziąć pod uwagę
aspekt ekonomiczny. Taka operacja jest wymagana, jeżeli przełożony
przez maszynę tekst ma ukazać się drukiem (Nirenburg i in. 1992: 11),
należy jednak rozważyć, czy jest ona opłacalna, czy też ze względów cza­
sowych i/lub finansowych lepiej byłoby dać tekst do przetłumaczenia czło­
wiekowi. Allen (2005b) podaje przykład tekstu o długości 6 tysięcy słów,
przetłumaczonego przez system automatyczny w ciągu minuty, którego
postedycja zajęła 6 godzin, przy czym nie była to tzw. postedycja pełna;
 tekst został potem jeszcze dwukrotnie sprawdzony. Jak widzimy, proc-es
postedycji jest nieporównywalnie dłuższy od samego procesu przekładu
Przykład operacji obejmującej przededycję, tłumaczenie maszynowe- i p()[
stedycję podaje Quah (2006: 54):
(oryginalny tekst angielski):
Let the w a te r run h o t a t the sink and then pull the con ne cto r from the rei cs>. in
the back o f the dishwasher. L ift the c o n n e cto r to the fau cet by pressing dow n the
th u m b release.
(przededycja):
1 Turn on the faucet a t the sink u n til the w a te r runs hot.
2 Pull th e co n n e cto r fro m the recess in the back o f the dishwasher.
3 Press d o w n on the th u m b release and lift the co n n e cto r o n to th e fai.n t.-i.
(tłum aczenie m aszynow e na: hiszpański):
1 D e vuelta e n ce n d id o al grifo en el fregadero hasta el agua funcioria caliente.
2 Tire del conectador a partir de la hendidura en la parte posteriora del lavaplatos.
3 Presione ab ajo en el la n za m ie n to de l pulg ar y le van te el c o n e c ta d o r sobre '
el grifo.
(postedycja): >
1 Abra la Have del agua de l fregadero hasta qu e saiga agua caliente.
2 Jale el co n e cto r del hueco que se encuentra en la parte posteriora de fa lava
platos. '
3 O prim a hacia abajo el liberador manual y levante el conector a la Have delngua.
Wydaje się, że obecnie duże przedsiębiorstwa, świadome wad i zalet
przekładu automatycznego, wykorzystują go regularnie, jednak (w tro­
sce przede wszystkim o swoje dobre imię) zawsze z uwzględnieniem
etapów przededycji i postedycji. Mniejsze firmy, w których przekład jest
działalnością marginalną, korzystają z udogodnień systemów maszyno­
wych, nie dbając o jakość produktu. Autor je st w posiadaniu kopii listu
napisanego przez angielską kancelarię adwokacką prowadzącą sprawę
spadkową, w której spadkobiercami było kilkoro Polaków. Do listu dołą­
czone je st polskie tłumaczenie, którego ze względu na uwarunkowania
prawne nie możemy w całości zacytować, ale które obfituje w sformu­
łowania takie jak „to je st twoja czescia tymczasowy podzielenie", jest
więc ewidentnie surowym produktem przekładu maszynowego, spełnia­
jącym jedynie rolę przybliżenia treści listu osobom nieznającym jęzvka
angielskiego.
W podsumowaniu należy po raz kolejny podkreślić, że systemy prze­
kładu maszynowego spełniają rzetelnie zadanie, do których zostały powo-
‘ 1
lane. Van der Meer zwraca uwagę, że dezawuowanie przekładu maszyno­
wego w kontekście używanego obecnie powszechnie przekładu wspoma­
g a n e g o komputerowo (a więc aplikacji opartych na pamięci tłumaczenio­
wej) jest nieuzasadnione, gdyż to przekład maszynowy jest prekursorem
z n a n e g o dziś tłumaczenia z wykorzystaniem oprogramowania CAT:
W ith in a pe riod o f 10 to 15 years, T M products have fou nd th e ir w ay to the
; w orkstations o f m ore than 5 0 ,0 0 0 translators in th e w o rld . But the message also
caused a 'co g n itive diso rd e r' in the translation industry, nam ely that T M is good
and M T is evil, foreg oing the fa ct th a t T M is just a ne w variant o f M T (...). The
R damage is do ne , however, and it w ill take years to convince the co m m u n ity o f
business translators th a t p o st-e diting fuzzy matches from T M databases is, in fact,
; n o t d iffe re n t from p o st-e d itin g fuzzy m atches from any o th e r M T system, (van der
M eer, w : Zelzsche 2.007)
4.4. K ształcenie w zakresie przekładu
w spom aganego k o m p u tero w o
System kształcenia tłumaczy w Polsce je st dość specyficzny. Kursy tłu­
maczenia prowadzą najczęściej wykładowcy filologii; praktykujący tłu­
macze rzadko podejmują się tego zadania. Translatoryka (w zależności
od jednostki zwana też traduktologią czy przekładoznawstwem) bywa
specjalizacją w ramach studiów filologicznych (najczęściej drugiego
stopnia) lub specjalnością, często studiów podyplomowych, wieczoro­
wych lub niestacjonarnych. Kadra rekrutuje się z filologów, którzy mają
doświadczenie w przekładzie, ale często są jedynie teoretykami prze­
kładu, a w skrajnych przypadkach prowadzą zajęcia z translacji w ra­
mach bloku zajęć praktycznej nauki języka obcego, nie identyfikując
się wcale z translatoryką jako dziedziną badań. Praktykujący tłumacze
wolą skupić się na wykonywaniu swojego zawodu. Często barierą jest
także fakt, że uczelnie chętniej przyjmują do pracy doktorów niż magi­
strów. Z tego względu zajęcia akademickie z zakresu narzędzi wspom a­
gających tłumaczenie, jako nadal stosunkowo nowego obszaru zainte­
resowań translatoryki, należą do rzadkości. Omawiane tu narzędzia, na
obecnym etapie ich rozwoju, stanowią wciąż jeszcze udogodnienie dla
tłumaczy (i ich klientów) wymagane przez biura w przypadku dużych
i regularnych zleceń, najczęściej napływających od klientów korpora­
cyjnych. „Wolny strzelec" może jeszcze przez jakiś czas funkcjonować
na rynku nie korzystając w ogóle z pamięci tłumaczeniowych. Dlatego
wykładowcy akademiccy uczący translacji, z całym szacunkiem dla ich
kompetencji, mogą mieć ograniczone pojęcie o wspomnianych narzę­
dziach, a tłumacze używający takich narzędzi na co dzień rzadko" uczą
zawodu. Lukę tę wypełniają szkolenia oferowane przez producentów
oprogramowania. Wyznaczający standardy rynkowe SDL Trados organi­
zuje takie sesje regularnie, umożliwiając również zdanie egzaminu z ob­
sługi oprogramowania na trzech poziomach zaawansowania. W przy­
padku tego typu kształcenia nie występuje problem stanowiący pewną,
często poważną, barierę dla jednostek akademickich, a mianowicie ko­
nieczność zapewnienia odpowiedniej ilości sprzętu komputerowego,
a przede wszystkim kopii oprogramowania, które nawet dla zastosowań
edukacyjnych je st nadal dość drogie (z pewnymi wyjątkami, patrz 3.3).
Tak więc, w odróżnieniu od tradycyjnych kursów przekładu zajęcia z za­
kresu wykorzystania kom puterów w przekładzie na poziomie akademi­
ckim napotykają na utrudnienia spowodowane brakiem doświadczonej
kadry, wystarczająco nowoczesnego sprzętu, a przede wszystkim opro­
gramowania. W łódzkiej szkole wyższej, w ramach prowadzonych pod
moim kierunkiem podyplomowych studiów translatorskich, prowadzący
zajęcia z omawianego przedm iotu zdecydował się na formę kształcenia
na odległość, zadając słuchaczom ćwiczenie wykorzystania omówionego
uprzednio oprogramowania na domowych komputerach i umożliwiając
im konsultacje drogą elektroniczną, również w czasie rzeczywistym przy
użyciu komunikatorów internetowych.
McCarthy (2004) opisuje wykorzystanie Babel Fish podczas zajęć
z przekładu, obnażając niedostatki systemu przez wprowadzanie pozor­
nie prostych, ale w istocie podchwytliwych zdań angielskich i wychwyty­
wanie błędów w tłumaczeniach na francuski. Przedstawiony w artykule
korpus ograniczony jest do tekstu wyjściowego i docelowego, poniżej
przedstawimy jednak wybrane przykłady z komentarzem:
(1) They are writing letters = ils sont des lettres d’ecriture (zamiast:
Ils ecrivent des lettres./Elles ecrivent des letters.)
- system nie rozpoznaje poprawnie zastosowanego w zdaniu angiel­
skim aspektu progresywnego.
(2) the house I like = la maison I comme (zamiast: la maison c|iu*
j ’aime)
- system dzieli zdanie angielskie z opuszczonym zaimkiem względ­
nym na segmenty, tłumacząc je osobno (/ like= „I jak” zamiast „lubię”).
IB S
(3) They have many ideas = Ils ont beaucoup d’idees. (można rów-
j njeż: Elies ont beaucoup d’idees.)
- system ignoruje możliwość przełożenia they na dwa sposoby („oni"
i „one”) wybierając tylko jeden.
(4) They read a lot. = Ils ont lu beaucoup; podobnie jak w przykła­
dzie (3)
- system podaje tylko jedną możliwość, mimo że teoretycznie ist­
nieją cztery (dwuznaczność zaimka funkcjonującego jako podmiot oraz
o r z e c z e n i a - czasownik ma tę samą postać w czasie teraźniejszym
i przeszłym).
(5) the ninth of September = le neuvieme septembre (zamiast: le neuf
s e p t e m b r e / le 9 septembre)
- system błędnie stosuje liczebnik porządkowy w dacie francuskiej
w7.orem języka angielskiego.
(6) After reading the book, 1w ent out. = apres lecture du livre, je sois
sorti. (zamiast: Apres avoir lu le livre, je suis sorti.)
- błąd polega na zignorowaniu często stosowanej w przekładzie
techniki transpozycji (zmiany kategorii gramatycznej).
Powyższy korpus jest przykładem kształcenia o charakterze ogólnym,
mającego na celu uświadomienie słuchaczom istnienia innych niż trady­
cyjne metod przekładu, nierzadko w sposób nieobiektywny, koncentru­
jący się przede wszystkim na wadach tego rodzaju tłumaczenia.
Profesjonalne kształcenie tłumaczy specjalistycznych powinno obej­
mować techniki pracy z narzędziami wspomagającymi tłumaczenie. Nie
chodzi tu jedynie o tłumaczenie tekstów przy pomocy aplikacji wykorzy­
stujących pamięć tłumaczeniową, ale także o korzystanie z baz term ino­
logicznych, edycję tekstu, nanoszenie poprawek i komentarzy. Celem
nadrzędnym takiego kształcenia powinno być uświadomienie jego od­
biorcom wszystkich, a przynajmniej większości możliwości wykorzysta­
nia komputera i Internetu dla potrzeb tłumacza. Znana od ponad wieku
w ekonomii zasada Pareto (zwana również zasadą 80/20), głosząca, że
$0% wyników wypływa tylko z 20% przyczyn, znalazła swoje miejsce
także w informatyce - 80% użytkowników komputerów wykorzystuje
lylko 20% ich możliwości. Tłumacz korzystający jedynie z wyszukiwarki
Google i podstawowych funkcji MS Word nie wykona swojego zadania,
jeżeli klient będzie miał specyficzne oczekiwania związane z formatem
pliku, w którym zapisane ma być gotow e tłumaczenie, bądź też udo­
stępni pamięć tłumaczeniową (czy będzie oczekiwał jej udostępnię-
1
nia). Nawet jeżeli klientowi chodzić będzie jedynie o elektroniczne] wer­ Kolejny fragment pochodzi z ćwiczenia, w którym studenci mieli
sję przedłożonego tekstu w języku obcym, przy tłumaczeniu wykonanym za zadanie przetłumaczyć tekst w programie Trados (a właściwie w jego
z wykorzystaniem tylko wymienionych powyżej technik ucierpi co naj. 30-dniowej wersji próbnej)9. Jest to fragment pamięci wyeksportowanej
mniej jeden element wspomnianej wcześniej triady przekładowej: szybko do pliku tekstowego:
dobrze i tanio. Zastosowanie narzędzi tłumaczeniowych, słowników elek­
<TrU>
tronicznych, baz terminologii czy nawet chociażby zaawansowanych fu n k ­
<CrD> 06012008, 18:03:39
cji edytora tekstu przyspieszy i usprawni pracę. Co więcej, wyszkolony
< C rU > M & M
i wyposażony w odpowiednie narzędzia tłumacz będzie mógł pełnić funk­
<Seg L=EN-GB> Bridging the gap between culture and capital is
cję korektora tłumaczeń wykonanych przez innych tłumaczy, czego często
a tradition in the Book Fair city.
wymagają zleceniodawcy instytucje. Wszystkie wspomniane tu elementy
<Seg L=PL>Tworzenie pomostu między rozwojem kultury a kapita­
powinny zatem być uwzględnione w programie kursu tłumaczenia specja­
lizmem to już tradycja w mieście, gdzie odbywają się Targi Książki.
listycznego. Spójrzmy na trzy przykłady prac wykonanych przez słuchaczy
</TrU >
takiego kursu. Poniższy rysunek ilustruje wynik ćwiczenia polegającego na
<TrU>
dokonaniu korekty tłumaczenia8. Jak widzimy, graficzny interfejs po/wala
<CrD> 06012008, 18:04:09
w łatwy sposób przejrzeć poprawki, nawet gdy jest ich dużo:
<C rU >M 8iM
<Seg L=EN-GB>A famous son
<Seg L=PL> Miasto Goethego
</TrU >
<TrU>
< CrD > 0601 '2008, 18:05:34
<CrU>M&M
<Seg L=EN-GB>Goethe.
<Seg L=PL> Goethe
</TrU>
<TrU>
< CrD >06012008, 18:06:44
< Crli > M&M
<Seg L=EN-GB>A world citizen par excellence \endash from
Frankfurt.
<Seg L=PL>- obywatel świata par excellence \endash pochodził
właśnie z Frankfurtu.
</TrU >

Innym ćwiczeniem była kalkulacja kosztów wykonanego tłumaczenia

przy uwzględnieniu różnych poziomów dopasowania (im lepsze trafienie,
Rysunek 4. Ćwiczenie w zakresie kore kty tłum aczenia
tym niższa cena za słowo):

8 Teksty z m ateriałów reklam owych udostępnianych przez firm ę Apple. ,J Tekst źró d ło w y pochodzi ze strony w w w .fra n k fu rt.d e .
Tabela 7. Kalkulacja k osztów tłumaczenia Vallianatou (2005) przeprowadziła badanie własnej wydajności, wyko­
nując zlecenia tłumaczeniowe przy użyciu Tradosa i Deja Vu, a także bez
Analiza liczby słó w i cena za tłum aczen ie
oprogramowania wspomagającego (metodologia badania opisana jest
Cena za w przywołanym artykule). Z badania wynika, że użycie Tradosa zwiększa
Liczba słów TOTAL
słow o wydajność średnio o 330">, a Deja Vu o 229%.
Repetition 0,05 zł 6 0,30 zł

100% 0,05 zł 0 0 1.5. Lokatlizagct oprogram ow ania kom puterow ego

95-99% 0,20 zł 0 0
85-94% 0,20 zł 0 0
75-84% 0,20 zł 0 0
50-74% 0,20 zł 0 0
No match 0,20 zł 402 80,40 zł
TOTAL 408 80,70 zł
Cena za tłum aczenie tekstu wynosi 80,70 zł.
Z ankiet przeprowadzonych wśród uczestników omawianego kursu
(magistrów filologii i absolwentów kolegiów językowych z całego kraju)
wynika, że prezentowane ćwiczenia były dla większości całkowitą nowoś­
cią, a dla wszystkich ciekawym doświadczeniem umożliwiającym wgląd
w realia pracy tłumacza tekstów specjalistycznych.
Fulford i Granell-Zafra (2005) przeprowadzili badanie na próbie 391 i zw.
wolnych strzelców, tłumaczy pracujących dla różnych zleceniodawców, ze
sporym doświadczeniem w zawodzie, przebywających na terenie Wielkiej
Brytanii. Aplikacji opartych na pamięci tłumaczeniowej używało w swojej
pracy 28% tłumaczy; jedynie 5% wykorzystywało systemy tłumaczenia ma­
szynowego, a jeszcze mniej (2%) narzędzi do lokalizacji oprogramowania.
Należy jednak zauważyć, że badanie obejmowało przede wszystkim tłuma­
czy niezrzeszonych (instytucji łatwiej jest zaopatrzyć się w drogie oprogra­
mowanie niż tłumaczowi na dorobku). Poza tym wszystkie dostępne źródła
sygnalizują tendencję zwyżkową w zastosowaniu wspomnianych aplikacji
i systemów. Praktycznie każde badanie tego typu przeprowadzone w pierw­
szych latach XXI w. lub wcześniej, nawet metodologicznie poprawne, nie
będzie obecnie reprezentatywne, ponieważ eksplozja popularności pamięci
tłumaczeniowych nastąpiła w ostatnich latach.
LISA10 (Localization Industry Standards Association, www.lisa.org) jest
funkcjonującą od blisko 20 lat międzynarodową organizacją zajmującą się
problemami globalizacji i lokalizacji (dostosowywania produktów do wy­
m ogów rynku docelowego). Według strony internetowej LISA lokalizacja
polega na zmianie takich elementów tekstu jak adresy, numery telefonów,
waluty, sposób pisania dat itp. Tak więc lokalizacja jest procesem szer­
szym niż tłumaczenie; na poziomie strategii przekładowych jej odpowied­
nikiem jest udomowienie (domestication, Venuti 1995), jednak lokalizacja
przenosi ideę adaptacji materiału tłumaczonego dla potrzeb odbiorcy
dalej, nierzadko poza sferę tekstu jako takiego. W przypadku materia­
łów opracowywanych przez wielkie międzynarodowe korporacje, proces
lokalizacji je st łatwiejszy ze względu na poprzedzającą go internacjonali­
zację, a więc przygotowanie tekstu w taki sposób, aby ograniczyć do mi­
nimum elementy specyficzne dla danej kultury i już na etapie tworzenia
ułatwić późniejszą recepcję materiału odbiorcy docelowemu. Ten proces
można porównać do pisania tekstu z użyciem języka kontrolowanego. Jak
można się domyślić, lokalizacja jest zabiegiem prostszym w przypadku,
gdy dystans między kulturą źródłową i docelową jest niewielki, a stopień
zaawansowania technologicznego obu kultur zbliżony (np. lokalizacja ma­
teriału anglojęzycznego dla potrzeb jednego z krajów tzw. grupy FIGS,
a więc Francji, Włoch, Niemiec lub Hiszpanii; określenie to pochodzi od
pierwszych liter angielskich nazw krajów). Przygotowanie produktu na ry­
nek azjatycki czy arabski może wymagać dalej idących zabiegów; zjawisko
to skomentowała, odnosząc się do przekładu w rozumieniu tradycyjnym,
Mary Snell-Hornby w znanej pracy poświęconej między innymi proble­
mowi nieprzekładalności kulturowej (Snell-Hórnby 1988; 41).
10 W ostatnich latach pojaw iła się konkurencyjna dla USA organizacja GALA (The
G lobalization and Localization Association).

%■
 W tej książce pojęcie lokalizacji ma znaczenie zawężone do dostosowy­
wania oprogramowania komputerowego do wymogów rynku d o c e lo w e j
a więc najczęściej przygotowywania obcojęzycznych wersji programów’
Takie działanie podyktowane jest nie tylko wymogami lokalnego rynku, ale
w wielu wypadkach także przepisami prawnymi, uniemożliwiającymi sprze­
daż oprogramowania w oficjalnej sieci dystrybucji bez uprzedniego przy­
gotowania wersji w odpowiednim języku docelowym-w niektórych krajach
nawet samo używanie obcojęzycznej wersji oprogramowania jest prawnie
zakazane (por. Esselink 2000: 5). We wczesnych latach ery komputerów
pojęcie lokalizacji nie istniało, a odpowiednie firmy zajmowały się po pro­
stu przekładem tekstu oprogramowania. Prowadziło to jednak do sytuacji,
w których producenci programów zmuszeni byli testować nie tylko wersje
oryginalne, ale i te w innych językach. W odpowiedzi na to „wąskie gar­
dło", firmy tłumaczące oprogramowanie zaczęły rozszerzać zakres obsługi,
proponując również wsparcie techniczne, testowanie i inne. Zbiegło się i:n
w czasie z powołaniem wspomnianej organizacji LISA. Od tego momentu
podstawowymi cechami przemysłu lokalizacyjnego od strony logistycznej
były konsolidacja (fuzje, których wynikiem była coraz mniejsza liczba coraz
to potężniejszych przedsiębiorstw) i outsourcing, czyli zlecanie prac nad
oprogramowaniem specjalistom (Esselink 2000: 7). W epoce Internetu loka­
lizuje się również witryny. Ten obszar działalności tłumaczeniowej stanowi
wręcz modelowe pole do popisu dla systemów przekładu zautomatyzowa­
nego. Zawartość stron internetowych zmienia się bardzo często, niewiele
wolniejszy jest cykl powstawania kolejnych wersji oprogramowania kom­
puterowego. Wraz z oprogramowaniem powstają instrukcje obsługi, samo­
uczki, specyfikacje techniczne itp. Teksty te są często bliźniaczo podobne
do wcześniejszych wersji. Spełnione są więc podstawowe warunki wyko­
rzystania systemów wspomagających lub wykonujących tłumaczenie: seria
powtarzalnych, przewidywalnych tekstów technicznych, często w dużej
ilości, wymagających jak najszybszego przekładu. We wczesnych latach ery
komputerowej, a więc mniej więcej ćwierć wieku temu, lokalizacją zajmo­
wali się tłumacze, ponieważ skala zjawiska była wówczas znacznie mniejsza
niż obecnie. Jednak nawet wtedy proces lokalizacji oprogramowania wyma­
gał udziału wielu osób. Działalność tłumacza, chociaż kluczowa dla powo­
dzenia projektu, była jedynie ogniwem długiego łańcucha, składającego się
między innymi z przygotowania, analizy i testów lokalizowanego oprogra­
mowania. Próby zmuszenia tłumaczy do poszerzania kwalifikacji i zdoby­
wania umiejętności informatycznych, mające na celu uproszczenie owego
łańcucha, nie odniosły zamierzonego skutku. Jak pisze Esselink (2000), po­
pularność XLIFF (XML Localization Interchange File Format, patrz też 3.2),
umożliwiającego wymianę danych w jednym formacie, pozwoliła tłuma­
czom oprogramowania ponownie skupić się na swoim zadaniu, a więc na
przekładzie, nie zaś na konwersji plików i pracy z wieloma narzędziami.
Jednym z podstawowych problemów technicznych lokalizacji jest ty­
powy kierunek tłumaczenia, tj. z angielskiego na inny język, często mniej
„oszczędny w słowach”. W wyniku tego procesu tekst docelowy może nie
mieścić się w przewidzianym polu tekstowym. Przykładowo, pasek menu
wielu anglojęzycznych programów zawiera pozycje Edit i View. Częste
tłumaczenie polskie tych poleceń to odpowiednio „Edycja” i „Widok”,
co oznacza wydłużenie tekstu w stosunku do oryginału o kilkadziesiąt
procent; w przypadku języka niemieckiego (odpowiednio „Bearbeiten”
i „Wiedergabe") różnica w stosunku do oryginału jest jeszcze większa.
Często tłumacz musi zastosować techniki ograniczania długości prze­
kładu, na przykład przez dobór innych ekwiwalentów bądź rezygnację
z mniej istotnych segmentów. W przeciwnym wypadku gotowy produkt
wygląda nieprofesjonalnie:
Rysunek 5. Przykład ograniczeń technicznych w lokalizacji oprogram ow ania wpływających
na końcow y wygląd p ro du ktu
Źródło: za Esselink 2000: 67.
W tym miejscu należy jednak zauważyć, że producenci oprogramo­
wania do lokalizacji (Alchemy Catalyst czy Passolo) stawili czoła temu
problemowi. W aktualnych wersjach możliwy jest podgląd powstającego
tekstu docelowego już w postaci gotowej, tj. w okienku pokazującym
interfejs oprogramowania; w ten sposób błąd pokazany powyżej można
łatwo wyeliminować. Co więcej, możliwe jest nie tylko szukanie alterna­
tywnych rozwiązań w rozumieniu tradycyjnym (to jest np. innego, krót­
szego ekwiwalentu obcojęzycznego polecenia), ale także zmiana wielko­
 ści przycisku, opcji, długości okienka itp., a więc clość duża ingerencja
w samo oprogramowanie. Ponadto Catalyst dysponuje wtyczką do pro­
gramu Trados, tak więc możliwe jest korzystanie w trakcie tłumaczenia
z bazy TM tego programu. Ten przykład pokazuje, jak rozwijają się na­
rzędzia wspomagające przekład i jak ich twórcy wykorzystują coraz no­
wocześniejszą technologię, starając się sprostać oczekiwaniom odbiorcy,
ułatwić pracę tłumaczowi i odebrać argumenty przeciwnikom elektronicz­
nych pomocy tłumaczeniowych. Widzimy także po raz kolejny, jak traci na
wartości konwencjonalne rozumienie przekładu jako operacji na tekstach
(czy nawet językach i kulturach) i jak do głosu dochodzi szereg działań
niezwiązanych bezpośrednio z przekładem, polegających na dostosowa­
niu produktu do funkcjonowania na nowym rynku.
Tłumaczenie oprogramowania, oprócz oczywistych kwestii technicz­
nych, napotyka na szereg problemów całkowicie nieobecnych w innych
rodzajach przekładu. W menu oprogramowania często stosowane są
skróty polegające na podkreśleniu (najczęściej pierwszej) litery nazwy
danej pozycji; użytkownik może wybrać przycisk funkcyjny w połącze­
niu z klawiszem odpowiadającym podkreślonej literze - działanie takie
będzie jednoznaczne z wyborem danej pozycji z menu (£opy=Alt+C).
W przypadku lokalizacji w języku wykorzystującym pismo ideograficzne
(chiński, japoński itp.) zastosowanie takiego skrótu nie je st możliwe,
używa się więc ekwiwalentu docelowego oraz skrótu w języku źródło­
wym, pisanego alfabetem łacińskim. Należy również zwrócić uwagę, że
niektóre litery nie nadają się na tego typu skróty, ponieważ podkreślenie
je st mało widoczne (np. małe litery j czy q); ma to wpływ na dobór ekwi­
walentów w procesie przekładu. Naturalnie, dany skrót może pełnić tylko
jedną funkcję, a więc ekwiwalent rozpoczynający się od litery, która jest
już „zajęta”, nie je st dobrym rozwiązaniem; można co prawda zamiast
pierwszej litery nazwy polecenia użyć do skrótu drugiej, ale takie rozwią­
zanie stosuje się rzadko. Co więcej, użytkownik może być przyzwycza­
jony do skrótów używanych regularnie w wielu programach dla typowych
poleceń (Otwórz, Zamknij, Zapisz, Znajdź, Anuluj), zatem tłumacz powinien
zachować konsekwencję i stosować się do obowiązujących konwencji,
chociaż te ostatnie potrafią być zmienne (Wyszukaj zamiast Znajdź, a na­
w et Poniechaj zamiast Anuluj).
Obecnie zastosowanie aplikacji opartych na pamięci tłumaczeniowej
(a nawet tłumaczenia w pełni zautomatyzowanego) w lokalizacji oprogra­
mowania wzrasta; ma to bezpośredni związek z rosnącymi wymogami
rynku. Producenci oprogramowania dokładają starań, aby nowe wersje
programów pojawiały się na rynku od razu w wielu wersjach językowych;
sprostanie takim wymaganiom jest możliwe jedynie przy pomocy narzę­
dzi wspomagających przekład. Co więcej, zmiany w strukturze oprogra­
mowania i coraz większe wykorzystanie trybu online mają bezpośrednie
przełożenie na metody lokalizacji:
W ith W eb sites c o n ta in in g m ore and m ore softw are fu n ctio n a lity and software ap­
plications increasingly d e p lo yin g a W eb interface, w e can no longer make a clear
distin ctio n betw een softw are and c o n te n t w h e n w e discuss localization. The tra­
d itio n a l d e fin itio n in w h ic h localization o n ly refers to softw are applications and
sup po rting c o n te n t is no longer valid. (Esselink 20 03 : 27)
Esselink (2000) wymienia zalety stosowania aplikacji opartych na pa­
mięci tłumaczeniowej w lokalizacji oprogramowania. Wiele spośród nich
omówiliśmy już wcześniej, poniższe zestawienie posłuży zatem przypo­
mnieniu typowych cech narzędzi opartych na pamięci tłumaczeniowej
i wykazaniu nowych zalet, wybijających się na pierwszy plan w przypadku
lokalizacji:
• powtarzalność dokumentacji oprogramowania stanowi pole do popisu
dla aplikacji CAT; ponowne wystąpienie w tekście uprzednio przetłu­
maczonego zdania umożliwia aplikacji podstawienie go;
e tzw. trafienia zewnętrzne (external matches, Esselink 2000: 376) umoż­
liwiają rozpoczęcie lokalizacji jeszcze przed ukończeniem tekstu lub
prac nad stroną internetową czy aplikacją; wykorzystuje się w tym celu
wcześniejsze wersje podręczników użytkownika czy plików pomocy;
0 istniejące pamięci tłumaczeniowe można wykorzystać przy tłumacze­
niu podobnych produktów;
• aplikacje zarządzające terminologią (stanowiące część pakietu opro­
gramowania wspomagającego tłumaczenie) umożliwiają zachowanie
spójności terminologicznej;
• narzędzia dodatkowe, jak statystyka wyrazów czy liczba powtórzeń,
ułatwiają pracę nad projektami lokalizacyjnymi;
• korzystanie z pamięci tłumaczeniowych w sieci umożliwia kilku tłu­
maczom pracę nad tym samym zadaniem i eliminuje lub ogranicza
rozbieżności, które zapewne wystąpiłyby, gdyby tłumacze pracowali
niezależnie;
 » tłumacze nie muszą uczyć się skomplikowanej edycji dokumentów
przy użyciu specjalistycznego oprogramowania, gdyż proces przekładu
odbywa się na poziomie standardowych edytorów lub procesorów
tekstu;
• aplikacje wspomagające lokalizację zwiększają wydajność o 30 do 50“ó
zmniejszając koszty tłumaczenia o 15 do 30%.
(za Esselink 2000: 37f,)
Czołowym dostawcą narzędzi lokalizacyjnych jest irlandzka firnia
Alchemy Software Development, twórca technologii pod nazwą Alchemy
CATALYST. Jej konkurentem je st PASS Engineering, niemiecka firma produ­
kująca narzędzie PASSOLO. Ta druga firma w 2007 r. doświadczyła losu do­
brze znanego wielu przedsiębiorstwom zajmującym się tworzeniem pro­
gramów wspomagających przekład, mianowicie przejęcia przez giganta
SDL International, stąd obecna nazwa narzędzia: SDL Passolo. Listę innych
programów tego typu można znaleźć w apendyksie.
Narzędzia lokalizacyjne są ciekawym tematem do dyskusji, której
jednak nie będziemy w tym miejscu prowadzić, ze względu na wciąż dość
ograniczony zakres lokalizacji oprogramowania jako działalności tłuma­
czeniowej. Wspomnijmy jedynie dwa programy będące częścią pakietu
CATALYST. Pseudo Translate Expert dokonuje symulacji przekładu (np.
dodając do samogłosek znaki diakrytyczne), aby pomóc ocenić ewentu­
alne problemy, jakie wystąpią w wersji końcowej, a także oszacować roz­
miar tekstu docelowego. W ten sposób gotowy produkt w wersji obcoję­
zycznej może być testowany jeszcze zanim powstanie ostateczna wersja
w danym języku. Leverage Expert je st lokalizacyjnym odpowiednikiem
pamięci tłumaczeniowej; program porównuje aktualny projekt z po­
przednimi szukając podobieństw, aby przyspieszyć i ujednolicić proces
lokalizacji.
4.6. Korpusy język ow e a przekład
Językoznawstwo korpusowe, stosunkowo młoda dziedzina lingwistyki,
doczekało się już szeregu publikacji (chociażby Biber i in. 1998 ora/
McCarthy i Sampson 2005), dedykowanych pism specjalistycznych (np.
Corpora) i cyklicznych konferencji (np. łódzki PALC). Oprócz wielkich,
ogólnodostępnych korpusów o charakterze narodowym (wymieńmy tylko
British National Corpus liczący sto milionów słów, Birmingham Bank of
English o objętości aż 450 min słów czy Korpus Języka Polskiego PWN
i _ 40 min słów w wersji sieciowej) istnieją nieco mniej znane, ale nie-
i pal równie ambitne projekty akademickie, jak PELCRA Katedry Języka
' Angielskiego i Językoznawstwa Stosowanego Uniwersytetu Łódzkiego,
I w założeniach mający obejmować sto milionów słów, czy korpus IPI PAN
! liczący już 250 min słów. Jeśli przyjmiemy za punkt wyjścia szeroką defmi-
j cję korpusu językowego jako ogromnego zestawu słów uporządkowanych
■ vv teksty w danym języku („bodies o f texts assembled in a principled way”
| Johansson 1995: 19), bez wchodzenia w szcżegóły istniejących taksonomii,
| zastosowanie takich baz danych w przekładzie jest oczywiste. Mówiliśmy
| już wielokrotnie o przekładzie maszynowym opartym na korpusach.
I Pamięć tłumaczeniowa jest także swego rodzaju korpusem równoległym
(a więc dwujęzycznym zbiorem tekstów i ich tłumaczeń). Na marginesie,
korpus równoległy jest najczęściej zbiorem tekstów w dwóch różnych ję­
zykach, jak kanadyjski korpus przemówień parlamentarnych w języku an­
gielskim i francuskim (Hansard, chyba najbardziej znany korpus równole­
gły), ale istnieją także korpusy tekstów tłumaczonych, jak TEC pod opieką
Mony Baker. Korpusy przekładowe, jak zauważa Johansson (2007: 9),
mogą stanowić pełną reprezentację danych językowych tylko w połą­
czeniu z korpusami porównawczymi (tj. zawierającymi pogrupowane
teksty oryginalne w więcej niż jednym języku) - dzieje się tak dlatego,
że przekład może zawierać błędy, nietypowe rozwiązania czy idiosynkra-
zje. Schmied i Schaffler (1996) analizują wykorzystanie korpusów w bada­
niu śladów pozostawionych przez tłumacza, tzw. języka przekładowego
(translationese). Jednak dla celów badań nad przekładem korpusy zawie­
rające oryginalne teksty i ich tłumaczenia stanowią nieocenioną bazę
danych. Konkordancje, wszystkie wystąpienia słowa w danym korpusie,
mogą zastępować słowniki monolingwalne - nie podają one co prawda
definicji szukanego słowa, ale wiele przykładów kontekstowych, umożli­
wiając określenie łączliwości danego hasła. Olohan (2004) w swojej mo­
i nografii prezentuje wiele zastosowań korpusów językowych w pracy tłu­
macza, a także teorii i dydaktyce przekładu. Jak pisze SharofF (2006: 27),
tłumacze wykorzystują duże narodowe korpusy przede wszystkim do
sprawdzenia poprawności swojego rozumowania, przekonania się, czy
dany ekwiwalent rzeczywiście występuje w danym kontekście w auten­
tycznych tekstach.
Według Kenny’ego (1998: 50) podstawową cechą korpusów języ­
kowych jest prymat autentycznych, potwierdzonych przykładów uży-
I .
 d a . Ta właściwość pow oduje, że językoznaw stw o korpusow e ma wiele*
wspólnego z opisowymi badaniami nad przekładem (DTS, Descriptive
Translation Studies).
Jak łatwo przewidzieć, dobrym źródłem danych dla korpusów rów­
noległych jest Internet. Powstają nawet programy komputerowe zajmu,
jące się wyszukiwaniem tekstów występujących w sieci w wielu wersjach
językowych (Strand lub PT Miner). Fry (2005) opisuje metodologię po­
zyskiwania tekstów przy użyciu popularnej obecnie technologii kanałów
informacyjnych RSS.
4.7. W izje p rzy szło ści - SATS, In te g ra c jo ,
ro zw iązy w an ie odw iecznych pro b lem ó w
Celem tej książki, jak ju ż sygnalizowaliśmy, nie je st bynajmniej pro­
gnoza dalszego kierunku rozwoju tłumaczenia w spom aganego przez
komputery. Takie próby były jed nak i są dokonywane. Schaler, Way i Carl
(2003: 104) zaprezentowali „przyszłościowy” model przekładu, składa­
jący się z trzech etapów jakościowych. Na najniższym etapie, a więc
tam, gdzie jakość nie je s t priorytetem , doskonale sprawdza się prze­
kład automatyczny, ale na poziomie najwyższym konieczne je s t tłuma­
czenie przez człowieka. Zauważmy jednak, że model powstał w 2003 r.,
je s t więc w zasadzie odzwierciedleniem nie tyle przyszłej, co obecnej
sytuacji.
Z pomysłów (jeszcze) niezrealizowanych w arto wspom nieć o pro­
jekcie nazwanym SATS, z angielskiego synchronous, automated translation
system (Lehman-Wilzig 2000). Lehman-Wilzig wieszczy koniec zawodu
tłumacza (pisemnego, a później ustnego) i wprowadzenie w szechstron­
nych, zautomatyzowanych systemów tłumaczących. Systemy te byłyby
miniaturyzowane i w efekcie instalowane naw et w najmniejszych urzą­
dzeniach. Wspomniany artykuł przedstawia wizję zminiaturyzowa­
nych telefonów komórkowych mocowanych w uchu, umożliwiających
nadawcy i odbiorcy porozum iew anie się w różnych językach (Lehman-
Wilzig 2000: 478). W sytuacjach, gdy urządzenie typu SATS nie byłoby
w stanie przełożyć jakiegoś fragmentu tekstu, wysyłałoby ono elek­
troniczne zapytanie do innych urządzeń tego typu, poszukując właś­
ciwego ekwiwalentu. Należy zauważyć, że koncept SATS ma ju ż blisko
dziesięć lat, a jego implementacja jak dotąd się nie pojawiła. Z drugiej
jednak strony, niektóre założenia projektu izraelskiego badacza widać
W pracy tłumaczy już teraz; rozsyłanie elektronicznych próśb o pomoc
W tłumaczeniu trudniejszych fragm entów nie odbywa się jeszcze au to ­
matycznie, ale je st pow szechnie stosowanym sposobem poszukiwania
ekwiwalentu. Powstają ju ż skuteczne implementacje statystycznego
tłumaczenia maszynowego (wymagającego, jak wiemy, sporej ilości da­
nych) na kieszonkowych urządzeniach typu PDA (PanDoRA, patrz Zhang
i Vogel 2007).
Systemy przekładu maszynowego zapewne jeszcze długo będą bo­
rykać się z językiem literackim, nazwami własnymi czy asocjacjami, ja­
kie wywołują odniesienia do kultury. Przykłady takich użyć języka i ich
nieudanych tłumaczeń będą jeszcze długo koronnym argumentem prze­
ciwników tej technologii. Spójrzmy na fragment recenzji filmu Opowieści
z Narnii w języku angielskim oraz na efekt przekładu maszynowego tego
zdania na język chiński oraz z powrotem na angielski:
k;-:' (oryginał): ,
"T he C hronicles o f N a rnia " do esn 't com e near the p o e tic vision o f "T he Lord
o f the Rings" trilogy, and it do esn 't have the da rk undercurrents th a t makes the
i "H a rry P otter" series endlessly fascinating.
:: (tłum aczenie z p o w ro te m na angielski):
N a triu m N epal Asia legend: The lion, th e sorceress, the evil sp irit w a rd ro b e "al-
* ready la ck" the evil sp irit abstains th e trilo g y "rich in po e tic and artistic flavor,
also has n o t le t" the H arley baud "th e series novel have the in fin ite pleasure the
u n d e rcu rre n t to be tu rb u le n t".
(Stix 20 06 : 92)
Nawet nieznającemu dobrze angielskiego czytelnikowi łatwo zauwa­
żyć, że powstały tekst je st bezładnym zbiorem angielskich słów, a tytuły
trzech popularnych powieści (a właściwie opartych na nich filmów) zupeł­
nie się zagubiły. Podkreślmy jednak po raz kolejny, że stosowanie wielo­
krotnego tłumaczenia w obie strony (tutaj: angielski-chiński-angielski)
ułatwia prezentację tezy o bezużyteczności systemów tłumaczenia au­
tomatycznego w przekładzie tekstów innych niż specjalistyczne, ale nie
jest obiektywne, ponieważ błędy przekładowe ulegają w takim wypadku
zwielokrotnieniu. Znane są przykłady badań, w których respondenci mieli
problemy z rozróżnieniem błędnie przetłumaczonych fragmentów autor­
stwa tłumaczy i systemów maszynowych (Stix 2006: 95).
 Niewątpliwie kolejną barierą (oprócz wielokrotnie wspominanych
ograniczeń jakościowych), którą pokonać będą musieli przyszli twórcy
podsumowanie
komputerowych systemów tłumaczących, jest implementacja dodatko­
wych języków. Jak kilkakrotnie sygnalizowaliśmy, język polski jest trak to ­
wany po macoszemu p rz e z wiele systemów (lista systemów wykorzystują­
cych język polski przedstawiona na końcu tej książki obejmuje co prawda
ponad trzydzieści pozycji, ale są to również elektroniczne słowniki
i translatory, a także aplikacje wykorzystujące pamięć tłumaczeniową).
Podobnie wiele języków azjatyckich i afrykańskich nie istnieje w świecie
tłumaczenia maszynowego.
Już w chwili obecnej jasne jest, że przyszłością komputerowych syste­
mów wspomagających przekład jest integracja. Narzędzia w spo m ag ające
tłumaczenie były we wczesnych etapach rozwoju tej technologii aplika­
cjami samodzielnymi, obecnie coraz częściej oferuje się pakiety oraz sze­
rokie możliwości współpracy między narzędziami wykonującymi powią­
zane ze sobą zadania. Johnson (2007: 5) pisze o pracach nad zintegrowa­ Champollion (2001) posługuje się niezwykle trafną analogią na określe­
niem systemów przekładu maszynowego, pamięci tłumaczeniowych oraz nie roli, jaką pełni kom puter w procesie przekładu. W 1997 r. niezwykle
tzw. CMS (Content Management Systems), systemów zarządzania treścią skomplikowany jak na tam te czasy kom puter opracowany przez IBM,
do tworzenia i obsługi witryn internetowych. a nazwany Deep Blue1, nieznacznie pokonał w meczu szachowym ar-
cymistrza Garego Kasparowa; w sześciu partiach odnotow ano trzy re­
misy, jed n o zwycięstwo mistrza i dwa komputera. Wcześniej Kasparow
grał z poprzednią wersją Deep Blue i wówczas wynik był korzystny dla
mistrza. Pojedynek był niezwykle kontrowersyjny (Kasparow zaskar­
żył wynik, a IBM nie zgodziło się z zarzutami). W 2003 r. powstał film
dokumentalny Game over: Kasparov and the machine stawiający tezę, że
pojedynek nie był fair, a IBM wykorzystało wynik do zwiększenia sprze­
daży swoich produktów. Idea meczu między człowiekiem a kom pute­
rem je st niezwykle interesująca. Nasuwa się pytanie, czy urządzenie
elektroniczne, posiadające ogromną moc obliczeniową oraz możliwość
przyswojenia sobie przebiegu praktycznie wszystkich rozegranych kie­
dykolwiek partii szachów (a co za tym idzie, przewidzenia ruchów ry­
wala w sposób, który pozostaje poza zasięgiem umysłu ludzkiego), jest
w stanie wygrać z mistrzem rozumiejącym i „czującym” grę. Inne pyta­
nie, może ważniejsze i trudniejsze, dotyczy samej zasadności porów-

1 Nazwa kom putera, podobnie ja k systemu Babel Fish, pochodzi z książki A Hitchhiker's
Guide to the Galaxy: w pow ieści Adamsa w ystępow a! potężny kom p uter Deep T hought, Big
Blue zaś to potoczne określenie firm y IBM.

10
 nania tak różnych „graczy”. Jak pisze Champollion, „komputer pi::vlk7a
szachy, a Kasparow w nie gra. Komputer nigdy nie zrozumie, ale tłumaczyć
m oże”2. Jak widać, filozoficzne pytanie o skuteczność sztucznej inteli­
gencji i zasadność porównywania jej z naturalną można postawić rów­
nież w kontekście przekładu. Na stronach tej książki wielokrotnie po­
równywaliśmy przekład autorstwa tłumaczy profesjonalistów i przekład
dokonywany przez komputer. Czyniliśmy to jedynie p o to, aby pokazać
wady i zalety systemów tłumaczenia maszynowego oraz oprogramo­
wania wspomagającego przekład. Odpowiedź na ontologiczne pytanie
o rację bytu tłumaczenia maszynowego o tyle wykracza poza ramy ni­
niejszego opracowania, że wiąże się ściśle z pojęciem sztucznej inieli-
gencji, rolą kom puterów we współczesnym świecie i przewidywaniami
na tem at ich przyszłej roli. Tak daleko posuniętych rozważań nie chcemy
tu snuć. Niech za konkluzję tej pracy wystarczy stwierdzenie, że, po­
dobnie jak wykonywanie wielu codziennych czynności je st obecnie nie­
możliwe lub mocno skomplikowane bez użycia komputera i Internetu,
zarobkowe tłumaczenie tekstów specjalistycznych je st w dzisiejszych
czasach co najmniej znacznie utrudnione bez wykorzystania narzędzi
wspomagających przekład. Jak pisze Myerson, „jedynym funkcjonalnym
rozwiązaniem problemu powtarzalnych i nużących zadań twórczych
je st technologia i automatyzacja, jednak w sytuacjach wyjątkowych,
krytycznych czy też nowych zawsze znajdzie się miejsce dla ingerencji
człowieka” (Myerson 2001: 14)3. Tłumaczenie wykonywane bez ingeren­
cji człowieka wypełnia lukę tam, gdzie tłumacz nie je st dostępny, bądź
gdzie rolę odgrywa czas lub koszt tłumaczenia. Tłumacz je st w stanie
przetłumaczyć każdy tekst, który przetłumaczy maszyna, zwykle jed­
nak drożej lub wolniej, chociaż często lepiej. Tłumaczenie wspomagano
komputerowo je st dzisiaj faktem, nie mrzonką rodem z opowiadań
science-fiction. Jak pisze Allen (2005a: 8): „translation o f publishable do­
cuments is not a one-size-fits-all, miracle, push-button, magical wand".
Zatem teraźniejszość przekładu w spom aganego komputerowo to ciągła
współpraca między człowiekiem a maszyną w celu szybkiego i tańszego
tworzenia obcojęzycznych wersji tekstów zadowalającej jakości.
2 „The com p uter computes chess, w h ile Kasparov plays chess. A com p uter w ill n e w t
understand, b u t it can translate" {C ham pollion, 2001: 1, tłum . Ł.B.).
3 „Technology and au tom atio n are the only scalable so lu tio n to the com m only repea­
ted and bo rin g p ro du ction tasks, b u t there w ill always be a place fo r human intervention,
dealing w ith exceptions, crises, new areas fo r evaluation and so on ” (tłum . z ang. Ł.B.),
Stawianie autorytatywnych tez dotyczących technologii jest ryzy-
j 1(0wne i niedojrzałe. Billowi Gatesowi przypisuje się, że w 1981 r. ocenił
' limit pamięci komputera wystarczający każdemu użytkownikowi na 640kB
i (chociaż Gates zaprzecza, jakoby kiedykolwiek tak powiedział); obecne
j komputery mają pamięć wielokrotnie przekraczającą podany limit. Nie
i podejmiemy się więc ocenić, czy kiedykolwiek komputery wyeliminują
tłumaczy z krwi i kości. W pierwszej dekadzie XXI w. technologia rozwi-
! nęła się w takim stopniu, że oprogramowanie komputerowe jest w sta-
! nie znacznie usprawnić pracę tłumacza, a przeciętny użytkownik kompu-
| tera ma (darmowy) dostęp do aplikacji umożliwiających natychmiastowy,
| w miarę poprawny przekład wielu typów tekstów między najczęściej
! używanymi językami. Dzięki elektronizacji słowniki zajmują teraz znacz-
j nie mniej miejsca na półce, a korzystanie z nich, dzięki wbudowanym
j wyszukiwarkom, jest znacznie łatwiejsze. Należy więc stwierdzić, że rola
I komputerów w pracy tłumacza jest niebagatelna, a opracowanie niniejsze
i może pomóc ją zrozumieć i docenić.
| Wraz ze wzrostem mocy obliczeniowej i możliwości komputerów
i maleje liczba używanych na świecie idiolektów (choć naturalnie nie w ta-
| kim samym tempie), co może w dalszej perspektywie być czynnikiem
sprzyjającym automatyzacji przekładu. Jeżeli sprawdzą się choćby częś­
ciowo czarne scenariusze lingwistów, że pod koniec wieku 90% obecnie
funkcjonujących języków praktycznie wyjdzie z użycia (Krauss 1992,
Cronin 2003), uniwersalny system przekładu automatycznego obejmujący
wszystkie języki może stać się faktem.
Mossop (2003) w recenzji książki Chestermana i Wagner (2002)
pisze, że łatwość dostępu do tłumaczenia maszynowego za pomocą
Internetu może być czynnikiem, który spowoduje wzrost zaintereso­
wania przekładem w społeczeństwie'1. Istotny je st też punkt widzenia
Macklovitcha (2001: 28), który pisze, że dostęp do obcojęzycznych
stron internetowych może zachęcać użytkowników Internetu do sięga­
nia po profesjonalne tłumaczenia wysokiej jakości. Konkluduje on, że
„far from posing a threat to translators, MT on the Web may actually
result in a substantial increase in the demand for human translation”.
Jak zauważa natom iast Cronin:
4 „(...) the availability o f free M T on the In te rn e t may fo r the first tim e be m aking
a large pu blic interested in translatio n" (Mossop, 2003: 375).
 (...) a nervousness su rro u n d in g the advent o f increasing au tom atio n in translation :
and the p ro life ra tio n o f free, W eb-based, M T translation services (...) is related to
w h a t is perceived as a radical u n d e rm in in g o f th e status o f the hu m an translator
as m ediator, (C ronin 2 0 0 3 : 65) ' | przenikają do codziennej pracy tłumacza tekstów specjalistycznych, który
Nękająca wielu badaczy kwestia jakości przekładu maszynowego na­
dal pozostaje problemem. Są jednak sytuacje, w których jakość nie sta­
nowi priorytetu. Jak zauważa Barabe:
(...) w h e n you th in k th a t it is (...) possible th a t the cure for cancer is trapped
inside several PCs and w ill n o t be discovered because these com puters cannot ■
co m m u n ica te and th e ir c o n te n t is n o t accessible to o th e r researches because it is .
not: translated, this is n o t the tim e to be deba ting q u a lity versus quantity. (Bar.iljp
20 0 7 : 427)
Gross (1993) przywołuje żartobliwą metaforę opisującą stan badań
nad przekładem maszynowym w owym okresie. Porównuje on systemy
przekładu maszynowego do automatycznego lalkarza elektronicznego,
umożliwiającego nabywcy wystawianie we własnym domu przedstawień
kukiełkowych bez konieczności prowadzenia marionetek czy pisania sce­
nariuszy, a jednocześnie ingerencję w bieg wydarzeń na scenie. Klient: ku­
puje automatycznego lalkarza, okazuje się jednak, że wymaga on skompli­
kowanej instalacji i konsultacji z działem obsługi. Ostatecznie działający
system wystawia mocno ograniczoną liczbę spektakli, możliwości inge­
rencji są znikome, a ruchy lalek nienaturalne. W odpowiedzi na reklama­
cję nabywca dowiaduje się, że działanie systemu można usprawnić albo
za pomocą skomplikowanego języka programowania, albo przez zatrud­
nienie doświadczonego lalkarza z krwi i kości, który czuwałby nad akcją
sceniczną i naprawiał błędy systemu automatycznego. Oczywiste je s t, że
systemy przekładu maszynowego działające jak opisany lalkarz elektro­
niczny nie mogłyby wyjść poza status gadżetu, funkcjonalnego jedynie
wtedy, gdy standardowe rozwiązania nie byłyby możliwe. Pamiętajmy
jednak, że od początku lat 90. XX w. pozycja tłumaczenia automatycz­
nego zmieniła się. Nawet jeżeli nadal nie udało się wyeliminować wielu
„chorób wieku dziecięcego”, przekład automatyczny znalazł swoje miej­
sce w Internecie, jako proste rozwiązanie dla mas, oraz w wielkich kor­
poracjach. Przede wszystkim zaś umożliwił, ideologicznie i technicznie,
powstanie narzędzi wspomagających przekład tekstów specjalistycznych
wykonywany przez tłumaczy. Użyteczności takich narzędzi nikt nie kwe-
i ii lli'ii' |
stionuje, a biura tłumaczy uważają je za prawie tak samo nieodzowny
element wyposażenia firmy jak sam komputer. Ponadto, jak zauważają
! 0 ’Hagan i Ashworth (2002: 43), systemy tłumaczenia automatycznego
i czasami woli pracować nad edycją wstępnej, niedoskonałej wersji tłuma-
■i czenia automatycznego, niż samodzielnie tłumaczyć tekst,
i Zakończmy dyskusję nad przekładem wspomaganym komputerowo
i w podobny sposób, jak ją rozpoczęliśmy, a więc cytując dane staty-
j styczne. Szef Systrana Dimitris Sabatakakis twierdzi, że oprogramowa-
i nie produkowane przez jego firmę tłumaczy ponad 37 min stron tekstu
| dziennie, a więc więcej niż wszyscy tłumacze na świecie razem wzięci5.
I Naturalnie, wartość statystyczna takich danych może być podważana, po-
| nieważ trudno zliczyć wszystkich, którzy od przypadku do przypadku wy-
J konują pojedyncze zlecenia dla znajomych. Pozostaje jednak faktem, że
pod względem ilościowym systemy przekładu automatycznego stanowią
j poważną konkurencję dla tłumaczy. Jeżeli zaś weźmiemy pod uwagę sy-
] stemy oparte na pamięci tłumaczeniowej i ich obecną rolę w przekładzie
i tekstów specjalistycznych, negowanie roli komputerów w tłumaczeniu
j wydaje się poważnym zaniedbaniem. Przekładoznawstwo zawsze cier-
j piało z powodu dysproporcji między skalą opisywanego zjawiska a liczbą
i publikacji teoretycznych; niniejszy podręcznik zastosowań komputero-
j wych w przekładzie może wypełnić tę lukę choćby w niewielkim stopniu.
I}
1
.t
5 „S tatistical machine translatio n gets real: the LanguageWeaver p ro file ” . Global by
Design, December 2006, 8 -1 9 .
 Extrinsic Evaluation Measures f o r M T and/or Summarization at the 43 th Annual Meeting o f the
B ib lio g ra fia Association o f Computational Linguistics (ACL-2005), Ann Arbor, M ichigan, June 2005.
! B a ra b e D. 2007 „Towards a new w o rld ord er in translation". W: Thelen M., Lewandowska-
’ Tomaszczyk B. (red.) Translation and Meaning Part 7. Proceedings o f the Maastricht Session
i : o f the 4th International Maastrichl-Lódź Duo Colloquium M aastricht: Universitaire Peis,
I 421-428.
i B a r -H ille l Y. 1960 „The present status o f autom atic translation o f languages". Advances in
j Computers I, 91 -16 3.
I B a s s n e tt S., Lefevere A. 1990 Translation, History and Culture. London and New York: Pinter.
B e a v e n J . L . 1992 „Shake-and-Bake machine translation” . W: Coling-92. Proceedings o f the Fifteenth

International Conference on Computational Linguistics, Nantes, 23-28/8/1992, 603-609.

B e rg e r A.L., Brown P.F., Della Pietra S.A., Della Pietra VJ., Gil J.R., Laerty J.D., Mercer R.L.,
Printz I I., Ures L. 1994 „The Candide system fo r machine translatio n" ARPA Workshop on
! Human Language Technology 1994.
j Biber D., Conrad S., Reppen R. 1998 Corpus Linguistics, Investigating Language Structure and
! Use. Cambridge: Cambridge University Press.
! Blatt A., Freigang K.H., Schmitz K.D., Thom e G. 1985 Computer und Ubersetzen. Eine Einfiihrung.
' Hildesheim: Georg Olms Verlag.
Bogucki Ł. 2004 A Relevance Framework f o r Constsraints on Cinema Subtitling. Łódź:
Aikawa T., Schwartz L., King R., C orslon-O Iiver M ., Lozano C. 2007 „Im pact o f controlled hm-
1; W ydaw nictw o U niw ersytetu Łódzkiego.
guage on translation q u ality and po st-e d itin g in a statistical m achine translation environ­
Bogucki Ł. 2007 Zarys przekładoznawstwa dla studentów neojilologii. Łódź: Wyższa Szkolą
m ent". W: M T Summit XI, 10-14 September 2007, Copenhagen, Denmark. Proceedings, 1-7,
Studiów M iędzynarodowych.
Allen J. 2005a „An in tro d u c tio n to using M T softw are". Guide to Translation Multilingual
Bowker L. 2002 Computer-Aided Translation Technology: A Practical Introduction. Ottawa:
C om puting and Technology, 8 -1 2 .
University o f O ttąwa Press.
Allen J. 2005b „W hat is po st-e diting? " Translation Automation Issue 4 February 2005, 1-5,
Bowker L. 2003 „Term inology too ls fo r translators". W: Somers I LL. (red.), 4 9 -66 .
Arnola H. 1996 „K ie liko ne machine translation technology and its perspective on the econo­
Brown P.F., Cocke J., Della Pietra S.A., Della Pietra VJ.,' Jelinek F., Mercer R., Roossin P. 1988
mics o f machine translatio n” . EAMT Workshop, Vienna, 2 9 -3 0 August 1996.
„A statistical approach to French/English translatio n". Second International Conference on
Arnold D.J., Humphreys R.L., Sadler L. (red.) 1993 Machine Translation, Special Issue on
Theoretical and Methodological Issues in Machine Translation o f Natural Languages. Pittsburgh:
Evaluation o f M T Systems. Volum e 8, Nos. 1-2. D ordrecht / Boston / London: Kluwer
Academic Publishers. Carnegie-Mellon University.
A rnold D.J., Balkan L., M e ije r S., Humphreys R.L., Sadler L. 1994 Machine translation: an intro­ Brown P.F., Della Pietra S.A., Della Pietra VJ., Mercer R.L. 1993 „The m athematics o f sta­
tistical machine translation: param eter estim ation". Computational Linguistics Vol. 19,
ductory guide. London: Blackwells-NCC.
A u s te rm iih l R 2001 Electronic Tools f o r Translators. M anchester and Northam pton: ; No. 2, 263-312.
Carpuat M., Wu D. 2007 „H o w phrase sense disam biguation outperform s w ord sense d i­
St. Jerom e.
Babych B. 2004 „W eighted N-gram m odel fo r evaluating machine translation output". sam biguation fo r statistical machine translation” . W: TMl-2007: Proceedings o f the l l t h
W: Proceedings o f the 7th Annual Colloquium f o r the UK Special Interest Groupf o r Computational International Conference on Theoretical and Methodological Issues in Machine Translation,
Linguistics. Birm ingham , January 2004, 15-22. Skovcle [Sweden], 7-9 September 2007, 4 3 -5 2 . -
Bach N., Eck M., Charoenpom saw at P., Kohler T., S tilke r S., Nguyen T., Hsiao R., Waibel A.. Champollion Y. 2001 „M achine translation (MT) and the future o f the translation in d u stry” .
Vogel S., Schultz T., Black A.W. 2007 „The CMU TransTac 2007 eyes-free tw o-w ay speech Translation Journal Vol. 5, No. 1.
-to-speech translation system” . International Workshop on Spoken Language Translation, Chesterman A., W agner E. 2002 Can theory help translators? A dialogue between the ivory tower
Trento, 15-16 O ctober 2007. and the wordface. Manchester: St. Jerome.
Baker M. 1992 In Other Words: A Coursebook on Translation. London and New York: Church K.W., Hovy E. 1993 „Good applications fo r crum m y machine translation". Machine
Routledge. : Translation 8(4), 239-2 58.
Baker M. (red.) 1998 Routledge Encyclopedia o f Translation Studies. London and New York: Clark R. 1994 „Com puter-assisted translation: the state o f the a rt” . W: D ollerup C.,
Routledge. Lindegaard A. 1994 Teaching Translation and Interpretation 2: Insights, Aims, Visions. Papers
Banerjee S., Lavie A. 2005 „METEOR: An au tom atic aetric fo r M T evaluation w ith impio- from the Second Language Intern ation al' Conference (Elsinore, Denmark, June 4 -6 ,
ved corre latio n w ith human ju d g m e n ts". W: Proceedings o f Workshop on Intrinsic and 1993). A m ste rd a m / Philadelphia: John Benjąmins Publishing Company, 301-308.

■ 1
 Colker D. 2005 „Gains in translation: softw are aims to cut through the babble be tte r” ( 0s
Angeles Times, Business, May 15, 2005.
Coughlin D. 2003 „C orrelating autom ated and human assessments o f machine translate
q u a lity ” . M T Summit IX, New Orleans, USA, 2 3 -27 . , 18-31.
Craciunescu O., Gerding-Salas C., Stringer-O 'Keeffe S. 2004 „M achine translation and com
pu ter translation: a new way o f translating?” . Translation Journal Vol. 8, No. 3.
Cronin M. 2003 Translation and Globalisation. London and New York: Routledge.
Dabbadie M., El Uadi W.M., T im im i 1. 2004 „CESTA-. The European M T evaluation campaign"
Guide to Language Technology 2004 # 6 5 supplem ent, 10-11.
Dębowski Ł. 2001 Tagowanie i dezambiguacja morfosyntaktyczna. Przeglqd metod i oprogramo­
wania. Warszawa, Raport techniczny IPI PAN.
D illinge r M., Lommel A. 2004 Implementing machine translation. LISA best practice guide
Publikacja w ew nętrzna Localisation Ind ustry Standards Association.
Eckstein M., Sosnowski R. 2004, Komputer w pracy tłumacza. Praktyczny poradnik. Język a ko­
munikacja 6. Kraków: Tertium ;
Elliston J.S.G. 1979 „C om puter-aided translation - a business v ie w p o in t” . W: Snell B.M.
(red.) Translating and the computer: proceedings o f a seminar. London, 14th November.
Amsterdam: N orth-H olland, 149-158.
Esselink B. 2000 A Practical Guide to Localisation. Am sterdam / Philadelphia: John Benjamins,
Esselink B. 2001 „Leningrad meets Am sterdam meets A quarius". Language International April
2 0 0 1 ,1 4 -1 5 .
Esselink B. 2003 „The e vo lu tion o f lo calizatio n” . Guide to Localization 2003, M ultilingual
Com puting and Technology, 4 -7 .
Farwell D., Helmreich S. 2000 „An interlingual-based approach to reference resolution",
NAACL-ANLP 2000 Workshop: Applied Interlinguas: Practical Applications o f Interlingual
Approaches to NLP, Seattle, May, 2000, 1-11.
Fawcett P. 1995 „Translation and po w e r play” . The Translator 1.2, 177-192.
Feder M. 2000 Computer assisted translation. A proposal f o r tool evaluation methodology.
N iepublikow ana praca doktorska, UAM Poznań.
Flanagan M. 1995 „M T in the online environm entichallenges and o p p o rtu n itie s". W: MT
Summit V Proceedings, Luxembourg, }u\y 10-13, 1995.
Flanagan M. 1996 „System dem onstration: online M T at CompuServe". W: Expanding MT
horizons: Proceedings o f the Second Conference o f the Association f o r Machine Translation in tliel
Americas, 2 - 5 October 1996, Montreal, Quebec, Canada (Washington, DC: AMTA), 244-2-16.
lie d e rk in g R., RudnickyA., Hogan Ch. 1997 „Intera ctive speech translation in the DIPLOMAT ;
pro ject". Workshop on Spoken Language Translation at ACL97, Madrid.
Freigang K.H. 1998 „M achine-aided translatio n". W: Baker M . (red.), 134—136.
Freivalds J. 1997 „M achine translation at the crossroads". Language International, ‘J.-I. i
3 4 -3 5 . | Hutchins J. 2006b „Example-based machine translation: a review and com m entary” . Machine
Fry J. 2005 „Assem bling a parallel corpus from RSS news feeds” . W: M T Summit X, Phuket,
Thailand, September 16, 2005, Proceedings o f Second Workshop on Example-Based Machine i;
Translation, 59-62.
Ful Ford H., Granell-Zafra J. 2004 „The uptake o f online tools and web-based language reso­
urces by freelance translators: im plications fo r translator train ing , professional deve­
lopm ent, and research". 2nd International Workshop on Language Resources f o r Translation
Work, Research and Training, 3 7 -4 4 .
pul ford I I., Granell-Zafra J. 2005 „Translation and technology: a study o f UK freelance trans-
iators". Jostrans Issue 04 - July 2005, 2 -1 7 .
Garcia 1. 2005 „Long term m em ories: Trados and TM tu rn 20" . Jostrans Issue 04 - J u ly 2005,
Gaspari F. 2007 The role o f online M T in webpage translation. Niepublikow ana praca doktorska,
U niw ersytet Manchester!
Gaspari F., Hutchins J. 2007 „O nline and free! Ten years o f online machine translation: o ri­
gins, developm ents, current use and future prospects". M T Summit XI, 10 -14 September
2007, Copenhagen, Denm ark, 199-206.
Gentzler E. 1993 Contemporary Translation Theories. London and New York: Routledge.
Gierasimow A. 2007 „Review o f translation q u ality assurance softw are". M ultilingual
Magazine, January-February 2007, 22.
Gross A. 1993 „W here do translators fit in to machine translation?". Sci-Tech Translation
Journal, October, 1993.
Gutt E.A. 1991 Translation and Relevance. Cognition and Context. O xford: Basil Blackwell.
Hatim B., Mason I. 1997 The Translator as Communicator. London / New York: Routledge.
Hatim B., Munday J. 2004 Translation. An advanced resource book. London and New York:
Routledge.
Hejwowski K. 2006 Kognitywno-komunikacyjna teoria przekładu. Warszawa: W N PWN.
Hermans T. 1985 The Manipulation o f Literature. Beckenham: Croom Helm.
Hewavitharana S., Vogel S., W aibel A. 2005 „A u g m e n tin g a statistical translation system w ith
a translation m em o ry". 10th EAMT conference „Practical applications o f machine translation",
30-31 May 2005, Budapest, 126-132.
House J. 1977 A model f o r translation quality assessment. T tibingen: G unter Narr Verlag.
House J. 1997 Translation quality assessment: a model revisited. Tubingen: G unter Narr Verlag.
Hutchins J., Somers H.L. 1992 An introduction to machine translation. London: Academic
Press.
Hutchins J. 1999 „The developm ent and use o f machine translation systems and com puter
-based translation to o ls” . International Symposium on Machine Translation and Computer
Language Information Processing, 2 6 -2 8 June 1999, Beijing, China.
Hutchins J., Lovtskij E. 2000 „Petr Petrovich Troyanskii (1894-1950): a fo rg o tte n pioneer o f
mechanical translatio n". Machine Translation 15 (3), 187-221.
Hutchins j . 2004 „Two precursors o f machine translation: A rtsroun i and Trojanskij".
International Journal o f Translation 16(1)Jan-June 2004, 11-31.
Hutchins J. 2005 „The firs t p u b lic dem onstration o f machine translation: the G eorgetown-
IBM system, 7th January 1954” . (http://w ww.hutchinsweb.m e:uk/G U-IBM -2005.pdf).
Hutchins J. 2006a „M achine translation: h is to ry ". W: Brown K. (red.) Encyclopedia o f Language
& Linguistics, Second Edition, volum e 7, O xford: Elsevier, 3 7 5-3 83.
Translation (2005) 19, 197-211.
Hutchins J. 2008 „M achine translation: a concise h is to ry ” . W: Chan Sin Wai (red.) Computer
aided translation: Theory and practice. Chinese U niversity o f Hong Kong.
Ide N., Veronis J. 1998 „In tro d u c tio n to the special issue on W ord Sense Disam biguation".
Computational Linguistics Vol. 24, No. 1, 1-40.
Isabelle P., Church K.W. (red.) 1997 Machine Translation, Special Issue: New Tools f o r Human
Translators.Vol. 12, Nos. 1-2. Dordrecht/Boston/London: Kluwer Academic Publishers.
Johansson S. 1995 „M ens sana in corpore sano: on the role o f corpora in lingu istic research"
The European English Messenger 4 (2), 19-25.
Johansson S. 2007 Seeing through multilingual corpora. On the use o f corpora in contrastive stu­
dies. Studies in Corpus Linguistics 26. Am sterdam / Philadelphia: John Benjamins..
Johnson D. 2007 „G e llin g started in lo calizatio n". Guide to Localization 2007, Multilingual
Com puting and Technology, 3 -5 .
Johnson J.i l., M artin J., Foster G., Kuhn R. 2007 „Im proving translation quality by discarding
m ost o f the phrasetable” . W: EMNLP-CoNLL-2007: Proceedings o f the 2007Joint Conference
on Empirical Methods in Natural Language Processing and Computational Natural Language
Learning, June 2 8 -30 , 2007, Prague, Czech Republic, 967-975.
Johnson R. 1980 „C o ntem p orary perspectives in machine tra n sla tio n ". W: Hain.n S
Pedersen V. H. (red.) Human Translation, Machine Translation. Papers from the 10th Annual
Conference on Computational Linguistics in Odense, 2 2 -2 3 Nov. 1979. Odense: Romansk
In s titu t, 133-147.
Katz J.J. 1978 „EfTability and Translation". W: G uenthner F., Guenthner-Reutter M. (red.)
Meaning and Translation. Philosophical and Linguistic Approaches. New York: New York
University Press, 191-234.
Kenny D. 1998 „Corpora in translation studies". W: Baker M. (red.), 5 0 -53 .
Koehn P. 2005 „Europarl: a parallel corpus fo r statistical machine translation” . W: M T Summit
X, Phuket, Thailand, September 13-15, 2005, Conference Proceedings: the tenth Machine
Translation Summit, 7 9 -8 6 .
Kozłowski S. 2004 „Co to je s t tłum aczenie maszynowe?". W: Szym anikJ., Zajenkowski M.
(red.) Kognitywistyka. 0 umyśle umyślnie i nieumyślnie. Warszawa: Kolo Filozoficzne przy
MISH UW, 6 3 -94 .
Krauss M. 1992 J li e w o rld 's languages in crisis". Language 68, 1, 4—10.
Kugler M., Heyer G., Kese R., von Kleist-Relzow B., W inkelm an G. 1993 „The translator'.--
w orkbench: an environm ent fo r m ulti-lingual te xt processing and translation".
W: N irenburg S. (red.) 1993, 185-189.
LafflingJ. 1991 Towards High-Precision Machine Translation. Berlin / New York: Foris.
Lagoudaki E. 2008 „The value o f machine translation fo r the professional translator” .
W: AMTA-2008. M T at work: Proceedings o f the Eighth Conference o f the Association fo r
Machine Translation in the Americas, Waikiki, Hawai’i, 2 1 -2 5 October 2008, 262-269.
Lavie A., Levin L „ Frederking R„ Pianesi F. 2002 „The NESPOLEI speech-to-speech transla­
tio n system". W: Richardson S.D. (red.) Machine Translation: From Research to Real Users.
Heidelberg: Springer, 240-2 43.
Lee A., Przybocki M . 2005 „N1ST 2005 machine translation evaluation officia l results".
Oficjalne w yn iki oceny jakości przekładu autom atycznego.
Lehm an-W ilzig S. 2000 „The Tower o f Babel vs the pow er o f babble: Future po litica l, econo­
mic, & cultural consequences o f synchronous, autom ated translation systems (SATS)".
New Media & Society, Vol. 2 # 4 , 467-4 94.
Lehrberger J., Borbeau L. 1988 Machine Translation. Linguistic characteristics o fM T systems and
general methodology o f evaluation. Am sterdam / Philadelphia: John Benjamins.
Levin R. 2005 „Tools fo r m u ltilin g u a l com m unications” . M ultilingual Computing and Technology
Vol. 16, Issue 2.
LevyJ. 1967 „Translation as a decision process". W: Chesterman A. (red.) Readings in Translation
Theory. Helsinki: Oy Finn Lectura Ab. 3 7 -5 2 .
I iu D., Gildea D. 2007 „Source-language features and m aximum correlation train ing for m a­
chine translation evaluation". NAACL-HLT-2007 Human Language Technolog)': the conference
o f the North American Chapter o f the Association f o r Computational Linguistics, '1 1 -1 1 April
2007, Rochester, NY, 4 1 -4 8 .
Maas D. 1988 „The Machine Translation SUSY system” . W: King M. (red.) Machine Translation
Today: the State o f the Art. Edinburgh: Edinburgh University Press, 209-246.
Macklovitch E. 2001 „Recent trends in translation technology". W: Proceedings o f the 2nd
International Conference The Translation Industry Today: M ultilingual Documentation,
Technology, Market. 2 6 -2 8 October 2001, Bologna, Italy, 23 -47 .
Marcu D. 2001 „Towards a unified approach to m em ory- and statistical-based machine
translation". W: Proceedings o f the 39th Annual Meeting o f the Association fo r Computational
Linguistics (AC.L), Toulouse, France, July 2001, 378-3 85.
McCarthy B. 2004 „Does online machine translation spell the end o f take-home translation
assignments?” . CALL-EJ Online 6(1).
McCarthy D., Sampson G. 2005 Corpus Linguistics: Readings in a Widening Discipline. London
and New York: C ontinuum .
Meer van der J. 2003 „A t last translation autom ation becomes a reality: an anthology o f
the translation m arket” . W: Proceedings o f Controlled language translation, EAMT-CLAW-03
workshop, Dublin City University, 15-17 May 2003, 180-184.
Melby A.K. 1992 „The tra n sla to r’s w o rk s ta tio n ” . W: New ton J. (red.) Computers in Translation.
London: Routledge, 147-165.
Mitamura T. 1999 „C ontrolled language fo r m u ltilin g u a l machine translation” . W: Proceedings
o f M T Summit VII, Singapore, 13-17 September 1999.
M ilkov R. 1996 „Anaphora and machine translatio n". Machine Translation Review, issue 4:
O ctober 1996, 6 -1 6 .
Montague R. 1970 „English as a form al language". W: V isentini B. i in. (red.) Linguaggi nella
Societa e nella Tecnica. Edizioni di Com unita, M ilan, Italy.
Mossop B. 2003 „Review o f ‘Can T heo ry Help Translators? A D ialogue between the Ivory
Tow er and the W ordface’ by A ndrew Chesterman and Emma W agner". Target 15(2),
3 7 2-3 75.
Muńoz R., Saiz-Noeda M „ Suarez A., Palomar M. 2000 „Sem antic approach to bridging re­
ference reso lutio n” . W: Proceedings ofM T 2000: machine translation and multilingual appli­
cations in the new millennium: inte rna tiona l conference at the University o f Exeter, 20-22
November 2000.
Munteanu D „ Marcu D. 2006 „Im p ro vin g machine translation perform ance by exp lo iting
non-parallel corpora". Computational Linguistics 31 (4), 477-504.
'Myerson C. 2001 „G lobalization: beyond the hype". Language International, February 2001,
Vol. 13, No. 1, 12-14.
Nagao M. 1984 „A fram ew ork o f a mechanical translation between Japanese and English
by analogy prin cip le ". W: E lithorn A., Banerji R. (red.) Artificial and human intelligence.
Amsterdam: Elsevier, 173-180.
Napier M. 2000 „The soldiers are in the coffee - an in tro d u ctio n to machine translation".
Cultivate Interactive, issue 2, O ctober 2000.
Neubert A. 1991 „C om puter-aided translation; where are the problem s?" Target 3 : 1, 55-64.
Nida E.A. 1964 Toward a Science o f Translating. Leiden: Brill.
Nida E.A., Taber C.R. 1969/1982 The Theory and Practice o f Translation. Leiden: Brill.
Nirenburg S. (red.) 1987 Machine Translation. Theoretical and Methodological Issues. Cambridge
Cambridge University Press.
Nirenburg S., Carbonell )., Tomita M.,’ Goodman K. 1992 Machine Translation: a Knowledge-
Based Approach. San Mateo: M organ Kaufmann,
Nirenburg S. (red.) 1993 Progress in Machine Translation. Amsterdam : JOS press.
Nirenburg S., Frederking R. 1994 „Toward m ulti-engine machine translation" W: Proceedings
of a workshop on Human Language Technology, Plaitisboro, 8-11 March 1994.
Nkwenti-Azeh B. 2001 „Term banks". W: Baker M. (red.), 249-251.
Nyberg 1:., M itam ura T., Carbonell J. 1997 „The KANT m achine translation system: from R&d
to in tita l deploym ent”. Referat w ygłoszony w trakcie LISA W orkshop on Integrating
Advanced Translation Technology, H yatt Regency Crystal City, W ashington D.C., jllne
3 -4 , 1997 (http://www.lti.cs.cmu.edu/Research/Kant/PDF/lisa.pdf).
Och F.J., Ney II. 2004 „The alignm ent tem plate approach to statistical m achine translation"
Computational Linguistics Vol. 30 No. 4, 41 7-4 34.
Ogden C. 1930 Basic English: A General Introduction with Rules and Grammar. London: Paul
Treber.
OTIagan M., A shw orth D. 2002 Translation-mediated Communication in a Digital World: Pacing
the Challenges o f Globalization and Localization. London: M u ltilin g u a l M atters.
Olohan M. 2004 Introducing Corpora in Translation Studies. London and New York: Routledge.
Papineni K., Roukos S., Ward T., Zhu W.J. 2002 „BLEU: a m ethod fo r autom atic evaluation o f
machine translation” . W: Proceedings oj'ACL-2002:40th Annual meeting o f the Associationfo r
Computational Linguistics, 311-3 18.
Petrits A. 2001 „EC Systran: The Commission’s machine translation system". M ateriały Unii
Europejskiej (http://ec.europa.eu/translatioiVreading/articles/pdf72001_int_mtfullen.pdf).
Quah C.K. 2006. Translation and Technology. Basingstoke: Palgrave Macmillan.
Rajinan M., Hartley A. 2001 „A u to m a tica lly p re d ictin g M T systems rankings com patible w ith
Fluency, Adequacy o r Inform ativeness scores." W: Proceedings o f the 4th ISLE Workshop on
MT Evaluation, M T Summit VIII, Santiago de Compostela, September 2001, 29-34.
Reifler E. 1954 „The first conference on mechanical translation” . Mechanical Translation 1 (2),
August 1954, 23-32.
Roudaud B., Puerta M.C., Gamrat O. 1993 „A procedure fo r the evaluation and im provem ent
o f an MT system by the end-user". Machine Translation Vol. 8, No. 1-2, 109-116.
Sager J.C. 1994 Language Engineering and Translation. Consequences o f Automation. Amsterdam
/ Philadelphia: John Benjamins.
Saiz-Noeda M., Palomar M., Farwell D. 2000 „NLP system oriente d to anaphora resolution".
W: Proceedings o f MT2000: machine translation and multilingual applications in the new mil­
lennium: inte rna tiona l conference at the U niversity o f Exeter, 2 0 -2 2 Novem ber 2000,
organised by the British C om puter Society.
Sammer M., Reiter K., Soderland S., KirchhofFK., Etzioni O. 2006 „A m b ig u ity reduction for
machine translation: hum an-com puter collab ora tion". W: AMTA 2006: Proceedings o f the
7th Conference o f the Association f o r Machine Translation in the Americas, „Visions f o r the Future
o f Machine Translation", August 8 -1 2 , 2006, Cambridge, Massachusetts, USA, 193-202.
Schiller R., Way A., Carl M. 2003 „EBMT in a con tro lle d environm ent". W: Carl M., Way A.
(red.) Recent Advances in Example-Based Machine Translation: Text, Speech and Language
Technology Vol. 21. Dordrecht: Kluw er Academic, 83 -11 4.
Schinied J., SchafTler H. 1996 „A pproaching translationese th ro u g h t parallel and translation
j corpora” . W: Lancashire I., Percy C., M eyer C. (red.) Studies in Synchronic Corpus Linguistics.
Am sterdam / Atlanta: Rodopi.
Schubert K. 1992 „Esperanto as an interm ediate language fo r Machine Translation". W: Newton
J. (red.) Computers in Translation: A Practical Appraisal. London: Routledge, 78-95.
I Scott B.E. 1989 „The Logos system". W: Proceedings ofM TSum m it II, August 16 - 18, 1989, Munich,
Germany. Frankfurt a.M.: Deutsche Gesellschaft fu r Dokum entations e.V., 137-142.
SharofFS. 2006 „Translation as problem -solving: uses o f com parable corpora” . W: Proceedings
o f LREC-2006: Fifth International Conference on Language Resources and Evaluation. Third
International Workshop on Language Resources f o r Translation Work, Research & Training
(LR4Trans-III), Genoa, Italy, 28 May 2006, 2 3 -28 .
Smith R. 2004 „Translation m em ory: is it useful fo r financial and legal translation?” . Wersja
elektroniczna prezentacji konferencyjnej dostępna pod adresem http://w w w .m t-archive.
info/Sm ith-2004.pdf.
Snell-Hornby M. 1988 Translation Studies: An Integrated Approach. Am sterdam / Philadelphia:
John Benjamins.
Somers I LL. 1998 „M achine translation, applications” . W: Baker M. (red.), 136-139.
Somers ILL. 2003a „In tro d u c tio n ” .W: Somers H.L. (red.), 2003, 1-11.
Somers I LL. 2003b „Translation m em ory systems” .W: Somers H.L. (red.), 2003, 3 1 -4 7 .
Somers H.L. (red.) 2003 Computers and Translation. A Translator's Guide. Amsterdam / Philadelphia:
John Benjamins.
Somers H.L. 2005 „R o u n d -trip translatio n: w h a t is it good fo r? ” . W: Proceedings o f the
Australasian Language Technology Workshop 2005. 10-11 December 2005, Sydney, NSW,
Australia, 12 7-1 33 (http://w w w .in fo rm atics.m anch ester.ac.u k/~ ha rold /R oun dT rip .d oc).
Somers I LL., Gaspari F., Nino A. 2006 „D e te ctin g in ap prop riate use o f free onlin e machine
translation by language students - a special case o f plagiarism d e tection” . W: Proceedings
o f the 11 th Annual Conference o f the European Association f o r Machine Translation, June 19-20,
2006, Oslo, Norway, 4 1 -4 8 .
, Spies C. 1995 Vergleichende Untersuchung von integrierten Ubersetzungssystemen m it Translation-
memory-Komponente. Saarbriicken: U niversitat des Saarlands.
Steinberger R. 1994 „C urrent MT activities in Europe” . A rtyku ł dostępny w Internecie pod
adresem http://langtech.jrc.it/D ocum ents/AAM T-94_Steinberger.pdf.
Stix G. 2006 „The elusive goal o f machine tra n sla tio n ". Scientific American March 2006,
9 2 -9 5 .
Taghvaipour M.A. 2005 „On machine translatio n fo r Persian” . Translation Studies Vol. 2, No.
7 -8 ,3 3 -4 9 .
Tomaszkiewicz T. 2004 Terminologia tłumaczenia (przekład i adaptacja słownika pod redakcją
J. Delisle, H. Lee-Jahnke i M.C. Corm ier). Poznań: UAM.
Tomaszkiewicz T. 2006 Przekład audiowizualny. Warszawa: WN PWN.
Tryulc M. 2007 Przekład ustny konferencyjny. Warszawa: WN PWN.
Vallianatou F. 2005 „CAT too ls and pro du ctivity: tracking w ords and hours” . Translation
Journal Vol. 9, No. 4.
Vandeghinste V., D irix P., Schuurm an I. 2005 „Exam ple-based tra n sla tio n w ith o u t paral­
le l corp ora : firs t exp erim e nts on a p ro to ty p e ” . W: M T Summit X, Phuket, Thailand,
September 16, 2005, Proceedings o f Second Workshop on Example-Based Machine
Translation, 1 3 5-1 42.
 V eiiuli L. 1995 The translator's Invisibility: A History o f Translation. London and New York-
Routledge.
| N iektóre sy stem y lo k a liz a c ji
Vetulani Z. 2004 Komunikacja człowieka z maszynq. Komputerowe modelowanie kompetencji języ­ o p ro g ra m o w a iu a
kowej. Warszawa: EXIT.
P
V itek S.V. 2005 „Reflections o f a human translator on machine translation. W ill MT become ■
: :
the „Deus Ex M achina" rendering humans obsolete in an age when „Deus Est Machina?". www.passolo.com: komercyjny projekt niemieckiej firmy Pass
A rtykuł dostępny w Internecie pod adresem http://w w w .proz.com /lranslation-articles/ Engineering, obecnie własność SDL International
articles/270/1/.
http://www.schaudin.com/products/riav212.htm: RC-WinTrans, łatwy
Volk M., Harder S. 2007 „Evaluating M T w ith translations o r translators: w hat is the dif­
ference?” W: M l Summit XI, 10-14 September 2007, Copenhagen, Denmark. Proceedings
w użyciu system lokalizacji oprogramowania
499-506. http://www.alchemysoftware.ie/products/catalyst.html: Alchemy Cata­
Wang X., M artinez D. 2006 „W ord sense disam biguation using autom atically translated lyst, popularny produkt znanej irlandzkiej firmy
sense examples". W: Proceedings ofEACL-2006: 11th Conference o f the European Chapter of http://malakith.net/aegiwiki/Main_Page: Aegisub, program do edycji
t he Association f o r Computational Linguistics, Cross-Language Knowledge Induction Workshop,
Trento, Italy, A p ril 3, 2006, 4 5 -5 2 .
] napisów filmowych działający na większos'ci systemów operacyjnych
W arw ick-Arm strong S. 1991 „M achine translation in Europe". W: Proceedings o f the workshop
| http://kawaii-shoujo.net/AntiAliased/SSATool/: SSA Tool, program do
on Speech and Natural Language, February 19-22, 1991, Pacific Grove, California, 28-33. | tworzenia napisów filmowych
Weaver W. 1949 „Translation". W: Locke W.N., Booth A.D. (red., 1955) Machine translation j http://www.urusoft.net/products.php?cat=sw: Subtitle Workshop,
of languages: fourteen essays. Cambridge, Mass.: Technology Press o f the Massachusetts
In stitu te o f Technology, 15-23.
j bardzo popularny program do napisów filmowych
Webb L. 1998 Advantages and Disadvantages o f Translation Memory - A Cost / Benejit Analysis.
www.lingobit.com: Lingobit Localizer
Niepublikow ana praca dostępna w Internecie pod adresem http://techlingua.com /trans-
lation/thesis.htm l.
W hite J.S. 1985 „Characteristics o f the METAL machine translation system at production
stage . W: Proceedings of the Conference on Theoretical and Methodological Issues in Machine
Translation o f Natural Languages, Colgate University, H am ilton, New York, August 14-16, Niektóre sy stem y tłu m aczen ia m aszynow ego wylco-
1985, 359-369.
rzystiąjące język p olski
W hite J.S. 1987 „The research environm ent in the METAL p ro je ct". W: N irenburg S. (red.)
1987, 225-246.
W iersema N. 2004 „G lobalization and translation: A discussion o f the effect o f globalization Alamax Translator http://www.abitzi.com/uebersetz/deutschpolnisch.
on today's translatio n". Translation Journal Vol. 8, No. 1, January 2004.
W ilss W. 1999 Translation and Interpreting in the 20 tli Century. Focus on German. Amsterdam /
php3
Philadelphia: John Benjamins. Babylon-pro http://www.babylon.com
W ittn e r J., G oldschm idt D. 2007 „Technical challenges and localization to o ls” . W: Guide to Ergane (słownik elektroniczny) http://download.travlang.com/
Localization 2007, M u ltilin g u a l C om puting and Technology, 10-14. eXtractio Terminology Suite http://www.temis-group.com/index.
W ojtasiew icz O. 1957/2007 Wstęp do teorii tłumaczenia. Warszawa: Translegis.
php?id = 203&selt=l
Yang J., Lange E. 2003 „G oing live on the In te rn e t” . W: Somers H.L. (red.), 191-210.
Zaanen van M., Zwarts S. 2006 „U nsupervised measurement o f translation qu ality using mul-
FB-Active Translator http://www.brall.de
ti-engine, bi-directional translatio n". W: Sattar A., Kang B.H, (red.), Proceedings o f A l 2006 InterTran Website Translation Server http://www.tranexp.com/win/it-
„Advances in Artificial Intelligence. 19th Australian Joint Conference on Artificial Intelligence". server.htm
4 -8 December 2006, Hobart, TAS, Australia. Berlin: Springer, 1208-1214. Language Weaver http://www.languageweaver.com
ZetzscheJ. 2007 „M achine translation revisited". Translation Journal Vol. 11, No. 1.
LEC Translate i LEC Passport http://www.lec.com
Zhang Y., Vogel S. 2007 „PanDoRA: a large-scale tw o-w ay statistical machine translation
system fo r hand-held devices". W: Proceedings o f M T Summit XI, 10 -14 Septem ber 2007,
LingvoBit (i inne programy Lingvo) http://www.poltran.com
Copenhagen, Denmark, 543-5 50. NeuroTran http://www.tranexp.com/win/NeuroTra.htm
1-800-Translate http://www.l-800-translate.com
 PalmTran (słownik elektroniczny dla palmtopów) http://tranexp.com p eriodyki sp ecjalisty czn e p ośw ięco n e tłu m a c z e n ie
PARS/P http://www.ling98.com/engpol.html
m aszynow em u
Partner (w zestawie z urządzeniem) http://www.partnertranslat0|-
com/
PC Translator http://www.pctranslator.cz Mechanical Translation (późniejsza nazwa Mechanical Translation and
Phraselator (w zestawie z urządzeniem) httpv'/www.phraselator.coni/ Computational Linguistics) wydawany w latach 1954-1968
p2.aspx Computers and Translation (Paradigm Press)
PocketTran (słownik elektroniczny) http://www.tranexp.com Machine Translation (Springer Science, wcześniej Kluwer Academic
Power Translator Worki http://www.lec.com/w2/listProdua.asp? Publishers)
product=World&family= Power-Translator MT News International (IAMT)
Pragma Online Translator http://www.trident.com.ua/eng/online.php Machine Translation Review (British Computer Society)
Reverso Translator http://www.softissimo.com/reverso_translator.asp
SDL Passolo http://www.passolo.com/en/home.htm
SDL Trados http://www.sdl.com/en/products/products-index/sdl-tra-
dos/
Similis http://www.Iingua-et-machina.com
Slovnyk (słownik internetowy) http://slovnyk.org.ua
Sprawk http://www.sprawk.com
Tr-AID http://www.ilsp.gr/traid2_eng.html
Transclick http://home.transclick.com/home
Transit http://www.star-group.net/star-www/description/transit/star-
group/eng/star.html
Translatica Enterprise i Translatica Server http://translatica.pwn.pl/in-
dex.php?id = 19
TranSphere http://www.apptek.com/products/transphere.html
WordPoint (słownik elektroniczny) http://www.point2translate.com/

Główne stow arzyszen ia tłum aczen ia

au to m aty czn eg o

AMTA (The Association for Machine Translation in the Americas)

www.amtaweb.org
EAMT (European Association for Machine Translation) www.eamt.ory.
IAMT (International Association for Machine Translation)
AAMT (Asian-Pacific Association for Machine Translation)

i "
Indeks nazwisk FreivaldsJ.
Fresco P.R.
21
79
Ladling J. 82
Lagoudaki E. 69
FryJ. 104 Lange E. 72
Fulforcl H. 72, 96 LavieA. 7 7 ,8 4
Lee A. 84
' Gałązka-Salamon E. 18 Lefevere A. 13,60
Garcia 1. 59 Lehm an-W ilzig S. 104
Gaspari F. 72 Levih R. 23
Gates B. 109 LevyJ. 80
Gentzler E. 38 Liu D. 80
Gierasimow A. 87 Lommel A. 2 4 ,3 2 ,5 0 ,5 1
Gildea D. 80
G oldschmidt D. 63 M aasD. 46
Granell-Zafra J. 7 2 ,9 6 M acklovitch E. 109
Gross A. 110 Marcu D. 33, 57
Gutt E.A. 20 M artinez D. 82
Mason I. 14
Harder S. 78 Mazurek K. 18
Adams D. 72, 107 Carl M. 104 Hartley A. 84 McCarthy B. 73, 92
Aikawa T. 89 Carpuat M. 82 Hatim B. 8 ,1 4 ,6 4 McCarthy D. 102
Allen J. 89, 108 Cham pollion Y. 107,108 M e e rv a n d e rJ . 8,91
Hejwowski K. 14
Arnola H. 89 Chesterman A. 109 M elby A.K. 52
Helmreich S. 83
Arnold D.J. 1 0 ,1 1 ,2 7 ,2 8 Chomsky N. 38, 41 Mi ta mu ra T. 88
Mermans T. 13
A rtsrouni G. 38, 39 Church K.W. 73 M itko v R, 83
Hewavitharana S. 57
Ashw orth D. 111 Clark R. 9 M ontague R. 47
I-louseJ. 80
A usterm iihl F. 12, 13, 27, 31, 32, 53, 63, CockeJ. 48 Hovy E. 73 Mossop B. 109
66 Colker D. 34 Munday J. 8, 64
Hunt T.R. 28
Coughlin D. 84 M unóz R. 83
•Hutchins J. 23, 25, 27, 29, 30, 33, 34, 35,
Babiak K. 44 Craciunescu O. 82 M unteanu D. 33
37, 38, 40, 41, 43, 44, 72, 81, 88
Babych B. 84 Cronin M. 8 ,9 ,1 0 ,1 0 9 ,1 1 0 M yerson C. 108
Bach N. 77
Ide N. 82
Baker M. 2 0 ,1 0 3 Dabbadie M. 84 Nagao M. 35
Banerjee S. 84 Dębowski Ł. 30 Napier M. 25
Barabe D. 1 2 ,1 3 ,1 1 0 D illinge r M. 24, 32, 50, 51 Johansson S. 103 N e ub ertA . 2 7 ,6 8
Bar-Hillel Y. 40, 41 Johnson D. 106 Nida E.A. 1 5 ,1 9 ,3 7 ,3 8 ,4 0
Bassnett S. 13 Eckstein M. 58 Johnson J.H. 33 N irenburg S. 36, 89
Bayes T. 83 Elliston J.S.G. 88 Johnson R. 82 Nkwenti-Azeh B. 67
BeavenJ.L. 32 Esselink B. 1 0 ,2 1 ,5 4 ,6 9 ,9 8 ,9 9 , 101, Nyberg E. 88
Berger A.L. 34 102 Kasami T. 48
B ib e rD . 102 Kasparow G, 107 Ogden C. 88
Blatt A. 25 Farwell D. 83 KatzJ.J. 39 OTIagan M. 111
Bogucki Ł. 54, 55, 57, 61, 63, 65, 77 Fawcett P. 14 Kenny D. 103 Olohan M. 103
Booth A. 39 Feder M. 40 Koehn P. 84, 85
Brandt W. 13 Flanagan M. 72 Kozłowski S. 26, 29, 30, 31, 64 Palka T. 44
Brown P.F. 34 Frederking R. 36, 77 Krauss M. 109 Papineni K. 84
Bryce B. 34 Freigang K.H. 26 Kugler M. 53 • Petrits A. 43

IB
Przy boćki M. 84 Trojański P. 38, 39, 40
Tryuk M. 76, 79 Indeks rzeczowy
Q uail C.K. 27, 33, 35, 87, 90
Vallianatou F. 97
(hasła w języku polskim I angielskimi
Rajman M. 84 Vandeghinste V. 35
Reifler E. 40 Vauquois B. 46
Roudaud B. 46 Venuti L. 9, 97
VeronisJ. 82
Sabatakakis D. 111 V ogelS. 105
SagerJ.C. 18 Volk M. 78
Saiz-Noeda M. 83
Sammer M. 88
W agner E. 109
Sampson G. 102
Wang X. 82
SchafflerH . 103
Way A. 104
Schiller R. 104
Weaver W. 39, 40
SchmiedJ. 103
Webb L. 66
Schubert K. 47
W h ite J.S. 47
Scott B.E. 43
W iersem a N. 13
SharofFS. 103 analiza języka naturalnego (Natural ko n te kst (context) 19-21
W ierzbięta B. 18
Smith R. 58 Language Processing) 9 korpus ję zykow y (language corpus) 33, 34,
W ilson D. 20
Snell-Hornby M. 97 analiza składniow a (parsing) 43, 48 39, 48, 84, 85, 92, 93, 102-104
W ilss W. 9
Somers H.L. 26, 27, 29, 30, 43, 44, 53, Ariane 46 - rów noleg ły (parallel corpus) 35, 85, 103
W ittn e rJ . 63
72, 74, 81, 89
W ojtasiew icz O. 8, 37
Sosnowski R. 58 Babel Fish 22, 42, 48, 72, 92, 107 LISA 9 7 ,9 8
Wu D. 82
S perberD . 20 BLEU 78, 83, 84, 85 lokalizacja (localisation) 8, 10, 49, 9 7 -10 2
W urm an R.S. 12
Spies C. 17
Steinberger R. 47 Candide 34 ,71 METAL 47
S tiller R. 18 YangJ. 72
CMS 106 ' m iędzyjęzyk patrz inte rlin gw a
S tixG . 105 Younger D.H. 48

dezambiguacja (disambiguation) 30, 39, NLP patrz analiza języka naturalnego

Taber C.R. 38 Zaanen van M. 74 82, 88, 89
Taghvaipour M.A. 87 Zam enhof L. 37 dopasowanie (alignment) 34, 59, 64 pam ięć tłum aczeniow a (translation me­
Tarantino Q. 18 ZetzscheJ, 91 mory) 35, 49, 50, 52, 5 3 -57 , 58,
Toma P. 42 Zhang Y. 105 ELSNET 47 5 9 -66 , 6 8 -6 9 , 8 7 ,9 1 , 100, 101, 103,
Tomaszkiewicz T. 27, 77 Zwarts S. 74 EURAMIS 5 9 ,6 9 106
Eurotra 46 parsing patrz analiza składniowa
p lik nieoczyszczony (uncleaned fila ) 65
interferencja (interference) 82 przededycja (pre-editing) 27, 89, 90
inte rlin gw a (interlingua) 31, 32, 36, 47, 77 postedycja (post-editing) 14, 24, 27, 89, 90

jakość przekładu (translation quality) 78, ra p o rt ALPAC 4 0 -4 2 , 46

8 0 -9 1 , 110 rozw iązanie anafory (anaphora resolu­
JANUS 77 tion) 83
ję zyk kon tro lo w an y (controlled lan­
guage) 42, 44, 87, 88, 89, 97 SATS 104
SDL Trados 57, 58, 59, 65, 87, 92, 97, 100 - rozm yte (fuzzy match) 63
segment {segment) 35, 53, 54, 62, 63, 65 - stuprocentow e (100% match, perfect ma­
shake and bake 32 tch, exact match) 54, 63, 64
Susy 46
Systran 20, 23, 4 2 -4 4 , 46, 48, 59, 72, 82, W ie lo kro tn e tłum aczenie w obie strony
83, 111 (round-trip translation) 74, 105
W ordfast 58, 65, 87
TC-Star 77
TMX 54 XLIFF 5 7 ,9 9
Trados patrz SDL Trados
trafienie (match) 54, 59, 63, 69, 95, 101 znaczniki w ew nątrztekstow e (inline mar­
- pełne (full match) 63 ker) 62