2026年の書籍翻訳に最適なLLM: 主要8モデルをテスト

結論だけ知りたい方へ

翻訳に最適なLLMは、モデル名だけでなくテキストの種類によって決まります。私たちの書籍翻訳ベンチマークでは、文学的散文、会話文、ビジネス文体において、Claude Sonnet 4.6 が総合的に最も優れていました。GPT-4.1 は技術文書と学術文書で最も安全な選択肢でした。DeepSeek V3 と Qwen3 は、中国語への出力と東アジア言語らしい自然な言い回しで特に強さを見せました。

とはいえ、ひとつのモデルを永遠に選べばよいという意味ではありません。翻訳品質は、提供元がモデルの重み、ルーティング、コンテキスト長の上限、安全性の挙動、デコーディング設定を更新すると変化します。したがって、"翻訳に最適なLLM" という主張は、特定時点のベンチマークとして扱い、ワークフロー上の判断を下す前に同じテストセットを再実行してください。

モデルの宣伝文句ではなく、実際の翻訳出力を確認したいなら、まず翻訳サンプル集をご覧ください。LLM翻訳に費用をかける価値があるかを判断したいなら、AIと人間による書籍翻訳のコスト比較ガイドを読むのがおすすめです。エンドツーエンドの全体的な流れを知りたい場合は、書籍翻訳ガイドをご利用ください。

テスト内容

このベンチマークは、短いフレーズの翻訳ではなく、長文ドキュメント翻訳を対象に設計しました。文単位で高い性能を示すモデルでも、書籍全体になると、登場人物名を見失う、章ごとにトーンが変わる、脚注を落とす、依頼していない翻訳者注を追加するといった失敗を起こし得ます。

テストセットは120件の翻訳で構成しました。

以下のモデル名は、この記事で使用したベンチマーク時点のスナップショットを反映しています。ベンチマークを再実施する場合は、提供元、モデル名、利用可能であればモデルのバージョンまたはリリースラベル、APIルート、日付、プロンプト、temperature、システムレベルの設定を記録してください。

評価基準

私たちは、読者が実際に必要とする翻訳の仕事に照らして各翻訳を採点しました。BLEUのような類似度指標だけでは書籍翻訳を評価しきれません。原文に忠実でも、読みにくければ良い翻訳とは言えないからです。

実務上もっとも重要なルールはこれです。説明文、安全性コメント、翻訳者注、あるいは原文の言語が残った部分を追加するモデルは、翻訳自体が流暢でも減点対象です。書籍翻訳のパイプラインには、クリーンな出力が必要です。

用途別の結果

これは万能な総合順位表ではありません。ワークフロー上の意思決定を助けるための資料です。医療教科書を訳すなら、詩に強いモデルが勝者でも意味はありません。会話の多い小説なら、技術的には正確でも平板なモデルは不適切かもしれません。

多くのLLM翻訳ベンチマークが見落としていること

多くのベンチマークは、切り出した単文だけをテストしています。しかし、書籍全体では別の問題が発生します。

• 登場人物名は章をまたいでも一貫していなければならない。
• 造語には、毎回違う訳語ではなく、ひとつの対象言語上の対応語が必要。
• 会話文には年齢、立場、関係性に応じた手がかりが必要。
• 脚注、引用、図表キャプション、見出しは本文とは異なる扱いが必要。
• 翻訳を依頼されたのに、要約、検閲、説明、注記追加をしてはいけない。
• 長い出力では完了チェックが必要。途中で切れた章は、少し硬い文よりはるかに問題が大きい。

PDF や EPUB の翻訳では、モデル品質は一層にすぎません。ドキュメントの処理パイプライン自体も、レイアウト、読み順、表、画像、注記、エクスポート後のファイル構造を保持しなければなりません。だからこそ、生のチャット画面と、専用の書籍翻訳ワークフローでは、基盤となるモデルが似ていても結果が異なります。

ベンチマークの再現方法

自分の翻訳ワークフロー向けにモデルをテストしたいなら、この方法を使ってください。

1. ミニコーパスを作る

実際のコンテンツに合った文章を選びます。最低限として良い構成は以下です。

整いすぎたマーケティング用サンプルだけを使わないでください。難しい文章もひとつ入れましょう。たとえば、密度の高い段落、表のキャプション、文化依存のジョーク、名前や用語が繰り返し出てくる節などです。

2. プロンプトを固定する

すべてのモデルで同じプロンプトを使います。味気ないくらいで構いません。

You are a professional translator. Translate the text into [target language].
Preserve meaning, tone, names, numbers, citations, and formatting markers.
Do not summarize. Do not add notes. Output only the translation.

あるモデルが、注記を足したり節を飛ばしたりしないようにするために、過剰なプロンプトエンジニアリングを必要とするなら、それ自体が有用な証拠です。本番の翻訳は、壊れやすいプロンプトに依存すべきではありません。

3. 可能ならブラインドレビューを行う

バイリンガルのレビュアーがいる場合は、モデル名を隠し、次の点に印を付けてもらってください。

• 誤訳された意味
• 不自然な言い回し
• 一貫しない用語
• 文体レジスターの不一致
• 省略されたテキスト
• 作られた内容
• 書式や引用の破損

重要性の高い案件では、一般的な流暢さとは別に、専門分野のレビュアーに技術用語を確認してもらってください。

4. 長文コンテキストのチェックを加える

短い文章の採点が終わったら、章全体、あるいは論文のセクション全体をテストします。出力に対して次を検索してください。

• 未翻訳の原語用語の繰り返し
• 登場人物名の不一致
• 見出しの欠落
• 段落の重複
• 唐突な終わり方
• 翻訳者コメント

この工程によって、単一パッセージのベンチマークでは見つからない失敗を捉えられます。

よくある失敗パターン

最初の一段落がいちばん美しく見えるモデルが、最良のモデルとは限りません。本当に良いモデルは、レビューで高コストになる問題が最も少ないモデルです。

どのモデルを使うべきか

以下の判断表を使ってください。

出版案件の予算を検討しているなら、このベンチマークとあわせて書籍翻訳コストガイドも参照してください。書式と翻訳品質をまとめて確認したいなら、実際のサンプルページをご利用ください。

BookTranslatorがモデルベンチマークをどう活用しているか

BookTranslator は、単一モデルの優劣ではなく、翻訳ワークフロー全体を前提に設計されています。実務上の目標は、PDF や EPUB を、構造を保ったまま実用的な翻訳済みドキュメントへ変換することです。

つまり、モデル選択はシステムの一部にすぎません。

• 翻訳前にドキュメントを正しく解析する必要がある。
• 章、見出し、表、キャプション、脚注にはそれぞれ異なる処理が必要。
• 名前や用語の一貫性を保つために、長文コンテキストを管理しなければならない。
• 出力は、読みやすい PDF、EPUB、DOCX、その他の対応形式として再構成される必要がある。
• 翻訳済みファイルは、公開用または重要な用途に使うなら、最終的に人間のレビューが必要。

パイプライン全体が必要ならTranslate Bookを使ってください。難所がレイアウト保持ならPDF Translatorが向いています。章構造と電子書籍出力が重要ならEPUB Translatorを使ってください。

FAQ

翻訳に最適なLLMは何ですか？

私たちの書籍翻訳ベンチマークでは、Claude Sonnet 4.6 が総合的に最も優れたモデルでした。一方で、技術的・学術的な精度では GPT-4.1 が最も強力でした。DeepSeek V3 と Qwen3 も、中国語や東アジア言語の出力では特に競争力がありました。それでも、最適な選択は必ず自分のコンテンツで検証すべきです。

翻訳には GPT と Claude のどちらが優れていますか？

このベンチマークでは、文学的な語り口、カジュアルなトーン、ビジネス文体では Claude のほうが優れていました。GPT-4.1 はより保守的で、技術的な文章では精度が高かったです。小説ならまず Claude から始めるとよいでしょう。技術文書や学術資料なら、用語の多いサンプルで Claude と GPT-4.1 を比較してから決めてください。

LLM は Google Translate や DeepL より優れていますか？

短く一般的なフレーズなら、従来型の翻訳エンジンが依然として強い場面もあります。一方で、長編の書籍、会話文、文学的散文、文脈依存の強い箇所では、LLM のほうが広いコンテキストを使えるため、通常は柔軟性があります。その代わり、LLM の出力は、省略、注記追加、一貫性の欠如がないかを確認する必要があります。

ChatGPT で本を丸ごと翻訳できますか？

チャットインターフェースで本の一部を手作業で翻訳することはできますが、書式、文脈、章間の一貫性、出力の整理が失われやすいです。PDF や EPUB 全体を扱うなら、BookTranslatorのようなドキュメントワークフローのほうが実用的です。ファイル解析、翻訳、再構成まで処理できるからです。

LLM翻訳ベンチマークはどれくらいの頻度で更新すべきですか？

主要モデルに変更があったとき、提供元のルーティングが変わったとき、あるいはプロジェクトの種類が変わったときに更新してください。最低でも、大規模で有料の翻訳を行う前、書籍を公開する前、学術・技術分野など重要性の高い用途の前には、小規模な社内ベンチマークを再実行するべきです。

モデルを信頼する前に何をテストすべきですか？

代表的な文章をひとつ、難しい文章をひとつ、長い文章をひとつテストしてください。意味、流暢さ、トーン、用語、完全性、書式マーカーを確認します。難しい文章で失敗するモデルが、書籍全体でうまく振る舞うと期待してはいけません。