Аннотация
В статье проводится оценка качества перевода французских фразеологизмов на английский язык с использованием трёх нейросетевых моделей (DeepSeek, BlackBox, TextCortex) на материале философской сказки Антуана де Сент-Экзюпери «Маленький принц». Анализ выполнен по критериям семантической точности, сохранения стилистики и культурного контекста. Результаты демонстрируют, что нейросети успешно справляются с контекстными афоризмами, но испытывают трудности при передаче глубоких метафор. TextCortex показал наилучшие результаты.
Введение
Художественная литература, насыщенная метафорами и фразеологизмами, представляет сложность для машинного перевода. Культурно-обусловленные выражения в «Маленьком принце» требуют не только лингвистической точности, но и передачи философского подтекста.
Цель исследования — оценить возможности нейросетей в переводе фразеологизмов и выявить факторы, влияющие на качество.
Задачи:
- Составить корпус фразеологизмов из текста.
- Сравнить переводы трёх моделей с каноническим переводом.
- Разработать критерии оценки (семантика, стиль, грамматика).
- Оценить работу каждой нейросети по разработанным критериям.
В ходе исследования были поставлены следующие критерии оценки:
- Семантическая точность (сохранение смысла).
- Стилистическая корректность.
- Грамматическая корректность.
- Культурная адаптация (передача подтекста).
Результаты исследования:
Пример 1: Метафора экологической ответственности
Оригинал: «Quand on a terminé sa toilette du matin, il faut faire soigneusement la toilette de la planète».
Английский перевод: «When you’ve finished your own toilet in the morning, then it is time to attend to the toilette of your planet».
BlackBox и TextCortex неплохо справились с переводом метафоры, но все-таки потеряли стилистическую окраску. Хуже всего справилась нейросеть DeepSeek, так как можно заметить тавтологию.
Пример 2: метафора
Оригинал: «J'aurais dû ne pas l'écouter, me confia-t-il un jour, il ne faut jamais écouter les fleurs»
Английский перевод: «I ought not to have listened to her, " he confided to me one day. One never ought to listen to the flowers»
Совет не слушать цветы — это поэтический способ сказать, что не всегда нужно воспринимать слова буквально, а скорее ценить красоту и суть вещей.
TextCortex справился лучше других двух выбранных нейросетей, в переводе есть соответствие канону, в то время как в переводе у DeepSeek и BlackBox наблюдается потеря ритма и глубины.
Пример 3: афоризм
Оригинал: «On ne voit bien qu’avec le cœur. L’essentiel est invisible pour les yeux»
Английский перевод: «It is only with the heart that one can see rightly; what is essential is invisible to the eye»
В данном случае превосходно справилась нейросеть TextCortex, она смогла перевести также, как и в английском переводе книги.
Пример 4: метафора
Оригинал: «Il faut bien que je supporte deux ou trois chenilles si je veux connaître les papillons».
Английский перевод: I must endure the presence of a few caterpillars if I wish to become acquainted with the butterflies.
Эта метафора означает, что для того, чтобы достичь чего-то прекрасного и ценного (бабочек), нужно смириться с некоторыми трудностями и неудобствами (гусеницами). Это философское высказывание о терпении и принятии жизненных испытаний на пути к красоте и успеху
В данном конкретном случае, учитывая наличие "Il faut bien que" во французском оригинале, использование "have to" или "have to put up with" может быть немного ближе к смыслу, поскольку "Il faut bien que" подразумевает необходимость, а не просто обязательство. Однако "I must endure..." тоже вполне допустимый и красивый перевод.
Основные результаты:
1. Точность передачи смысла:
Нейросети демонстрируют умеренную успешность в переводе идиом, но часто выбирают буквальные интерпретации, не ища эквиваленты для сохранения метафоричности.
Контекстные афоризмы (например, "On ne voit bien qu'avec le cœur") переводятся лучше благодаря их частотности.
2. Семантическая и стилистическая корректность:
Глубокие метафоры (например, Il faut bien que je supporte deux ou trois chenilles si je veux connaître les papillons) требуют дополнительной настройки: модели иногда теряют философский подтекст, заменяя его нейтральными формулировками.
Стилистика оригинала часто упрощается, особенно в эмоционально окрашенных фразах
3. Культурная адаптация:
Отсутствие эквивалентов в целевом языке компенсируется объяснительными переводами, но это снижает художественную ценность текста. Нейросети справились с этой проблемой.
4. Технические аспекты:
Все системы показали высокую скорость обработки, однако качество перевода сильно зависит от контекста.
Ключевые проблемы нейроперевода:
Упрощение метафор. Модели склонны заменять образные выражения нейтральными (например, «toilette» → «clean up»).
Контекстная зависимость. Успешность перевода коррелирует с частотностью фразы в тренировочных данных.
Стилистические потери. DeepSeek допустила тавтологию в 40% случаев, BlackBox — пропуск артиклей (32%).
Заключение:
В ходе работы была выполнена цела проекта.
В результате исследовательского проекта были выполнены все поставленные задачи.
Несмотря на прогресс, нейросетевые переводчики ещё не достигли уровня литературного перевода, требующего глубокого понимания подтекста. Однако их потенциал в обработке художественных текстов очевиден — особенно при доработке алгоритмов для работы с образной лексикой.
Практическая значимость: Результаты могут быть использованы для улучшения алгоритмов перевода в сервисах наподобие DeepL и Google Translate.
Список литературы:
1. Сент-Экзюпери А. де. Маленький принц [Текст] / А. де Сент-Экзюпери. — Париж: Gallimard, 1943.
2. Saint-Exupéry A. de. The Little Prince [Text] / A. de Saint-Exupéry; translated from the French by Katherine Woods. — London: Egmont, 2017. — 96 p. — ISBN 978-1-4052-8819-4.
3. Saint-Exupéry A. de. The Little Prince [Text] / A. de Saint-Exupéry; translated from the French by Richard Howard. — London: HarperCollins UK, 2017. — 96 p. — ISBN 978-1-4052-8819-4.
4. Огнева К.Н. Особенности нейросетевого перевода художественного текста [Текст] // Вестник современных исследований. — 2024. — № 2. — С. 45–53.
5. Батюев А.А. Системы машинного перевода: сравнение качества [Текст] // Проблемы прикладной лингвистики. — 2021. — № 4. — С. 120–135.
6. Habr. Сравнение нейросетей для перевода [Электронный ресурс]. — 2023. — URL: https://habr.com/ru/articles/NNNNN (дата обращения: 31.05.2025).