CC BY
68
https://www.doi.org/10.33910/1992-6464-2022-205-14-20 EDN XWRFJQ
А. В. Бояркина
ЦИФРОВЫЕ ТЕХНОЛОГИИ В ХУДОЖЕСТВЕННОМ ПЕРЕВОДЕ (НА ПРИМЕРЕ НЕМЕЦКОЯЗЫЧНЫХ ТЕКСТОВ)
Несмотря на все достижения в области новых технологий, машинный перевод не может создать целостный текст, который бы воспроизводил на другом языке исходное художественное произведение во всем его сложном многообразии. Проблемы возникают не только при переводе имен собственных, неологизмов, лексической полисемии, но прежде всего при передаче авторского стиля и стилистических нюансов контекста произведения. В данной статье анализируется проблема включения достижений цифровых технологий в работу современного переводчика художественных текстов и возможности их использования в обучении переводу.
Ключевые слова: художественный перевод, цифровые технологии в переводе, машинный перевод, автоматизация процесса перевода, подстрочник, обучение художественному переводу
A. Boyarkina
DIGITAL TECHNOLOGIES IN LITERARY TRANSLATION: A CASE STUDY OF TEXTS IN GERMAN
Despite significant advances in new technology, machine translation cannot create a single text that conveys an original work of fiction in all its complexity. Issues arise not only in translation ofproper names, neologisms, and lexical polysemy but, above all, in transfer of the author's style and stylistic nuances of the context. This paper analyses ways of incorporating advances in digital technology into the work of a modern literary translator and possibilities of using new technologies in translator training.
Keywords: literary translation, digital technologies in translation, machine translation, automation of the translation process, interlinear translation, learning to translate
Введение
Цифровые технологии довольно активно внедряются в работу переводчика, особенно в таких сферах, как письменный перевод в официально-деловом дискурсе. Формуль-ность, терминологичность данных текстов позволяет во многих случаях однозначно трактовать содержание, с чем машинный перевод может успешно справиться. В переводах художественной литературы средства автоматизации применяются реже, хотя оптимизировать поиск или провести предпе-реводческую работу с использованием кросс-языкового контента эти средства позволяют. Так, большое количество электрон-
ных словарей и справочной литературы могут сократить время поиска информации при переводе, корпусные данные помогают уточнить значение лексико-семантических вариантов, контексты использования лексики, фразеологизмов. То есть некоторые средства автоматизации могут с успехом применяться и при переводе художественных произведений. Однако связный текст, порождаемый машинным переводчиком, все еще требует серьезной доработки и, следовательно, вопросы включения цифровых технологий в работу современного переводчика художественных текстов и изучение возможности их использования в обучении переводу оста-
ются актуальными. Целью данного исследования является оценка эффективности некоторых современных цифровых инструментов в переводе художественных текстов, определение возможности достижения улучшения качества и повышения скорости перевода с их помощью.
Искусственный интеллект в переводе
Перевод художественных текстов с помощью машинных переводчиков используется редко, так как на данном этапе он пока не может обеспечить высокого уровня эквивалентности, на что указывают исследователи и переводчики-практики. Трудно не согласиться с тезисом, что «машина» обеспечивает дословный перевод без учета контекста всего произведения [6; 7; 8; 12], не сохраняет авторский стиль, черты эпохи. То есть в машинном переводе передаются лишь отдельные слова, но не смыслы. Данная тема вызывает серьезную дискуссию в научной литературе [5; 9; 11] — отмечается, что машинный перевод на некоторые европейские языки порождает текст, позволяющий понять фабулу произведения примерно на 25-30%. На фоне практического отсутствия погрешностей на уровне синтаксиса основные проблемы вызывает подбор лексики, связность текста [13]. При этом переводы на другие языки, в частности на русский, дают меньший показатель эквивалентности — всего около 15% перевода воспринимается носителями языка как приемлемый [10]. Одну из главных проблем машинного перевода художественного текста исследователи видят в том, что машинный переводчик хотя и порождает текст, фактически «не понимает» его — машина не в состоянии оперировать знаниями о реальном мире и не способна использовать и интерпретировать эти знания, а значит — не способна выстроить контекст. В связи с этим устойчивый интерес у исследователей вызывают обсуждения перспектив цифрового перевода [2; 3] и использования цифровых инструментов при переводе [4].
Особенности художественного текста и машинный перевод
Сочетание различных видов информации в художественном тексте [1] порождает сложное единое целое. При этом средства оформления эстетической информации, основной для художественного текста, вызывают затруднения для передачи и в «ручном» переводе, не говоря уже о машинном. Метафоры, авторские неологизмы, игра слов, ирония, синтаксическая специфика, диалектизмы и другие стилистические средства не передаются при машинном переводе либо передаются со значительными искажениями. Сложности вызывает также передача временной дистанции, литературного направления, индивидуального стиля автора. В случае, если это поэтический текст, появляется дополнительная задача сохранить размер и стопность, каденцию, тип чередования рифм, звукопись, количество и место в стихе лексических и синтаксических повторов. То есть при переводе художественного текста необходимо учитывать довольно широкий спектр особенностей исходного текста, при передаче которого требуются обширные дополнительные знания, умения и опыт.
Машинный перевод не передает специфической многозначности исходного художественного текста. Орфографические и грамматические ошибки в этом переводе встречаются редко, основные проблемы связаны с нарушением порядка слов и стилистическими неточностями. И хотя при машинном переводе создается иллюзия экономии времени, обработка этого текста занимает порой не меньше времени, чем «ручной» перевод: перед «проведением» машинного перевода необходимо дополнительное форматирование текста, после осуществления перевода требуется сверка оригинала и переведенного текста на предмет смысловых неточностей и фактологических ошибок, уточнение терминологии, правописания имен собственных, топонимов, стилистическая правка. То есть «очарование»
готовым текстом (буквальным переводом) обманчиво, машинный перевод предоставляет скорее подстрочник, который требует тщательной проверки и редактирования.
Основными ресурсами, к которым прибегают переводчики при работе с художественными текстами, на данный момент являются Google Translate, Microsoft (Bing) Translator, Yandex Translate, DeepL Translator, Reverso, PONS, Linguee. Каждый из них позволяет проверить перевод отдельных слов, фраз, однако при обработке целого текста обнаруживаются сбои. Так, на примере перевода басни Новалиса «Философ» (табл. 1) можно выявить ряд проблем, возникающих при машинном переводе в паре языков немецкий — русский.
Текст небольшой басни Новалиса представляет собой два диалога, причем в первом преобладает императивность (требование тирана, которое подается с эмфатическом порядком слов, распадается на два неудобных для перевода фрагмента). Диалог с друзьями более эмоциональный (töricht, Unmögliches). Завершается басня неожиданным высказыванием, однако мораль формулируется в эпиграфе. Когнитивная информация представлена общеупотребительной лексикой, именами собственными, скупо представлена эмоциональная информация (мнений и оценок мало), нет тропов и фигур стиля.
В примере первый перевод выполнен с помощью ресурса Yandex Translate, и сразу обращает на себя внимание проблема оформ-
Таблица 1
Сравнение трех машинных переводов басни «Философ» («Der Philosoph») Новалиса на предмет полноты и точности перевода
Исходный текст
Der Philosoph Verzug schadet selten
"Lehre meinem Kanarienvogel", sprach ein Tyrann zu einem Philosophen, "den Homer, daß er ihn auswendig hersagen kann, oder geh aus dem Lande; unternimmst du es, und es gelingt nicht, so mußt du sterben". — "Ich will es ihm lehren", sprach der Weise, "aber ich muß zehn Jahre Zeit
haben".--"Warum
warst du so töricht", fragten ihn hernach seine Freunde, "und unternahmst etwas Unmögliches?"
Lächelnd antwortete er: "In zehn Jahren bin ich oder der Tyrann oder der Vogel gestorben".
Yandex Translate
философ
Дефолт редко вредит
«Научи мою канарейку, — говорил тиран философу, — Гомеру, чтобы он мог произнести ее наизусть, или уходи из страны;
если ты сделаешь это, и не удастся, то ты должен умереть». —
«Я хочу научить его, — говорил мудрец, — но мне нужно десять лет».
«Почему ты был так глуп, — спрашивали его его друзья, — и предпринял что-то невозможное?»
Улыбаясь, он ответил: «Через десять лет я или тиран, или птица умерла».
Google Translate
философ
Промедление редко причиняет боль
«Научи мою канарейку, — сказал тиран философу, — что Гомер может читать ее наизусть или уехать из страны;
если вы предпримете это, и это не увенчается успехом, вы должны умереть.
— «Я научу его, — сказал мудрец, - но у меня должно быть десять
лет». —
«Почему ты был таким глупым», - спросил его впоследствии его друзья, «и сделал что-то невозможное?»
Он ответил с улыбкой: «Через десять лет я или тиран, или птица умрем».
DeepL Translator
философ
Промедление редко приносит вред
«Научи мою канарейку, — сказал тиран философу, — Гомеру, чтобы он читал его наизусть, или убирайся из страны;
возьмешься за дело, потерпи неудачу, и ты должен умереть». —
«Я научу его, - сказал мудрец, — но у меня должно быть десять лет». —
«Почему ты был таким глупцом, — спрашивали его потом друзья, — что решился на невозможное?»
Улыбаясь, он ответил: «Через десять лет я, или тиран, или птица будут мертвы».
ления текста — название басни дается со строчной буквы и это означает, что переводчику необходимо контролировать оформление текста на всем протяжении перевода, дополнительно сверяясь с оригиналом (ни в одном из трех машинных переводов не сохраняется также курсив эпиграфа). Эпиграф в этом переводе вызывает особенно много вопросов. Согласно словарям (например, «Мультитран»), перевод существительного Verzug действительно предполагает около 30 вариантов, однако «дефолт», выбранный Yandex Translate, происходит из банковской сферы, и он явно не подходит для данного контекста. Довольно спорный перевод в эпиграфе глагола schaden, который также предполагает варианты и означает «вредить, причинять ущерб, повреждение, опорочить». Необходимо заметить, что и другие ресурсы предлагают неудачные варианты (Промедление редко приносит вред), самый неудачный перевод можно наблюдать у Google (Промедление редко причиняет боль). В данном контексте фразу необходимо перестроить и передать смысл высказывания: промедление не всегда вредит, промедление иногда благоприятно, ожидание иногда к лучшему.
Возвращаясь к первому переводу, необходимо обратить внимание на проблемы передачи исходного синтаксиса. Разрыв фразы в первом же обращении тирана к философу влечет за собой полное затемнение смысла при переводе, причем во всех трех переводах: «Научи мою канарейку ...Гомеру», «Научи мою канарейку .что Гомер может читать». Выход из положения — перестроить структуру, то есть не делить фразу согласно оригиналу, а дать объяснение (говорил/сказал тиран философу) после всего высказывания, выраженного целиком. Вызывает вопросы также вид глагола (говорил/сказал) и выбор лексики из других стилевых регистров (предпринял, глуп).
Во втором переводе (Google) обращает на себя внимание спорное использование устойчивых выражений (увенчается успехом),
прямолинейная передача модальности (но у меня должно быть десять лет), рассогласование (спросил его впоследствии его друзья). В третьем переводе (DeepL) также наблюдаются неудачные переводческие решения, затемнение смысла в некоторых фразах (возьмешься за дело, потерпи неудачу, и ты должен умереть). Однако в целом третий перевод можно считать чуть более точным.
При сравнении трех машинных переводов, предложенных разными ресурсами, становится очевидно, что ни один из них не выдает «готовый» текст. Проблемы наблюдаются при передаче семантической связности в рамках целого текста, нарушается стилевое единство (выбор машины падает на частотную лексику, а не на подходящую по контексту), встречаются орфографические и пунктуационные ошибки (межъязыковая интерференция), ошибки при передаче имен собственных и топонимов (когнитивная информация). Передача эстетической информации (игра слов, многозначность) — под вопросом. То есть очевидно, что системы при переводе художественного текста стремятся к точности, но при этом не учитывают контекст.
В качестве эксперимента рассматриваемый текст Новалиса был переведен студентами, причем два студента переводили с помощью машинного перевода (использовались одновременно несколько ресурсов с последующим постредактированием), третий перевод был выполнен «вручную» (табл. 2).
В первом из представленных переводов обнаруживаются проблемы передачи стилистических нюансов контекста (чувствуется завышение стиля — увенчается успехом, безрассуден). Сделана попытка переосмыслить эпиграф, однако при переводе не достигнута ясность. Сохранен исходный, неудобный для перевода, синтаксис — разрыв фразы по-прежнему мешает пониманию предложения в целом. Из положительного необходимо отметить бережное отношение к передаче исходного оформления текста (курсив в эпиграфе). Второй перевод воспринимается скорее как буквальный.
Таблица 2
Сравнение трех студенческих переводов басни Новалиса
Текст
1 студент/ машинный перевод
2 студент/ машинный перевод
3 студент/ «ручной» перевод
Der Philosoph
Verzug schadet selten
"Lehre meinem Kanarienvogel", sprach ein Tyrann zu einem Philosophen, "den Homer, daß er ihn auswendig hersagen kann, oder geh aus dem Lande; unternimmst du es, und es gelingt nicht, so mußt du sterben". —
"Ich will es ihm lehren", sprach der Weise, "aber ich muß zehn Jahre Zeit haben". — "Warum warst du so töricht", fragten ihn hernach seine Freunde, "und unternahmst etwas Unmögliches?"
Lächelnd antwortete er: "In zehn Jahren bin ich oder der Tyrann oder der Vogel gestorben".
философ
То, что приходит с опозданием, редко вредит
Научи мою канарейку Гомеру, — сказал Тиран философу, — чтобы она могла читать его наизусть, или покинь эту страну; если попытка твоя не увенчается успехом, то ты умрешь.
— Я готов научить ее,
— сказал мудрец, — но для этого мне понадобятся десять лет.
— Почему ты был столь безрассуден, — спросили философа его друзья,
— и взялся за нечто невозможное? Улыбаясь, он ответил: «Через десять лет меня, или тирана, или канарейки уже не будет в живых».
философ
Терпение редко вредит. «Научи мою канарейку, — сказал тиран философу, — наизусть читать/петь Гомера, или убирайся вон из страны; Если ты решишь ее учить, но у тебя ничего не выйдет, то тебя будет ждать смерть». — «Я научу ее, — сказал мудрец, — но мне понадобится на это 10 лет». — «Почему ты такой глупец», — спросили впоследствии его друзья, «и согласился сделать невозможное?» Он ответил с улыбкой: «Через десять лет умру либо я, либо тиран, либо птица»
философ
Медлительность вредит редко
— Научи мою канарейку читать Гомера наизусть, — сказал тиран философу, — или убирайся из моей страны; но если возьмешься за дело, а у тебя не получится, ты умрешь.
— Я ее научу, — сказал мудрец, — но на это мне нужно десять лет.
— Почему ты поступил так безрассудно, — спросили его потом друзья, — и взялся за что-то невозможное? Улыбаясь, философ ответил:
— Через десять лет умру либо я, либо тиран, либо птичка.
Сохранение исходных синтаксических структур по-прежнему мешает пониманию текста в целом, есть погрешности в выборе лексики, в передаче цифровой информации. Третий, «ручной», перевод воспринимается как более гармоничный в первую очередь за счет начальной фразы (Научи мою канарейку читать Гомера наизусть, — сказал тиран философу, — или убирайся из моей страны), естественного порядка слов и выбора лексики.
Важно подчеркнуть, что студенты, работавшие с машинным переводом, воспринимали необходимость дополнительной подготовки текста — обработку текста (распознавание, форматирование, проведение через машинный переводчик) и сверку оформления исходного текста с пере-
водом — как серьезные трудности. Студентам было сложно работать с уже «готовым» переводом. Наличие переводного текста, составленного машинным переводчиком, демотивировало студентов работать самостоятельно, лишало их инициативы искать свои переводческие решения. Студенты также не были готовы к редактированию текста после обработки текста машинным переводчиком (постредактированию). К тому же постоянная сверка с оригиналом оказалась довольно затратной по времени. А ошибки машинного перевода в каждом предложении (смысл, грамматика, стиль) полностью искажали собственное впечатление от исходного текста и мешали породить целостный текст при переводе.
Заключение
Данный эксперимент заставляет задуматься о том, можно ли машинный перевод художественных текстов воспринимать как уже «готовый переводческий продукт»? Очевидно, что его доработка требует слишком больших усилий и по функции этот перевод является скорее аналогом подстрочника — особого типа текста, который выполнялся и раньше, особенно в советское время при переводе с редких языков (например, при переводе Б. Л. Пастернака с грузинского или В. Я. Брюсова и К. Д. Бальмонта с армянского). Второй вопрос — можно ли актуальные тренды в переводе художественного текста эффективно внедрить в практику обучения студентов? Очевидно, что все, касающееся автоматизации перевода (распознавание текста (линза), использование электронных словарей, проверка орфографии, пунктуации, стиля), студенты довольно активно применяют самостоятельно. Но вот умению подготавливать текст к машинному переводу и редактировать его после обработки машин-
ным переводчиком (постредактировать) необходимо систематически обучать.
Художественный перевод — один из самых сложных видов перевода, в котором личность переводчика очень важна. Постредактирование художественного текста и перевод — два разных вида деятельности, причем на данном этапе развития цифровых технологий потери качества при постредактировании оказываются выше и возможны на всех этапах: начиная с подготовки текста к машинному переводу и завершая работой с подстрочником, сверкой с оригиналом. Проблемы, с которыми сталкивается переводчик, используя машинный перевод, связаны не только с большим количеством ошибок (в оформлении текста, передаче фактологической информации, выборе лексики и т. д.), но прежде всего с отсутствием связного текста после перевода. То есть машинный перевод при работе с художественным текстом можно воспринимать пока только как некую помощь, подстрочник, основную работу по-прежнему выполняет человек.
СПИСОК ЛИТЕРАТУРЫ
1. Алексеева И. С. Введение в переводоведение. М.: Академия, 2008. 368 с.
2. Гамбье И. Перевод и переводоведение на перекрестке цифровых технологий // Вестник Санкт-Петербургского университета. Язык и литература. 2006. № 13 (4). С. 56-74.
3. Гудий К. А. Конкуренция переводчика французского языка с роботом: прогнозы и перспективы // Вестник Московского университета. Серия 22: Теория перевода. 2021. № 2. С. 4-11.
4. Метревели М. Г. Как улучшить инструменты цифрового перевода // Вестник Московского университета. Серия 22: Теория перевода. 2021. № 2. С. 108-116.
5. Fonteyne M., Tezcan A., Macken L. Literary machine translation under the magnifying glass: Assessing the quality of an NMT-translated detective novel on document level // Proceedings of the 12th Language Resources and Evaluation Conference. Paris: European Language Resources Association Publ., 2020. P. 3790-3798.
6. GoldhammerA. The Perils of Machine Translation // The Wire. December 11, 2016. [Online]. Available at: https://thewire.in/tech/machine-translation (accessed 10.02.2022).
7. Hofstadter D. The shallowness of Google Translate // The Atlantic. January 30, 2018. [Online]. Available at: https://www.theatlantic.com/technology/archive/2018/01/the-shallowness-of-google-translate/551570/ (accessed 10.02.2022).
8. Kenny D., Winters M. Machine Translation, ethics and the Literary Translator's Voice // Translation Spaces, 9/1. Amsterdam: John Benjamins Publ., 2020. P. 123-149.
9. Laubli S., Sennrich R., Volk M. Has machine translation achieved human parity? A case for document-level evaluation // Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. Brussels: Association for Computational Linguistics Publ., 2018. P. 4791-4796. http://dx.doi.org/10.18653/v1/ D18-1512
H3BecTHH Prny hm. A. H. Tep^Ha
10. Matusov E. The challenges of using neural machine translation for literature // Proceedings of the Qualities of Literary Machine Translation. Dublin: European Association for Machine Translation Publ., 2019. P. 10-19.
11. Mohar T., Orthaber S., Onic T. Machine Translated Atwood: Utopia or dystopia? // ELOPE: English Language Overseas Perspectives and Enquiries. 2020. Vol. 17. No. 1. P. 125-141. https://doi.org/10.4312/ elope.17.1.125-141
12. Taivalkoski-Shilov K. Ethical issues regarding machine(-assisted) translation of literary texts // Perspectives. Studies in Translation Theory and Practice. 2019. Vol. 27. No. 5. P. 689-703. https://doi.org/10.1080/090767 6X.2018.1520907
13. Toral A., Wieling M., Way A. Post-editing effort of a novel with statistical and neural machine translation // Frontiers in Digital Humanities. Vol. 5. Article 9. https://doi.org/10.3389/fdigh.2018.00009
REFERENCES
1. Alekseeva I. S. Vvedenie v perevodovedenie. M.: Akademiya, 2008. 368 s.
2. Gamb'e I. Perevod i perevodovedenie na perekrestke tsifrovykh tekhnologij // Vestnik Sankt-Peterburgskogo universiteta. Yazyk i literatura. 2006. № 13 (4). S. 56-74.
3. Gudij K. A. Konkurentsiya perevodchika frantsuzskogo yazyka s robotom: prognozy i perspektivy // Vestnik Moskovskogo universiteta. Seriya 22: Teoriya perevoda. 2021. № 2. S. 4-11.
4. Metreveli M. G. Kak uluchshit' instrumenty tsifrovogo perevoda // Vestnik Moskovskogo universiteta. Seriya 22: Teoriya perevoda. 2021. № 2. S. 108-116.
5. Fonteyne M., Tezcan A., Macken L. Literary machine translation under the magnifying glass: Assessing the quality of an NMT-translated detective novel on document level // Proceedings of the 12th Language Resources and Evaluation Conference. Paris: European Language Resources Association Publ., 2020. P. 3790-3798.
6. Goldhammer A. The Perils of Machine Translation // The Wire. December 11, 2016. [Online]. Available at: https://thewire.in/tech/machine-translation (accessed 10.02.2022).
7. Hofstadter D. The shallowness of Google Translate // The Atlantic. January 30, 2018. [Online]. Available at: https://www.theatlantic.com/technology/archive/2018/01/the-shallowness-of-google-translate/551570/ (accessed 10.02.2022).
8. Kenny D., WintersM. Machine Translation, ethics and the Literary Translator's Voice // Translation Spaces, 9/1. Amsterdam: John Benjamins Publ., 2020. P. 123-149.
9. Laubli S., Sennrich R., Volk M. Has machine translation achieved human parity? A case for document-level evaluation // Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing. Brussels: Association for Computational Linguistics Publ., 2018. P. 4791-4796. http://dx.doi.org/10.18653/v1/ D18-1512
10. Matusov E. The challenges of using neural machine translation for literature // Proceedings of the Qualities of Literary Machine Translation. Dublin: European Association for Machine Translation Publ., 2019. P. 10-19.
11. Mohar T., Orthaber S., Onic T. Machine Translated Atwood: Utopia or dystopia? // ELOPE: English Language Overseas Perspectives and Enquiries. 2020. Vol. 17. No. 1. P. 125-141. https://doi.org/10.4312/ elope.17.1.125-141
12. Taivalkoski-Shilov K. Ethical issues regarding machine(-assisted) translation of literary texts // Perspectives. Studies in Translation Theory and Practice. 2019. Vol. 27. No. 5. P. 689-703. https://doi.org/10.1080/090767 6X.2018.1520907
13. Toral A., Wieling M., Way A. Post-editing effort of a novel with statistical and neural machine translation // Frontiers in Digital Humanities. Vol. 5. Article 9. https://doi.org/10.3389/fdigh.2018.00009
