注釈付き対訳合成コーパス

 注釈付き対訳合成コーパス（PASC）プロジェクトは、機械翻訳（MT）や生成型AI向けの自然言語処理（NLP）アプリケーションを含む様々な分野に於いて、大規模な合成コーパスを作成することを目的に立ち上げられました。実際のデータが不足しているか、入手が高額な場合、特に機械学習モデルのトレーニングに使用される合成データは、自然言語に準拠します。人工コーパスは、機械翻訳の品質向上に大いに期待されています。

PASCプロジェクトは「教師あり生成法」（supervised generation）を使用して合成コーパスを作成することを目標とします。既存のコーパスを拡張する拡張コーパスとは異なり、PASCは事前に定義された文の雛形に基き、言語の規則に厳密に従って合成コーパスをゼロから構築します。このきめ細かい方法により、精度の高い翻訳、文アラインメント、文法情報、正確な音素表記等が得られます。

PASCは、分野ごとに数千万から数億の項目から成る大規模なデータベースで構成されています。現在は、特に日中韓諸語とアラビア語向けに、人名、地名、地図上のPOI等の固有表現に着目しており、将来的には技術用語も網羅します。文アラインメント、翻訳の精度、正確な音素表記、多言語対応、充実した注釈や文法情報、統一性等がPASCの特徴と言えます。