Machine translation of modern Chinese poetry into Japanese: A comparative evaluation of LLMs, neural machine translation systems, and prompt strategies

भाषा एक विशाल, परिवर्तनशील परिदृश्य है जहाँ अर्थ केवल शब्दों द्वारा नहीं, बल्कि लय, मौन और एक वाक्यांश के विशिष्ट भार द्वारा वहन किया जाता है। दशकों से, कंप्यूटरों ने इस परिदृश्य को समझना सीखा है, जो कठोर, नियम-आधारित प्रणालियों से लेकर उन न्यूरल नेटवर्क तक विकसित हुए हैं जो मानव मस्तिष्क की पैटर्न खोजने की क्षमता की नकल करते हैं। ये आधुनिक प्रणालियाँ, जिन्हें न्यूरल मशीन ट्रांसलेशन कहा जाता है, समाचार लेखों या तकनीकी नियमावलियों को एक भाषा से दूसरी भाषा में बदलने में उल्लेखनीय रूप से सक्षम हो गई हैं, जो उच्च सटीकता के साथ तथ्यों को पकड़ लेती हैं। हाल ही में, आर्टिफिशियल इंटेलिजेंस की एक नई पीढ़ी, जिसे लार्ज लैंग्वेज मॉडल्स (LLMs) कहा जाता है, इस क्षेत्र में आई है। अपने पूर्ववर्तियों के विपरीत, जो विशेष रूप से अनुवाद के लिए प्रशिक्षित थे, ये मॉडल सामान्य प्रयोजन वाले विचारक हैं जो जटिल निर्देशों का पालन कर सकते हैं और संदर्भ को उस तरह समझ सकते हैं जो बातचीत जैसा महसूस होता है। वे भाषा के उन उलझे हुए, रचनात्मक हिस्सों को संभालने का वादा करते हैं जिनसे मशीनें आमतौर पर संघर्ष करती हैं। लेकिन कविता अंतिम परीक्षा बनी हुई है। एक कविता केवल डिकोड किए जाने वाला संदेश नहीं है; यह कल्पना, सांस्कृतिक बारीकियों और जो कहा गया है और जो अनकहा छोड़ दिया गया है, उनके बीच के नाजुक संतुलन पर निर्मित एक अनुभव है। कविता का अनुवाद करने के लिए एक कंप्यूटर को केवल शब्दों को बदलने से कहीं अधिक करना पड़ता है; उसे एक भावना का पुनर्निर्माण करना होता है। यह एक कठिन प्रश्न खड़ा करता है: क्या ये नए, संवादात्मक मशीनें वास्तव में उन स्थापित उपकरणों की तुलना में कविता का बेहतर अनुवाद कर सकती हैं जिनका हम रोज़ाना उपयोग करते हैं, और क्या जिस तरह से हम उन्हें काम करने के लिए कहते हैं, उससे परिणाम बदल जाता है?

यह पता लगाने के लिए, शोधकर्ताओं ने आधुनिक चीनी कविता पर इन विभिन्न प्रणालियों के प्रदर्शन की तुलना करने का निर्णय लिया, जो संक्षिप्त कल्पना और भावनात्मक गहराई के लिए जानी जाती है। उन्होंने समकालीन कवयित्री यू सिउहुआ की बारह कविताओं का एक विशिष्ट संग्रह चुना, यह सुनिश्चित करते हुए कि पाठ ताज़ा है और पहले मशीनों या मनुष्यों द्वारा अनुवादित नहीं किया गया है। टीम ने दो सबसे लोकप्रिय ऑनलाइन अनुवाद सेवाओं, जो मानक न्यूरल नेटवर्क पर आधारित हैं, को दो अग्रणी लार्ज लैंग्वेज मॉडल्स के विरुद्ध खड़ा किया। यह देखने के लिए कि मशीनों को दिए गए निर्देश मायने रखते हैं या नहीं, उन्होंने दो अलग-अलग स्थितियों के तहत लार्ज लैंग्वेज मॉडल्स का परीक्षण किया। पहले परिदृश्य में, उन्होंने मॉडल्स को पाठ का अनुवाद करने का एक सरल, सीधा आदेश दिया। दूसरे में, उन्होंने मॉडल्स से अनुवाद करने से पहले कविता के अर्थ को विस्तार से समझाने के लिए कहा, जो एक ऐसी रणनीति थी जिसे मशीन को शब्द उत्पन्न करने से पहले संदर्भ को समझने के लिए मजबूर करने हेतु डिज़ाइन किया गया था। इसके बाद प्राप्त अनुवादों का मूल्यांकन चीनी और जापानी साहित्य के आठ विशेषज्ञों के एक पैनल द्वारा किया गया। इन विशेषज्ञों ने कविताओं को न केवल इस आधार पर रेट किया कि अर्थ सही था या नहीं, बल्कि इस पर भी कि अनुवाद का प्रवाह कैसा था, क्या यह एक वास्तविक कविता की तरह सुनाई देता था, और इसमें कितना 'मशीनी' अहसास था।

परिणामों ने नए, निर्देश-अनुसरण करने वाले मॉडल्स के लिए एक स्पष्ट लाभ दिखाया। सरल अनुवाद कमांड दिए जाने पर, लार्ज लैंग्वेज मॉडल्स ने ऐसे संस्करण तैयार किए जो मूल अर्थ के प्रति काफी अधिक वफादार थे, जापानी भाषा में अधिक प्रवाहपूर्ण थे, और मानक ऑनलाइन अनुवादकों की तुलना में मूल काव्य शैली के बहुत करीब थे। मानक उपकरण अक्सर ऐसे अनुवाद उत्पन्न करते थे जो व्याकरण की दृष्टि से सही तो थे लेकिन फीके लगते थे, जिससे लय और शब्दों का विशिष्ट सांस्कृतिक भार खो जाता था। हालाँकि, लार्ज लैंग्वेज मॉडल्स ने कविता को एक संपूर्ण इकाई के रूप में समझा, जिससे वह तनाव और कल्पना बनी रही जो कविता को प्रभावशाली बनाती है। उदाहरण के लिए, जहाँ एक मानक अनुवादक एक अनुष्ठानिक वाक्यांश को गति के शाब्दिक विवरण में बदल सकता है, वहीं लार्ज लैंग्वेज मॉडल्स ने एक गंभीर आदेश के भाव को बनाए रखने में सफलता पाई, जिससे मूल के आध्यात्मिक स्वर को पकड़ा जा सका। उन्होंने कंप्यूटर द्वारा उत्पन्न होने के बहुत कम संकेत भी दिखाए, जिससे वे कठोर वाक्य संरचनाओं से बच सके जो अक्सर मशीन अनुवाद को उजागर कर देती हैं।

हालाँकि, कहानी तब और जटिल हो जाती है जब शोधकर्ताओं ने निर्देश बदल दिए। यह विचार कि मशीन को अधिक संदर्भ देने से—पहले कविता की व्याख्या करने के लिए कहने से—हमेशा बेहतर अनुवाद मिलेगा, गलत साबित हुआ। इस "व्याख्या-प्रथम" रणनीति का प्रभाव पूरी तरह से इस बात पर निर्भर था कि किस विशिष्ट मॉडल का उपयोग किया जा रहा है। एक लार्ज लैंग्वेज मॉडल के लिए, कविता को समझाने के अतिरिक्त चरण ने अनुवाद को वास्तव में बदतर बना दिया। परिणामी कविताएँ बहुत अधिक स्पष्ट हो गईं, अपनी रहस्यमयता और काव्य संक्षेपण को खो बैठीं, जैसे कि मशीन ने पाठ का अत्यधिक विश्लेषण कर दिया हो और उसकी आत्मा को छीन लिया हो। दूसरे मॉडल के लिए, वही रणनीति एक सफलता थी; व्याख्या के चरण ने उसे अपने विचारों को व्यवस्थित करने में मदद की, जिससे अनुवाद अधिक सुसंगत और शैलीगत रूप से मजबूत हुआ। यह सुझाव देता है कि इन मशीनों को प्रॉम्प्ट करने का कोई एक "सर्वश्रेष्ठ" तरीका नहीं है। जो एक प्रणाली के लिए काम करता है वह दूसरी के लिए बाधा बन सकता है, यह इस पर निर्भर करता है कि वह विशिष्ट प्रणाली सूचना को कैसे संसाधित करती है।

शायद सबसे आश्चर्यजनक खोज तब हुई जब शोधकर्ताओं ने दोनों लार्ज लैंग्वेज मॉडल्स की तुलना तब की जब उन दोनों को विस्तृत, व्याख्या-प्रथम निर्देश दिए गए थे। इन विशिष्ट परिस्थितियों के तहत, दोनों मॉडल्स के बीच प्रदर्शन का अंतर समाप्त हो गया। जबकि वे अलग-अलग शक्तियों और कमजोरियों के साथ शुरू हुए होंगे, साझा निर्देश ने उन्हें गुणवत्ता के एक समान स्तर की ओर निर्देशित किया। उन्होंने सटीकता, प्रवाह और शैली के मामले में एक-दूसरे से सांख्यिकीय रूप से अविभेद्य अनुवाद प्रस्तुत किए। यह सुझाव देता है कि हम मशीन को काम करने के लिए कैसे कहते हैं, यह उतना ही महत्वपूर्ण हो सकता है जितना कि स्वयं मशीन। कविता अनुवाद के क्षेत्र में, मॉडल के आंतरिक डिज़ाइन और मानव के प्रॉम्प्ट के बीच की अंतःक्रिया अंतिम परिणाम का निर्माण करती है। अध्ययन यह निष्कर्ष निकालता है कि हम केवल सबसे शक्तिशाली आर्टिफिशियल इंटेलिजेंस को चुनकर यह उम्मीद नहीं कर सकते कि वह साहित्य को पूरी तरह से संभाल लेगा। इसके बजाय, मशीनों के साथ कविता का अनुवाद उपकरण और निर्देशों के बीच एक नाजुक समझौता है, जहाँ लक्ष्य वह विशिष्ट संयोजन खोजना है जो मशीन को पीछे हटने और कविता को सांस लेने देने की अनुमति दे सके।