💬 NLP

Neural Machine Translation for Coptic-French: Strategies for Low-Resource Ancient Languages

本文首次系统研究了将科普特语翻译为法语的方法，证明利用风格多样且具备噪声感知能力的语料库进行微调，可显著提升翻译质量，并为低资源古代语言提供宝贵见解。

原作者： Nasma Chaoui, Richard Khoury

发布于 2026-05-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Nasma Chaoui, Richard Khoury

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你有一本非常古老、布满灰尘且略有破损的书，用一种名为科普特语（Coptic）的古代语言写成。你想把它翻译成现代法语，以便更多人能够阅读。问题在于？如今会说科普特语的人寥寥无几，而且现有的计算机程序（人工智能）中，也没有多少懂得如何进行这种翻译。

这篇论文就像一本食谱，作者纳丝玛·沙伊（Nasma Chaoui）和理查德·库里（Richard Khoury）在其中测试了不同的“烹饪方法”，以探索如何为这项特定任务构建最佳的翻译器。他们并非凭空猜测，而是通过实验寻找将古代文本转化为现代法语的最可靠途径。

以下是他们旅程的分解，辅以简单的类比：

1. 核心问题：我们该如何开始？

作者提出了四个主要问题，将它们视为攀登高峰的四条不同路径：

路径 A：直接路线（微调）。 选取一个对语言略知一二的智能 AI，专门针对“科普特语到法语”进行“训练”。这就像聘请一位私人导师，专门辅导一名普通学生掌握科普特语。
路径 B：枢纽路线（绕道）。 先将科普特语翻译成英语，再将英语结果翻译成法语。这就像试图先飞往伦敦，再转乘火车前往巴黎。
路径 C：“魔法提示”路线。 要求一个懂科普特语和英语的智能 AI 直接“说法语”，无需任何额外训练。这就像要求一位只会做意大利菜的厨师，仅凭礼貌的请求，突然做出一道完美的法式菜肴。
路径 D：多语言路线。 使用一个掌握 100 种语言但未在任一语言上专精的巨型 AI。这就像试图用瑞士军刀进行手术；它拥有工具，但可能缺乏精度。

结果： “直接路线”（路径 A）完胜。专门为“科普特语到法语”训练模型，远比使用绕道或指望通用 AI 自行领悟要有效得多。

2. 选择正确的“学生”（模型）

一旦决定训练模型，他们必须挑选从哪个模型开始。他们测试了四位不同的“学生”：

专家： 一个已经懂科普特语但只会说英语的 AI。
多语言者： 一个懂科普特语和法语，但属于一个包含 100 种语言的庞大群体的 AI。
通才： 一个懂法语但完全不懂科普特语的 AI。
表亲： 一个在象形文字（科普特语的古代祖先）上受过训练的 AI。

结果： 多语言者（那个已经同时掌握科普特语和法语的模型）是最佳学生。然而，表亲（象形文字专家）的表现也令人惊讶地出色！这就像发现，如果你教某人阅读古埃及象形文字，他们掌握科普特语的速度，远比从未接触过古代语言的人要快得多。这证明了掌握一门“表亲”语言大有裨益。

3. 多样性的力量（多种翻译）

古代文本很棘手，因为科普特语中的一个句子可能有三种不同的法语译法，且这三种译法都是正确的。作者不禁思考：我们应该只教 AI 一种译法，还是教它所有三种？

他们通过训练 AI 仅使用《圣经》译本的一个版本，以及混合使用所有三个版本，来测试这一点。

结果： 在所有三个版本上训练的 AI 最为灵活且最像人类。它学会了并非只有一种“正确”的表达方式。它变得更擅长捕捉含义，而不仅仅是复制单词。这就像通过向学生展示三种不同的文章写法来教导他们；他们比只看到一个僵化模板时，能更好地掌握核心思想。

4. 让 AI“变强”（处理噪声）

古老的手稿往往破损不堪。字母可能缺失（页面有洞）、模糊不清，或被扫描仪误读。作者想知道：我们能否让 AI 足够强大，以应对这些错误？

他们通过故意“破坏”训练数据来模拟这种情况。他们随机删除字母、交换字母，或用外观相似的字母替换它们，就像破损的手稿一样。

结果：

如果你在完美、干净的文本上训练 AI，当它看到破损页面时，会彻底失败。
如果你在50% 受损的文本上训练 AI，它就会变成超级英雄。它学会了猜测缺失的部分并忽略模糊之处。
最佳点是在50% 噪声下进行训练。这创造了一个足够稳健的翻译器，能够处理现实世界中那些布满灰尘、破损的古代书籍，而不会崩溃。

最终结论

作者成功构建了首个可靠的“科普特语到法语”翻译器。他们的秘诀并非单一因素，而是以下要素的结合：

专门针对该语言对训练模型（不使用绕道）。
从已经掌握该古代语言或其“表亲”（象形文字）的模型开始。
向其提供表达同一内容的多种不同方式（风格多样性）。
故意“破坏”一半的训练数据，使 AI 学会抵御损伤。

他们发布了这两个最佳模型（一个基于多语言者，另一个基于象形文字专家），以便埃及学家和历史学家最终能够利用 AI 解锁古代科普特手稿的秘密，即使这些手稿有些破旧不堪。

技术摘要：科普特语 - 法语神经机器翻译

问题陈述

神经机器翻译（NMT）在现代语言方面已取得显著进展，但由于数据稀缺，历史和古代语言仍代表性不足。科普特语作为埃及语系的最后阶段，对埃及学和早期基督教研究至关重要，但缺乏稳健的 NMT 工具，尤其是针对翻译成法语的工具。现有资源主要局限于翻译成英语或阿拉伯语。本文通过系统研究将科普特语翻译成法语的策略来填补这一空白，重点关注低资源古代语言翻译中固有的四个核心挑战：

翻译策略：是直接翻译还是使用中间语言（如英语）。
模型选择：如何选择最佳预训练模型进行微调。
数据多样性：在同一文本的多种风格版本上进行训练的影响。
鲁棒性：如何处理古代手稿中常见的噪声和损坏（例如缺失字符、OCR 错误、拼写变体）。

方法论

作者利用对齐的圣经语料库构建了一个综合流程，以评估四个不同的实验阶段：

1. 数据集构建与预处理

来源：科普特语文本提取自Coptic SCRIPTORIUM项目（Sahidic 新约和旧约）。
目标：选择了三种公共领域的法语圣经译本（Louis Segond、Crampon 和 Darby），以体现风格多样性。
对齐：使用经文 ID 自动对齐经文。
罗马化：由于标准 Transformer 词汇表不支持原始科普特语 Unicode，使用uroman工具对科普特语文本进行罗马化。
划分：采用书籍级别的划分以防止数据污染。部分书籍（哥林多前书、马可福音、加拉太书、希伯来书）被保留用于测试，其余 59 本书籍构成训练集。

2. 实验阶段

本研究通过受控实验评估了四个具体的研究问题：

微调的相关性：作者比较了四种方法：
1. 将特定的科普特语模型（Enis）微调至法语。
2. 直接使用多语言模型（Helsinki）。
3. 零样本提示科普特语模型以输出法语。
4. 中间语言策略（科普特语 $\to$ 英语 $\to$ 法语）。
预训练模型选择：在科普特语 - 法语语料库上微调了四个预训练模型：
- Enis：一个科普特语到英语的模型。
- Helsinki：一个多语言圣经训练模型（科普特语/法语）。
- T5：一个通用模型（接触法语，无科普特语）。
- Hiero：一个象形文字到英语/德语的模型（相关语系）。
微调数据集选择：表现最佳的模型（Helsinki 和 Hiero）分别在单个法语译本和所有三种译本的组合数据集上进行训练，以评估风格变化的益处。
对噪声的鲁棒性：为了模拟手稿退化，作者向训练数据中注入了噪声：
- 缺失部分：2% 的字符删除。
- 拼写错误：2% 的相邻字符交换。
- OCR 错误：10% 的字符被视觉上相似的字符替换。
  模型在不同噪声水平（0%、10%、30%、50%、100%）下训练，并在干净数据和噪声数据上进行测试。

3. 评估指标

鉴于单个科普特语经文可以有多种有效的法语翻译，词汇重叠指标（如 BLEU）被认为不足。本研究利用了语义相似性和学习指标：

BERTScore：上下文令牌相似度。
BLEURT：预测人类质量判断的学习指标。
COMET：基于多语言 BERT 的翻译质量指标。
METEOR：包含同义词和词干的单字匹配。

主要结果

1. 翻译策略

微调至关重要。微调后的科普特语到法语模型在所有指标上均显著优于所有替代方案。

微调在所有指标中取得了最高分数（例如 BERTScore 0.820）。
中间语言策略（科普特语 $\to$ 英语 $\to$ 法语）和零样本提示表现不佳，通常比基线模型更差，表明误差累积和解码期望不匹配。
未经微调的多语言模型在低资源语言对上表现次优。

2. 模型选择

在相关语言或目标语言对上预训练至关重要。

Helsinki模型（在科普特语和法语圣经文本上预训练）取得了最佳的整体性能（BERTScore 0.850，COMET 0.731）。其成功归因于其预训练语料库中同时包含源语言和目标语言，以及领域对齐（圣经文本）。
Hiero模型（在象形文字上训练，属于相关语言）表现第二佳，证明了知识在相关古代语言之间有效迁移。
缺乏科普特语或相关语言接触（T5）的模型表现最差。

3. 数据多样性

风格多样性提高了泛化能力。

在单个法语译本上训练的模型，在测试该相同译本时表现最佳（高词汇匹配）。
然而，在所有三种译本上训练的模型在所有测试集中始终取得了最高的BLEURT 和 COMET 分数。这表明接触多种有效翻译使模型能够学习更好的语义表示，并生成整体质量更高的翻译，即使措辞与特定参考略有不同。

4. 对噪声的鲁棒性

受控的噪声注入增强了韧性。

在干净数据（0% 噪声）上训练的模型在干净测试数据上表现最佳，但在噪声数据上测试时性能严重下降（Hiero 在 BLEURT 上高达 53%）。
在50% 噪声下训练的模型实现了最佳权衡。它们在干净数据上保持了高性能，同时在噪声输入上显示出明显较小的性能下降（平均下降幅度小于 15%）。
这表明对于古代语言翻译，在训练过程中注入模拟损坏是处理现实世界手稿退化的必要策略。

意义与贡献

本文声称呈现了首个关于将科普特语翻译成法语策略的系统研究。其主要贡献如下：

实证验证：证明了针对特定任务的微调优于基于中间语言或零样本的古代语言翻译方法。
迁移学习：确认了在相关古代语言（象形文字）或特定语言对（科普特语 - 法语）上预训练的模型能产生最佳结果。
数据策略：确立了在风格多样的语料库（多种圣经译本）上进行训练可提高语义鲁棒性和整体翻译质量。
噪声鲁棒性：为低资源古代语言 NMT 提供了实用指南：在训练期间注入约50% 的噪声可创建对历史手稿中固有的损坏具有韧性的模型，而不会过多牺牲干净文本上的性能。

作者得出结论，这些发现为开发其他低资源或古代语言对的 NMT 工具提供了实用指导，其适用范围超出了特定的科普特语 - 法语案例。生成的模型和代码已公开可用。