WPMLのPrivate Translation Cloud（PTC）は、WPMLの社内翻訳品質評価において100点満点中90.0点を獲得しました。最も強力な主要AI翻訳エンジンと広く見なされているDeepLのスコアは77.7点です。全体としてPTCはDeepLを12.3点上回り、言語学者が採点した9つの品質ディメンションすべてで勝利し、ページあたりのミスを約18分の1に削減しています。
概要
| 指標 | DeepL |
PTC
|
|---|---|---|
| 平均翻訳品質スコア（0〜100） | 77.7 | 90.0 |
| 翻訳済みページあたりの平均問題数 | 1.27 | 0.07 |
| PTCがDeepLより高スコアを獲得した品質ディメンション | — | 9/9 |
| PTCがDeepLより高スコアを獲得したテスト対象言語 | — | 6/6（アラビア語、英語、フランス語、ドイツ語、イタリア語、スペイン語） |
本調査の実施理由
お客様からのフィードバックに基づくと、DeepLはWordPressエコシステムにおけるAI翻訳品質のベンチマークとして広く見なされています。お客様から人力によるレビューなしでAI翻訳コンテンツを公開できるかという質問を受ける際、通常は暗黙の比較対象としてDeepLが想定されています。
WPMLが独自のAI翻訳エンジンであるPrivate Translation Cloud（PTC）を構築したのは、「十分な品質」では満足できなかったためです。PTCはWPMLのすべてを翻訳するモードのデフォルトエンジンであり、WPMLを実行している150万以上のサイトで自動翻訳の大部分を処理しています。
私たちは、見込み客から毎週寄せられる「PTCは実際にDeepLと比較してどうなのか？」という質問に対する測定可能な回答を求めていました。本調査がその答えです。上記の数値は概要であり、この記事の残りの部分では、それらの数値がどのように算出されたか、そして実際の本番サイトにとって何を意味するのかを説明します。
測定対象と測定方法
WPMLの言語チームが現在進行中のPTCクライアントサイトのレビューで使用しているのと同じフレームワークである、MQM（Multidimensional Quality Metrics：多次元品質指標）に基づくシステムを使用して翻訳品質を採点しました。翻訳された各ページは、以下の9つのディメンションで採点されます。
- 文法 — 文法的な間違いはあったか？
- 意味 — 翻訳元の意味が保たれていたか？
- 自然さ — ネイティブスピーカーにとって自然で慣用的に聞こえるか？
- トーン — 翻訳元のトーンが捉えられていたか？
- フォーマル度 — 読者への呼びかけと文法的な敬称の両方において、適切なレジスター（使用域）が使用されていたか？
- 用語 — 適切な用語が使用されていたか？
- 一貫性 — ページ全体で用語が一貫して適用されていたか？
- 大文字化 — 翻訳先言語の規則に従っていたか？
- 数値、単位、日付のローカライズ — 翻訳先言語の規則に従っていたか？
各ディメンションは、翻訳先言語のネイティブスピーカーである人間の言語学者によって1〜10点で採点されます。ページごとの最終スコアは、9つのディメンションの平均を10倍したものであり、わかりやすい品質帯に対応する1〜100のスケールになります。
| スコア | 意味 |
|---|---|
| 90〜100 | 非常に良いから完璧 — レビューなしで公開可能 |
| 80〜89 | 良い — ほとんどのコンテキストで公開可能 |
| 70〜79 | 許容範囲から平凡 — 使用可能だが間違いが目立つ |
| 60〜69 | 平凡 — 公開前に修正が必要 |
| 50〜59 | 非ネイティブスピーカーにも明らかな間違いがある |
| 50未満 | やり直しが必要なほどの重大な欠陥がある |
背景として、一般的な人力翻訳の公開平均スコアは76前後です。DeepLの77.7点はそのラインをわずかに上回ります。PTCの90.0点は、「非常に良い — レビューなしで公開可能」の帯域の境界に位置しています。
サンプルサイズと選択
DeepLを評価するため、過去12か月間にDeepLで翻訳された800のランダムなサイトを抽出し、サイトの年齢、コンテンツ量、翻訳アクティビティによって分類して各バケットからサンプリングしました。その後、当社の言語学者がサンプリングされたサイトのメインページを手動でレビューしました。合計227のウェブページが、アラビア語、英語、フランス語、ドイツ語、イタリア語、スペイン語で評価されました。
PTCのスコアは別のサンプルから得られたものです。上記と同じMQM手法を使用し、同じ言語学者が73の本番サイトのレビューを採点しました。PTCのサンプルがDeepLのサンプルより小さいのは、各PTCの測定値が特定のPTCバージョンを反映しており、エンジンが進化し続けているためです。詳細は以下の「まだ終わっていません」セクションをご覧ください。
言語別：すべてのペアでPTCが勝利
総合スコアも興味深いですが、多言語コンテンツチームにとって期待値を把握する上で重要なのは言語別の状況です。
言語別のTQスコア
PTCはテストしたすべての言語ペアでDeepLより高いスコアを獲得しました。最も差が大きかったのはアラビア語（+22.4点）です。DeepLは歴史的にこの言語でパフォーマンスが低く、WPMLのRTL（右から左へ記述する）言語の品質への投資が明確に表れています。次いでドイツ語（+11.5点）、フランス語（+9.9点）と続きます。最も差が小さかったのは英語（+6.0点）ですが、そこでもPTCは「許容範囲だが不完全さが目立つ」状態から公開可能な帯域へとページを引き上げています。
ばらつきも重要です。アラビア語におけるDeepLの分布は下方に長く伸びており、個々のページが平均を大きく下回るスコアを出しています。これはドイツ語やフランス語のユーザーであれば壊れていると見なすようなページです。PTCの分布はより狭く、高い位置に集中しているため、コンテンツチームは外れ値に対する予算を確保するのではなく、期待される品質帯域に基づいて計画を立てることができます。
また、PTCは当社が採点する9つの品質ディメンションすべて（文法、意味、自然さ、トーン、フォーマル度、用語、一貫性、大文字化、ロケールの規則）においてDeepLを上回っています。最も大きな向上が見られたのは、実際のウェブサイトで人間がページを読む際に最も重要なディメンションである、用語（+1.5）、文法（+1.4）、自然さ（+1.4）、および数値/単位/日付のローカライズ（+1.4）です。DeepLが追いついているディメンションも、PTCがわずかにリードしているだけのディメンションも存在しません。
ミス発生率：運用上の実態
平均スコアは有用ですが、実際のサイトを運営する人にとってはミスの数の方がより役立ちます。当社のレビュアーは、文法、意味、用語など、各ページで特定した個別の問題をすべて記録しました。
ページあたりの平均問題数
DeepLではページあたり平均1.27件の問題が発生します。PTCは0.07件であり、同じ翻訳元コンテンツにおけるページあたりのミスが約18分の1に削減されています。
200ページのサイトの場合、これはおおよそ以下のようになります。
- DeepL：公開前に見つけて判断し、修正すべき問題が約254件。
- PTC：サイト全体で約14件の問題。
これが、最初の草稿としてのAI翻訳と、ワークフローとしてのAI翻訳の違いです。当社の評価に基づくと、DeepLは強力な最初の草稿です。当社の測定では、公開前のほとんどのページでレビューが必要な問題が見つかりました。この測定におけるPTCはワークフローです。ミスの数が十分に少ないため、人間によるレビュー手順はすべてのコンテンツに必須ではなく、ほとんどのコンテンツでオプションになります。
「良い翻訳」の本当の意味
MQMフレームワークの評価基準の説明は、AI翻訳を取り巻くマーケティング用語に対する有用な対抗手段となります。「10点中9点」のページは90%のページではありません。それは、ネイティブスピーカーが注意深く読んでも変更したい箇所が何も見つからないページです。「10点中7点」のページはそのまま許容できますが、不完全さが目立ちます。「10点中5点」のページは、非ネイティブスピーカーでも間違いに気づくことができるページです。
DeepLの平均は7点台後半に位置しており、許容範囲ではありますが、注意深いネイティブの読者にとっては不完全さが目立ちます。PTCの平均は90.0であり、「非常に良い — レビューなしで公開可能」の境界に位置しています。これが当社のレビュアーが測定した品質の差です。これは実際の明確な違いに対応しています。つまり、DeepLの出力は公開前に人間によるレビューを必要とする出発点であるのに対し、PTCの出力はほとんどの場合、公開物そのものとなります。
WPMLがこの品質を提供できる理由
「独自のAIエンジンを構築した」という主張は、現在多くの企業が行っていることは承知しています。PTCが珍しいのには、2つの具体的な理由があります。
規模と継続的なレビュー。WPMLは150万以上のサイトにサービスを提供しており、その実績は10年以上に及びます。WPMLの言語チームはPTCの翻訳品質を継続的にレビューしています。出力をサンプリングし、本調査で使用したのと同じMQMフレームワークで採点し、特定の用語、言語ペア、またはコンテンツタイプに対してエンジンが一貫して低品質な結果を生成するパターンがないか監視しています。
集中。PTCはWPMLのサイドプロジェクトではありません。エンジニア、MLOps、人間の言語学者からなる専任チームが存在します。言語学者が繰り返し発生するパターンを報告すると、エンジニアリングチームはそれらをバグとして扱い、用語集の拡張、フォーマル度モデルの調整、例外の追加などを行って修正をリリースします。このループが継続的に実行されているため、PTCの品質は過去12か月間で「一般的な人力翻訳と同等」から本調査の数値へと向上しました。
意味のある規模での人間による継続的なレビューと、各発見事項にエンジニアリングチケットとして対応するチームの組み合わせが、上記の品質数値を生み出しています。重要なのはモデルのアーキテクチャではなく、運用モデルなのです。
今後の取り組み
90.0というスコアにより、PTCは「非常に良い — レビューなしで公開可能」の境界に位置しています。私たちはこの結果に満足していますが、これが限界だとは考えていません。
前述の「QAからエンジニアリングへ」のループは現在も稼働しています。WPMLの言語チームは、実際のサイトで顧客がPTCの出力に対して行った編集の分析を続け、それらの編集が示すパターンを特定しています。そして、エンジニアリングチームが用語集の拡張、フォーマル度の調整、言語ペア固有の微調整などの修正をリリースします。次回の測定では、今回よりも高いスコアになると予想しています。
これがワークフローに意味すること
従来の多言語コンテンツのワークフローは、翻訳 → レビュー → 公開です。レビュー手順が存在するのは、すべてのAIエンジン（およびほとんどの人間の翻訳者）が、公開前に第三者の目による確認を必要とする成果物を生成するためです。また、このレビュー手順こそが、多言語コンテンツにおけるコストと遅延の大部分を占めています。
当社の測定に基づくと、DeepLを使用する場合はレビュー手順を推奨します。当社の評価ではページあたり平均1.27件の問題が見つかりました。これらがレビューされないままになると、読者がそれらの問題に遭遇する可能性が高くなります。PTCを使用する場合、ほとんどのコンテンツでレビュー手順はオプションになります。リスクの高いページや規制の厳しい業界など、一部のチームは依然としてレビューを行いますが、デフォルトのワークフローは翻訳 → 公開となり、レビューは本当に必要なケースのみに限定されます。
これが数値が示す運用上の違いです。これは決して小さな違いではありません。
これがコストに意味すること
翻訳コストには、翻訳を作成するコストとそれをレビューするコストの2つがあります。コンテンツを公開する前に、両方を支払う必要があります。
ほとんどのプロフェッショナルなコンテキストにおいて、人間によるレビューのコストは1単語あたり数セントです。レビュアーが単語単位、ページ単位、サイト単位のいずれで請求するにしても、計算上はおおよそその程度になります。完全な人力翻訳（翻訳後、別の人間がレビューする）は、主要な言語ペアで通常1単語あたり€0.10〜€0.20程度かかり、レビュー部分だけでも€0.04〜€0.08の範囲になります。
これらの条件において、各ワークフローに実際にかかるコストは以下の通りです。
人力翻訳のみ — ベースライン。約1単語あたり€0.10〜€0.20。両方の手順を人間が行います。
DeepL（または任意のAIエンジン）と人間によるレビュー。AIが翻訳手順を処理しますが、ページあたり1.27件の問題があるため、誰かが最初に見つけなければ問題が顧客に届いてしまうため、人間がすべてのページをレビューする必要があります。翻訳手順は実質的に無料ですが、レビュー手順には依然として1単語あたり€0.04〜€0.08かかります。人力のみと比較した合計の節約：約60%。これは「AIで翻訳コストを節約できる」という標準的な謳い文句であり、それは事実ですが、DeepLの品質が依然として必要とするレビュー手順にコストの上限が存在します。
PTC、レビュー不要。PTCのコストは1単語あたり€0.0012〜€0.003です。これは1単語あたり4クレジットに、ボリュームに応じて1,000クレジットあたり€0.30〜€0.75を掛けたものであり、毎月最初の2,000クレジットは無料です。（完全な階層表については、WPMLの自動翻訳の料金をご覧ください。）PTCの測定された品質（TQスコア90.0、ページあたり0.07件の問題、DeepLとの+12.3点の差）は、ほとんどのケースでレビュー手順をスキップできるほど高いため、レビューコストはゼロになります。人力のみと比較した合計の節約：約99%。
これは、AIとレビューを組み合わせたワークフローのわずかな改善ではありません。まったく異なるコスト体系です。
概要 — 翻訳された単語を公開するコスト
| ワークフロー | 翻訳 | レビュー | 合計 | 人力との比較（節約） |
|---|---|---|---|---|
| 完全な人力翻訳 | €0.10〜€0.20 | 含まれる | €0.10〜€0.20 | — |
| DeepL + 人間によるレビュー | 約€0 | €0.04〜€0.08 | €0.04〜€0.08 | 約60% |
| PTC、レビューなし | €0.0012〜€0.003 | €0 | €0.0012〜€0.003 | 約99% |
人力翻訳の料金は、主要な言語ペアにおける一般的な業界の推定値です。PTCの料金はWPMLの公開料金に基づいています。
ご自身でレビューを行う場合についての注意点：ビジネスオーナーがレビュアーに支払う代わりに自分でレビューを行う場合、コストはゼロではなく、見えにくくなっているだけです。レビューに費やした時間は他の業務に費やせなかった時間であり、妥当な時給で換算すると、暗黙のコストは通常、外部のレビュアーに依頼するよりも安くなるどころか高くなります。PTCによる節約は、現在誰がレビュー手順のコストを負担しているかに関係なく適用されます。
これにより可能になること。翻訳に1単語あたり€0.10以上かかる場合、ホームページ、主要な製品カテゴリ、トラフィックの多い少数のブログ投稿など、選択的に翻訳することになります。それ以外のコンテンツは、採算が合わないため翻訳元言語のままになります。翻訳コストが1単語あたり€0.002であり、一般的な人力翻訳よりも優れた出力が得られる場合、以前は実現不可能だったコンテンツでも採算が合うようになります。
- eコマースにおける完全なカタログ翻訳 — すべてのロングテールの製品説明、すべてのバリエーション。
- 上位3言語だけでなく、顧客が話す可能性のあるすべての言語での完全なドキュメントポータル。
- ナレッジベース、サポートFAQ、ブログのアーカイブ — 検索を促進するものの、翻訳コストに見合わなかったロングテールコンテンツ。
- ページあたりのオーディエンス収益が人力翻訳のコストをカバーできなかった市場で事業を展開するパブリッシャー向けの、ローカライズされた編集コンテンツ。
多言語コンテンツは、何十年もの間「どれだけ翻訳する余裕があるか」という問題でした。PTCを使用すると、この問題は「何を翻訳する価値があるか」という、これまでとは異なる、より興味深い問題に変わります。
ご自身のサイトでこの品質を得る方法
PTCはWPMLのすべてを翻訳するモードのデフォルトエンジンです。これは、サイトのすべてのページをバックグラウンドで自動的に翻訳する単一のグローバル設定です。管理すべきページごとの構成はありません。
本調査で測定された品質を得るために、すべてを翻訳するをオンにする以外に必要なセットアップは、すべてを翻訳するの設定でサイトのオーディエンスとトーンを説明するのに約1分費やすことだけです。例えば、「開発者向けのソフトウェア企業、フォーマルなトーン、技術用語は英語のまま保持する」といった具合です。PTCはその説明を使用して、翻訳をブランドの声に合わせます。
セットアップはこれですべてです。その結果が、本調査で測定されたものとなります。
実施しなかったことに関する注意点
PTCとGoogle 翻訳、Azure Translator、またはパブリックAPIを介したLLMベースのサービスとの比較は行いませんでした。その理由は、これらのエンジンは頻繁に変更されるため、単一時点での測定は数か月以内に時代遅れになってしまうからです。私たちがDeepLとの比較を実施したのは、DeepLが本番レベルのAI翻訳において最も引用されるベンチマークであり、競合他社の多くが内部でDeepLを使用しているためです。
また、本調査では速度、コスト、開発者エクスペリエンスは測定しておらず、品質のみを測定しました。それらの比較については当社の機能ページおよび比較ページに記載されており、それぞれ独自のストーリーを伝えています。
お試し
多言語WordPressサイトを運営しており、ご自身のコンテンツでPTCの出力を確認したい場合は、WPMLをインストールしてすべてを翻訳するを有効にし、現在使用しているものとその結果を比較してください。ここで説明した品質の差は、皆様が実際に期待できる品質の差です。
手法に関する質問やデータの要望：WPMLチームにお問い合わせください。
WPML言語チームによる調査（2026年4月実施）。サンプル：ネイティブスピーカーの言語学者がレビューした227のDeepL翻訳ウェブページを、同じ手法で採点された73のPTC本番サイトのレビューと比較。言語：アラビア語、英語、フランス語、ドイツ語、イタリア語、スペイン語。採点：MQMに基づく翻訳品質フレームワーク、9つのディメンション、各ディメンション1〜10点、平均化して0〜100点の結果にスケーリング。