検出ツールがあなたの翻訳にフラグを立て、AI生成だと判定する。ほとんどの場合、ツールが反応しているのは機械翻訳の痕跡であり、モデルがゼロから書いた文章ではない。DeepL、Google翻訳、LLM翻訳モードはすべて同じ指紋を残す。均一な文の長さ、直訳的なイディオム、平坦な文体、繰り返される接続詞。これらのパターンは統計的に見える。それらは著者性のシグナルではないが、検出ツールが常に区別できるわけではない。本ガイドでは、翻訳テキストのAI検出が実際にどう機能するのか、機械翻訳が何を残すのか、そして意味に触れずに誤検出を減らす編集方法を解説する。
主なポイント
- 機械翻訳の痕跡（均一な構文、直訳的なイディオム、平坦な文体）はAI生成のシグナルと重なる。だからこそTurnitin、GPTZero、Copyleaksのようなプラットフォームは正当な翻訳にフラグを立てる。
- 2026-09-19の独自測定では、手書きのDeAIzeガイド46件を検出ツールで30%のフラグ閾値でスコアリングした。平均AIスコア27%、中央値25%、範囲0-55%、46件中17件がフラグ対象となった。
- 同じ実行で未編集のモデル文章12件をスコアリングした。平均35%、中央値34%、範囲25-49%。翻訳はこれら2つの分布の間のどこかに位置する。
- 翻訳を修正するには特定の編集パスが必要だ。文の長さの均一性を崩し、直訳イディオムを置き換え、文体の変化を取り戻し、文単位の検出ツールで再確認する。
- 機関から告発された場合、検出出力は確率推定であり、著者性の証明ではない。下書き、用語集、翻訳メモリで異議を申し立てることができる。
翻訳テキストがAIとしてフラグされるのはなぜか？
検出ツールは意味を読まない。統計的なテクスチャを測定する。つまり、前のトークンが与えられたときに各トークンがどれだけ予測可能か（パープレキシティ）と、文の長さや構造がどれだけ変動するか（バースト性）だ。機械翻訳は流暢さと一貫性を最適化するため、両方の指標が平坦になる。翻訳された段落は、人間の初稿よりも滑らかなつながりを持ち、特異な語彙選択が少なく、文体の揺れがほとんどないことが多い。検出ツールにとって、それは機械的な確率として映る。人間の読者にとっては、それは有能な翻訳として映る。
この混同は構造的なものであり、悪意によるものではない。Turnitin、GPTZero、Copyleaks、Originality.ai、Saplingはいずれも、スコアは推定値であるというガイダンスを公開している。しかし、翻訳に特化したキャリブレーションを公開しているものはない。バイリンガルの書き手が翻訳された抄録や翻訳されたマーケティングページを提出すると、ツールはそのテキストを、主に英語ネイティブの人間の文章とモデル出力を含むコーパスと比較する。翻訳は、モデルが分離するように訓練されていない第三のカテゴリーなのだ。
第二の理由があります。英語への翻訳は、文法的には正しいものの統計的に珍しい構文をしばしば生み出し、検出器は「珍しいが流暢な言い回し」がモデル出力と相関することを学習しています。「委員会は提案の評価へと進んだ」のような文は間違いではありません。ただ、ネイティブ英語の編集では稀であり、その「稀さ」を検出器は機械的だと読み取るのです。
機械翻訳は対象言語に何を残すのか？
機械翻訳は4つの繰り返し現れる痕跡を残します。これらはDeepL、Google翻訳、LLM翻訳モードに共通して現れ、きれいな翻訳がどの検出器でも高いスコアを出す原因となっています。
| 痕跡 | 英語での現れ方 | 検出器が反応する理由 |
|---|---|---|
| 均一な構文 | すべての文が18〜25語、同じ主語-動詞-目的語の形 | 低いバースト性が機械的だと読まれる |
| 直訳的なイディオム | “Take the decision”、“make a photo”、“in the last years” | 予測可能な直訳、低いパープレキシティ |
| 平坦なレジスター | フォーマルとインフォーマルな箇所が同じに聞こえる | 人間のレジスター変動が欠如 |
| 過剰に結束的な接続詞 | “Moreover”、“Furthermore”、“In addition”がほとんどの段落の冒頭に来る | 繰り返される予測可能な遷移 |
| 対称的な段落構成 | すべての段落が3〜4文、同じ長さ | 検出器が気づく構造的規則性 |
レジスターの問題は、翻訳者が過小評価しがちなものです。原文言語では、著者はフォーマルな論証とカジュアルな余談の間で切り替えることがあります。機械翻訳はそれを均して一貫したトーンにしがちです。一貫性はスタイルガイドには良いですが、検出器には悪いのです。なぜなら、人間の文章が文書全体を通してそこまで一貫していることは稀だからです。
直訳語は2番目に過小評価されているカテゴリーです。「Make a decision」は問題ありません。「Take a decision」はイギリス英語であり、いくつかのロマンス語派およびゲルマン語派からの直訳でもあります。人間の翻訳者なら気づくでしょうが、機械翻訳はそれをそのまま再現し、検出器は低確率のバイグラムを見て、その文にわずかな機械確率を加算します。
翻訳アーティファクトはAI生成シグナルとどう異なるのか？
翻訳アーティファクトとAI生成シグナルは重なる部分がありますが、同じものではありません。違いを理解することで、何を編集すべきかがわかります。
翻訳アーティファクトは原文から生じます。原文の論理、用語、議論の順序、特異性を保持します。翻訳された段落には通常、すべての文に正当な理由があります。原文がそれを、その順序で、その用語で述べているのです。奇妙さは表層形式にあり、内容にはありません。
AI生成シグナルはモデルのサンプリングから生じます。これには、出典のないヘッジ表現（「考慮することが重要です」）、一般的な例、でっち上げられた具体例、次の段落を始める前に前の段落を要約する傾向が含まれます。奇妙さは内容と推論にあり、単に表層だけではありません。
実用的なテスト：フラグが立てられた文を読み、それを生み出した原文の文を指摘できるかどうかを自問してください。もしできるなら、それはおそらく翻訳アーティファクトです。もしできず、その文が原文が求めていない修辞的な役割を果たしているなら、生成シグナルかもしれません。この区別は修正方法が異なるため重要です。翻訳アーティファクトには表層の編集が必要です。生成シグナルには内容の編集または削除が必要です。
翻訳された草稿の中でどの特定の文が機械シグナルを持っているかを確認したい場合は、まずDeAIze AI検出器にかけてください。文単位のハイライトが編集すべき行を示すので、問題ではなかった段落を書き直す必要はありません。
人間が翻訳したテキストでも、なぜ検出器に引っかかるのか？
気まずい答えですが、検出器は翻訳用に作られたものではありません。人間が書いた英語とモデルが生成した英語を区別するために作られました。翻訳は第三のモードであり、双方の特徴を借用しています。
2026年9月19日に行った独自の測定は、人間の帯域がすでにどれほど広いかを示しています。私たちは手書きのDeAIzeガイド46件を、30%のフラグ閾値で検出器にかけました。AIスコアの平均は27%、中央値25%、範囲0～55%で、46件中17件がフラグされました。これらのガイドは人間が書き、編集し、公開したものです。それでも検出器はその閾値で3分の1以上をフラグしました。比較として、未編集のモデル文章12件は平均35%、中央値34%、範囲25～49%でした。2つの分布は大きく重なっています。翻訳された文書は、モデルが書いていないにもかかわらず、その重なりのどこにでも位置し得ます。
この重なりが、検出の正直な限界です。だからこそ、単一のスコアを判定として扱うべきではありません。クライアント、編集者、機関と仕事をしているなら、どの文がトリガーされたか、ソースが何と言っていたか、翻訳メモリが何を示しているかについて話すのが有益です。誤検出ガイドでは、その会話を段階的に説明しています。
意味を変えずに、検出対策として翻訳テキストを編集するには？
これは翻訳特有の編集パスです。通常のQAの後に行い、代わりにしないでください。
- フラグが立った文だけを読む。 フラグの立っていないテキストは書き換えない。文単位の検出器は短いリストを返すので、そのリストに取り組む。
- 文の長さの均一性を崩す。 フラグの立った3つの文がすべて20〜25語なら、1つを分割し、もう1つを統合する。バースト性は最も手軽に回復できるシグナルだ。
- 直訳調を慣用的な表現に置き換える。 「Take a decision」は「decide」に、「In the last years」は「in recent years」になる。用語集を用意して、文書全体で用語の一貫性を保つ。
- レジスターの変化を取り戻す。 原文にくだけた補足があるなら、訳文でもそこはくだけた調子にする。すべての段落を同じ硬さに均してはいけない。
- 接続詞を変える。 「Moreover」が3つの段落の冒頭に来ているなら、2つは変える。コロンやダッシュを使うか、接続詞をまったく使わない。
- 結果を音読する。 同僚に言わないような表現は、もう一度手を入れる。
- 再スコアリングする。 意味がずれずにフラグの立った文が減ったことを確認する。書き換えで専門用語が変わってしまったら、元に戻してやり直す。
ここで、実例を一つ示す。これは本記事のために作ったもので、クライアントの案件から取ったものではない。
変更前（典型的なMT出力）：
さらに、新しいフレームワークの実装には、いくつかの要因の検討が必要である。さらに、これらの要因の評価は、体系的な方法で実施されなければならない。加えて、この評価の結果は、包括的な報告書に文書化されるべきである。
変更後（翻訳調を修正）：
新しいフレームワークが機能するには、いくつかのことが必要だ。それらを体系的に評価しなければならない。見つけたことを文書化しよう。
意味は同一です。指摘されたパターンは消えています。「さらに/そのうえ/加えて」の繰り返しはなく、文の長さは均一ではなく、名詞化の上に名詞化が積み重なることもありません。
より長い文書を編集している場合、翻訳アーティファクトチェックリストが同じ問題の非英語側をカバーしており、ソースが英語でない場合にフラグの挙動が異なる理由も含まれています。
翻訳された文章に対する検出結果に、いつ異議を唱えるべきですか？
作業過程を示せる場合に異議を唱えてください。それは次の3つを意味します。
第一に、ソーステキストです。フランス語、ドイツ語、スペイン語、または日本語の原文から翻訳した場合、ソース文書が最も強力な証拠となります。検出器はそれを見ることができませんが、人間のレビュアーは見ることができます。
第二に、翻訳メモリまたは用語集です。セグメントレベルの記録は、人間が各選択を行ったことを示し、その選択が一貫していたことを示します。これは「検出器がそう言った」を方法についての会話に変える文書です。
第三に、検出器自身の出力です。プラットフォームが文単位の詳細なしに文書レベルのスコアを報告する場合、それに対して正確に応答することはできません。文ごとの内訳を求めてください。それが存在しない場合は、その旨を伝えてください。証拠としての検出に関するデュープロセス記事では、機関が確率推定から合理的に結論できることとできないことを説明しています。
やってはいけないのは、翻訳テキストをヒューマナイザーに通して終わりにすることです。ヒューマナイザーは表面的なパターンを変えるだけで、出典の記録を作るものではありません。あなたの翻訳が本当にあなた自身のものであるなら、上記の編集パスとあなたのTMの方が、出所のない書き換えられたファイルよりも強い立場になります。
翻訳文書のための短いルーティン
定期的に翻訳を行い、検出器があなたの出力を繰り返しフラグ付けするなら、これを納品チェックリストに組み込んでください。
- 納品前に、対象テキストを文レベルの検出器にかけます。
- フラグが付いた文だけを、上記の7ステップのパスを使って編集します。
- 再スコアリングし、前後を比較します。前後のレポートを納品物と一緒に保管します。
- ソース、用語集、TMセグメントIDをファイルと一緒に保存します。
- クライアントに何をしたかを伝えます。誤検出に対するQAとして位置づけるのは誠実であり、気まずい会話を未然に防ぎます。
最後の点は、編集よりも重要です。翻訳はすでに機械的であると非難されています。ソース、用語の選択、編集ログを示せる翻訳者は、まさにプロフェッショナルがすべきことを行っています。検出器は裁判官ではありません。あなたのプロセスが証拠なのです。
どの文が機械的に読めるか確認する準備はできましたか？
翻訳された段落をDeAIze AI検出器に貼り付けると、文書スコアと文ごとのAI確率が得られるので、フラグが1つの直訳調の文に立っているのか、文書全体にわたっているのかがわかります。フラグが少数の行に集中している場合、ドラフトエディターでその場で書き直すことができ、ヒューマナイザーは閉ループを実行します。スコアを付け、フラグが立った文だけを書き直し、意味的類似度が意味が保たれたと示した場合にのみ書き直しを保持し、その後再スコアリングして前後を報告します。サイトで使用されている例の段落では、92%のAIスコアが4%のAIになります。無料プランではサインアップ時に200語が提供され、クレジットカードは不要で、コミットする前に1つの翻訳された段落をテストするのに十分です。有料クレジットは従量課金制で、期限はありません。語数のバンドルについては料金をご覧ください。クロスチェックは、内部の推測を信頼するのではなく、設定されている場合は実際のサードパーティ検出器APIに対して出力を実行します。これにはGPTZero、Turnitin、Copyleaks、Originality.ai、Saplingが含まれます。検出器のスコアは確率の推定値であり、著作者の証明ではなく、どのツールも任意のプラットフォームで特定のスコアを保証することはできません。アイデアと翻訳は依然としてあなた自身のものでなければなりません。