The creativity and limitations of AI neural machine translation

This study examines the performance of the neural machine translation system DeepL in translating Shakespeare’s plays Coriolanus and The Merchant of Venice. The aim here is to explore the strengths and limitations of an AI-based English-Chinese translation of literary texts. Adopting a corpus-based approach, the study investigates the accuracy and fluency rates, the linguistic features, and the use of various methods of translation in the Chinese translations of Shakespeare’s plays conducted via DeepL. It compares these to the translations by Liang Shiqiu, a well-known Chinese translator. The study finds that DeepL performs well in translating these works, with an accuracy and fluency rate of above 80% in sampled texts, showing the potential of the use of neural machine translation in translating literary texts across distant languages. Our research further reveals that the DeepL translations exhibit a certain degree of creativity in their use of translation methods such as addition, explicitation, conversion and shift of perspective, and in the use of Chinese sentence-final modal particles, as well as Chinese modal verbs. On the other hand, the system appears to be limited in that a certain amount of translation errors are present, including literal translations.

Afin d’explorer les capacités et les limites d’une traduction anglais-chinois basée sur l’IA, cette étude examine les performances du système de traduction automatique neuronal DeepL dans la traduction des pièces de Shakespeare : Coriolanus et Le Marchand de Venise. Adoptant une approche basée sur un corpus, cet article étudie le taux de précision, le taux de fluidité, les caractéristiques linguistiques et l’utilisation de diverses méthodes de traduction dans les traductions chinoises des pièces de Shakespeare effectuées via DeepL, et les compare aux traductions de Liang Shiqiu, un traducteur chinois bien connu. L’étude montre que DeepL donne de bons résultats dans la traduction de ces œuvres, avec un taux de précision et de fluidité supérieur à 80% dans les textes échantillonnés, ce qui suggère le potentiel de l’utilisation de la traduction automatique neuronale dans la traduction de textes littéraires dans des langues éloignées. Nos recherches révèlent en outre que les traductions de DeepL présentent un certain degré de créativité dans l’utilisation de méthodes de traduction telles que l’ajout, l’explicitation, la conversion et le changement de perspective, ainsi que dans l’utilisation des particules modales finales des phrases chinoises, de même que des verbes modaux chinois. D’autre part, le système semble être limité dans la mesure où il présente des erreurs de traduction et des traductions littérales.