新しいLLMが出るたびに「翻訳はどれが一番優秀か」という記事が出ますが、その多くは単発の比較です。基準が毎回変われば、前のモデルと比べて本当に良くなったのかは分かりません。
私たちは2025年2月から2026年4月まで、同じ原文・同じ評価項目・同じ採点基準で9回の検証を続けてきました。この記事はその15か月分をひとつにまとめ、Webサイトの翻訳という用途に絞って「結局どう選ぶべきか」を整理したものです。
検証の方法は15か月変えていない
比較の意味を保つため、次の条件を最初から一度も変えていません。
原文は当社が利用許諾を得ているビジネス書と小説から3本を抜粋しています。原文1はエッセイ、原文2は小説、原文3は自己啓発系の書籍です。とくに原文2は文脈依存度が高く、翻訳者から見ても難易度の高い文章で、モデルの実力差がもっとも出ます。
評価は以下の6項目をそれぞれ100点満点で採点し、複数の評価者が出した点数の平均を最終スコアとしています。
- 翻訳精度：原文の意味やニュアンスが適切に伝わっているか
- 言語の流暢さ：訳文が自然で読みやすいか
- 一貫性：用語・表記が文章全体で統一されているか
- 文化的妥当性：文化背景を踏まえ、現地の慣習に合った表現ができているか
- 文章の正確さ：文法や語彙、句読点などに誤りがなく、論理に破綻がないか
- 全体評価：上記の総合点として完成度を見た評価
読み方の基準は、50点以下が「かろうじて意味が通じる」、70点以上で「ほぼ自然に読める文章」、80点以上が「ネイティブに近いレベル」です。
対象言語は英語・簡体字・繁体字・韓国語の4つで、これはAIシュリーマンで実際によく使われている言語構成に合わせています。
15か月で何が起きたか
2025年前半：専用翻訳エンジンが汎用LLMに抜かれた
最初の検証で目立ったのは、DeepLが難しい文章で崩れることでした。小説から抜いた原文2で40点台まで落ち込み、シンプルなビジネス文書には強いものの、情景描写や固有名詞を含む文章では汎用LLMに明確に劣る結果が出ています。「翻訳専用エンジンのほうが翻訳は上手い」という前提が、この時点で崩れました。
2025年4月にはGPT-4.1シリーズが登場し、英語と簡体字で単独トップを取ります。注目すべきはnanoまで含めて全言語で80点台に乗ったことで、この頃から「安いモデルでも実用水準に届く」兆しが出ていました。
2025年半ば：高性能モデルが「使いにくい」時期
同月にリリースされたo3は全4言語で90点以上を記録しましたが、コストが圧倒的に高く、利用にOrganizationの認証が必要でした。6月のo3 Proは英語で93点、全評価項目で90点以上という当時最高の品質を出しましたが、通常のチャットAPIでは呼び出せずバッチ処理向けのResponses API経由になるため、翻訳のためだけに採用するには扱いにくいモデルでした。
この時期の教訓は、スコアだけを見て採用を決められないということです。呼び出し方の制約、認証要件、処理時間といった運用条件が、実務では品質と同じ重みを持ちます。
2025年後半：品質の天井が見え始める
8月のGPT-5シリーズは全言語で90点以上、韓国語では96点という検証史上最高値を出しました。GPT-5-miniが1円前後のコストで実用水準に届いたことも大きな変化です。
同じ月にClaude Opus 4.1を検証して分かったのは、最新モデルが必ずしも翻訳で最良ではないということでした。推論を強めるモードが翻訳では逆効果になる現象も確認しています。GPT-5のthinkingモードは言語によって効果が分かれ、処理時間が192.67秒まで伸びた一方で品質は上がりませんでした。翻訳は「考えれば良くなるタスク」ではない、という点は繰り返し確認されています。
11月のGPT-5.1-highは92.0点と当時の最高値を出しましたが、処理時間は68.54秒でコストも高いままでした。一方でGemini 3の高推論モードとGPT-5.1の推論なしがともに89.0点で並び、前世代のGemini 2.5 Proも88.0点。上位は横並びに近づいていました。
2026年4月：頭打ちと底上げが同時に起きた
直近の検証では、GPT-5.5が89.0点で首位。言語の流暢さ91.0点、文章の正確さ90.0点と穴のない仕上がりです。特筆すべきは処理時間で、前世代のGPT-5.1-highが92.0点に68秒かかっていたのに対し、27.99秒で89点台に着地しました。品質はわずかに下がっていますが、実用面では明確な進歩です。
同じ89.0点で並んだのがQwen 3.6 Max Previewでした。中国系LLMがついにフラッグシップ級に到達しています。ただし処理時間は243.23秒と極端に重く、レスポンス速度が要る用途には使えません。
実務的にもっとも興味深いのはClaude Opus 4.7で、87.0点ながら処理時間25.65秒とハイエンド勢で最速クラスです。そしてDeepSeek V4 Proは84.0点とトップからは離れるものの、コストがGPT-5.5の約20分の1。「80点台で十分」と割り切れる用途では、他を選ぶ理由が見当たらない水準に達しています。
逆にGemini 3.1 Pro Previewは78.0点と苦戦し、コストも11.34円/件と検証したモデル中で最高でした。プレビュー版という条件はあるものの、最新版が常に最良ではないことがここでも確認されています。
15か月を通して見えたこと
時系列で並べると、傾向は明確です。
- フラッグシップの絶対品質は頭打ちに近づいた。最高スコアは92.0点から89.0点の範囲で推移しており、ここ1年で大きく伸びてはいない
- 中堅・低価格帯が急速に底上げされた。かつて90点を出すために必要だったコストの20分の1で、84点が手に入る
- 最新版が常に最良ではない。世代が上がっても翻訳品質が下がるケースが繰り返し観測された
- 推論の強化は翻訳では効きにくい。処理時間を数倍にしても品質が上がらない場面が多い
- スコアと運用性は別物。呼び出し方の制約や処理時間が、実務では採用可否を決める
サイト翻訳では何を基準に選ぶべきか
ここからが本題です。Webサイトの翻訳は、文章をまとめて翻訳する作業とは条件が違います。
第一に、ページの中に性質の異なる文章が混在します。トップページのキャッチコピー、製品仕様表、IR文書、EC商品説明、フォームのラベル。これらに求められる品質はまったく違います。キャッチコピーには文化的妥当性が要りますが、仕様表に必要なのは用語の一貫性と正確さです。
第二に、応答速度が体験に直結します。訪問者を待たせるわけにはいかないため、243秒かかるモデルはどれだけ高品質でも同期的な処理には使えません。
第三に、量が桁違いです。数万ページ規模のサイトでは、1件あたり数円の差が総額で大きく効きます。
この3点を踏まえると、選び方は次のように整理できます。
- 精度を最優先すべき文章（企業メッセージ、IR、法務、ブランドコピー）には、コストをかけてでも最上位モデルを使う
- 応答速度が要る同期処理には、品質と速度のバランスが取れたモデルを使う
- 大量の定型文（商品説明、サポート記事、社内文書）には、80点台で十分と割り切って低コストモデルを使う。ただし学習ポリシーが許容できる場合に限る
結論：単一のモデルを選ばない
15か月の検証を通じて私たちが到達した結論は、サイト翻訳においては「最強のモデルを1つ選ぶ」という発想自体が最適ではないということです。
最高精度のモデルは重く高い。速いモデルは精度でわずかに劣る。安いモデルは80点台で頭打ちになる。そしてこの関係は、新しいモデルが出るたびに入れ替わります。1つを選んで固定すれば、どこかの文章タイプで必ず割を食います。
AIシュリーマンがマルチ翻訳エージェントという仕組みを採っているのは、この検証結果が直接の理由です。文章の性質を判定して、その文章に適したモデルへ振り分ける。キャッチコピーには精度重視のモデル、仕様表には一貫性の高いモデル、大量の商品説明には低コストのモデルというように、1つのサイトの中で使い分けます。
モデルの勢力図はこれからも変わり続けます。だからこそ、特定のモデルに依存しない構造そのものが、長期的には効いてくると考えています。
検証は今後も同じ条件で続け、新しいモデルが出るたびに結果を更新していきます。
この検証を踏まえて、現在どのように複数モデルを使い分けているかは翻訳エージェントの設計：なぜ1つのAIモデルに固定しないのかで解説しています。
