ローカルでドキュメントを翻訳：の代替案 DeepL

#文書をDeepLに送らない理由

DeepL と Google Translate は優れていますが、そのビジネスモデルはクラウドに依存しています。テキストは各社のサーバーを経由し、利用するプランによっては保存されたり、モデルの改善に使われたりする可能性があります。差し障りのないメールなら、大した問題ではありません。しかし、NDAの対象となる契約書、出願手続き中の特許、貸借対照表、従業員の個人データでは、具体的な法的リスクや競争上のリスクになります。

ローカルでのAI翻訳は状況を変えます:モデルはあなたのディスクにダウンロードされ、あなたのCPUまたはGPUで実行されます。ネットワークリクエストも、アカウントも、容量制限もありません。機密文書のフォルダ全体を、1バイトもあなたの端末を離れることなく翻訳できます。オフライン、飛行機内、または隔離されたネットワークでも同様です。

プライバシー

契約書、特許、医療データまたは人事データは、あなたのマシン上に残ります。

利用コストゼロ

サブスクリプションも文字数に応じた課金もありません。10ページでも10,000ページでも、同じ料金で翻訳できます。

オフライン

ネットワーク接続なしで動作するため、ネットワークから隔離された端末や移動中の利用に便利です。

処理量は無制限

クラウドAPIにあるような月間利用枠やスロットリングはありません。

#本当に正確に翻訳できるローカルモデルはどれか

LLM の翻訳性能は一様ではありません。優れたローカル翻訳モデルには、大規模な多言語コーパスで学習され、フランス語をきめ細かく扱えることが求められます。2026年現在、セルフホストでの利用に適したモデル群の中では、いくつかのファミリーが明確に際立っています。

Qwen 3.5 9B

多言語に優れ、フランス語も非常に得意で、ニュアンスや専門用語を適切に扱えます。Q4で約6.6 GB、コンテキスト256k、Apache 2.0ライセンス。2026年における品質とリソースのバランスが最も優れた選択肢です。品質が十分でなければ、Qwen 3.8 27B（約18 GB）に切り替えてください。

Gemma 4 12B

流暢で自然な翻訳で、フランス語の句読点も丁寧に扱います。マルチモーダルに対応し、現在はApache 2.0ライセンスです（Gemmaは2026年にApache 2.0へ移行しました）。Q4で約7.6 GBで、12〜16 GBのGPUやユニファイドメモリ搭載のMacで余裕を持って動作します。

Qwen 3.5 4B

2026年の小型多言語モデルの定番：約3.4GBしか必要とせず、どこでも、CPUだけでも動作します。このサイズとしては、すでに驚くほど優れた翻訳ができます。Apache 2.0。

Mistral Small 24B

フランス語に強く、高速で、Q4では約14GB。幅広い用途で安定した性能を発揮し、16GBのGPUで大量の処理をこなす際に非常に良い選択肢です。

Qwen 3.6 35B-A3B

MoEアーキテクチャによりクラウドに近い品質を実現し、現在では32 GBから利用できます（Q4で約23 GB、RTX 4090または大容量のユニファイドメモリを搭載したMac）。高い品質が求められる翻訳向けです。

NLLBやOpus-MTのような翻訳専用モデルもあり、非常に軽量です。ただし、最近の汎用LLMは、長文の翻訳や文脈の尊重（文体、専門用語、文書全体の一貫性）では、これらを上回ることがよくあります。

#前提条件とインストール

基本構成は定番です。推論エンジンにはOllama、多言語モデルを使用し、ファイル処理スクリプトにはPythonを使います。Ollamaはデフォルトで http://localhost:11434 で待ち受けます。

Ollama インストール済み

モデルをダウンロードして実行するデーモン。まだインストールしていなければ、インストールガイドを参照すること。

余裕を持って使えるGPU

12GBのRTX 3060は、Qwen 3.5 9B をQ4（約6.6GB）でスムーズに動作させることができます。CPUでも動作は可能ですがあまり高速ではありません。

Python 3.10+

DOCX、PDF、Markdownを扱い、OllamaのAPIを呼び出すため

# Récupérer un modèle multilingue adapté à la traduction
ollama pull qwen3.5:9b

# Vérifier qu'il répond
ollama run qwen3.5:9b "Traduis en anglais : Le contrat prend effet à sa signature."

# Dépendances Python pour les formats de documents
pip install ollama python-docx pypdf markdown-it-py

#翻訳の初期テスト

自動化する前に、代表的なサンプルで品質を確認してください。良好なローカル翻訳の鍵はシステムプロンプトにあります。プロンプトは役割、ターゲット言語、そして特に「追加しない」という指示を定義します。

import ollama

MODELE = "qwen3.5:9b"

SYSTEME = (
    "Tu es un traducteur professionnel. Traduis le texte fourni de "
    "{source} vers {cible}. Conserve le sens, le registre et la "
    "terminologie technique. Ne commente pas, n'ajoute rien : "
    "renvoie uniquement la traduction."
)

def traduire(texte, source="français", cible="anglais"):
    reponse = ollama.chat(
        model=MODELE,
        messages=[
            {"role": "system", "content": SYSTEME.format(source=source, cible=cible)},
            {"role": "user", "content": texte},
        ],
        options={"temperature": 0.2},
    )
    return reponse["message"]["content"].strip()

if __name__ == "__main__":
    extrait = "Le présent contrat prend effet à la date de sa signature par les deux parties."
    print(traduire(extrait))

#フォーマットの保持（DOCX、PDF、Markdown）

プレーンテキストを翻訳するのは簡単ですが、実際の文書の書式を保つのはそれほど簡単ではありません。適切な方法は、ファイル全体をモデルに丸ごと渡すのではなく、文書の構造をそのまま保ちながら、各テキスト部分を元の位置で翻訳することです。

#Wordファイル（DOCX）

python-docx では、各段落と表の各セルにアクセスできます。スタイルを維持しながら各「run」のテキストを翻訳し、その後ファイルを書き直します。レイアウト、見出し、表は保持されます。

from docx import Document
from traduire import traduire

def traduire_docx(entree, sortie, cible="anglais"):
    doc = Document(entree)

    for para in doc.paragraphs:
        if para.text.strip():
            para.text = traduire(para.text, cible=cible)

    for table in doc.tables:
        for ligne in table.rows:
            for cellule in ligne.cells:
                if cellule.text.strip():
                    cellule.text = traduire(cellule.text, cible=cible)

    doc.save(sortie)
    print(f"Traduit : {sortie}")

if __name__ == "__main__":
    traduire_docx("contrat.docx", "contrat_en.docx")

#Markdown

Markdownは、形式を保ちながら翻訳するのが最も簡単なフォーマットです。モデルに構文を維持するよう指示するだけで済みます。プロンプトでそのように指定すれば、見出し、リスト、リンク、コードブロックはそのまま維持されます。

import ollama

SYSTEME_MD = (
    "Traduis ce document Markdown en {cible}. Conserve EXACTEMENT la "
    "syntaxe Markdown : titres (#), listes, liens, tableaux et blocs "
    "de code. Ne traduis PAS le contenu des blocs de code. Renvoie "
    "uniquement le Markdown traduit."
)

def traduire_markdown(chemin, sortie, cible="anglais"):
    texte = open(chemin, encoding="utf-8").read()
    reponse = ollama.chat(
        model="qwen3.5:9b",
        messages=[
            {"role": "system", "content": SYSTEME_MD.format(cible=cible)},
            {"role": "user", "content": texte},
        ],
        options={"temperature": 0.2},
    )
    open(sortie, "w", encoding="utf-8").write(reponse["message"]["content"])

traduire_markdown("README.md", "README_en.md")

#PDF

PDFは最も扱いが難しい形式です。内容そのものではなく、表示上の体裁を表す形式だからです。pypdfでテキストを抽出し、翻訳してから、新しい文書（多くの場合はDOCXまたは新たに生成したPDF）に出力します。PDFのレイアウトを正確に再現する作業は、費用や手間に見合うことがほとんどありません。ピクセル単位で一致するコピーよりも、読みやすい文書を目指してください。

from pypdf import PdfReader
from docx import Document
from traduire import traduire

def pdf_vers_docx_traduit(entree, sortie, cible="anglais"):
    lecteur = PdfReader(entree)
    doc = Document()

    for page in lecteur.pages:
        texte = page.extract_text() or ""
        for paragraphe in texte.split("\n\n"):
            if paragraphe.strip():
                doc.add_paragraph(traduire(paragraphe, cible=cible))

    doc.save(sortie)

pdf_vers_docx_traduit("rapport.pdf", "rapport_en.docx")

#Ollama でバッチ翻訳

ローカル実行の大きな利点は、利用料金を気にせず大量に処理できることです。フォルダ内を巡回して各ファイルを翻訳するスクリプトを使えば、手元のPCが一括翻訳サービスになります。以下は、ディレクトリ内のすべての.docxファイルを処理するスクリプトです。

import sys
from pathlib import Path
from traduire_docx import traduire_docx

def traduire_dossier(dossier, cible="anglais", suffixe="_traduit"):
    dossier = Path(dossier)
    fichiers = list(dossier.glob("*.docx"))
    print(f"{len(fichiers)} fichier(s) à traduire\n")

    for i, fichier in enumerate(fichiers, 1):
        if suffixe in fichier.stem:
            continue  # éviter de retraduire une sortie
        sortie = fichier.with_name(f"{fichier.stem}{suffixe}.docx")
        print(f"[{i}/{len(fichiers)}] {fichier.name}")
        traduire_docx(fichier, sortie, cible=cible)

    print("\nTerminé.")

if __name__ == "__main__":
    dossier = sys.argv[1] if len(sys.argv) > 1 else "."
    traduire_dossier(dossier)

# Traduire tous les .docx d'un dossier en anglais
python batch_traduction.py ./documents_a_traduire

#翻訳の品質を向上させる

ローカル LLM は初期設定でもうまく翻訳できますが、いくつかの設定を調整すると、特に専門業務に関する文章では、仕上がりを「まずまず」から「公開できる水準」へ引き上げられます。

1. 01
   用語集を提供する

   システムプロンプトに、業務用語とその指定訳をまとめた用語集（正式な会社名、製品名、略語）を追加してください。モデルは訳語を勝手に作らず、指定した用語に従います。
2. 02
   適切に分割する

   一文ずつではなく、段落またはセクション単位で翻訳してください。文法上の一致、代名詞が何を指すか、文体や言葉遣いを適切に扱うには、モデルに文脈が必要です。
3. 03
   ドキュメントのコンテキストを提供する

   プロンプトで文章の種類（「商取引契約書」「技術説明書」「社内メール」）を明示してください。文体や語彙がそれに応じて調整されます。
4. 04
   重要な箇所を読み直す

   契約書や法的文書では、重要な条項を人間が確認することが引き続き不可欠です。ローカル実行で機密性は確保できますが、誤りがなくなるわけではありません。
5. 05
   必要に応じてモデルをアップグレードする

   品質が頭打ちになったら、Qwen 3.5 9BからQwen 3.8 27Bに切り替えてください（推論レベルを「low」に設定することを忘れないでください。デフォルトでは考えすぎるため、翻訳には不要です）。あるいは、Qwen 3.6 35B-A3BのようなMoEモデルに切り替えることも検討してください。長い文や用語の細かなニュアンスでは、明確な改善が得られます。

#トラブルシューティング

モデルがコメントを追加する

「翻訳だけを返す」という指示を強調し、温度を下げてください。一部のモデルは「以下が翻訳です：」という前置きを付けるため、必要に応じて後処理で削除してください。

誤った言語に翻訳しています

プロンプトで翻訳先の言語を明示し、例を示してください。短いテキストでは、モデルが翻訳先の言語を間違えることがあります。

DOCXの書式が失われる

para.textを置き換えると、複数のrunがまとめられ、個別の書式が失われます。書式設定の多い文書では、runごとに翻訳してください。

大量のテキストを翻訳すると遅い

モデルが VRAM に収まることを確認してください（収まらない場合は CPU にオフロードされ、動作が遅くなります）。モデルのサイズを小さくするか、OLLAMA_KEEP_ALIVE を使用してください。

Markdown 形式のコードブロックが翻訳されています

プロンプトで「コードブロック内の内容は翻訳しないでください」と明確に強調してください。それ以外の方法として、翻訳前にコードブロックを取り出し、翻訳後に元に戻してください。

コンテキストが長すぎたため切り捨てられました

非常に大きな文書はコンテキストウィンドウに収まりません。セクションに分割し、それぞれを個別に翻訳してください。

#さらに詳しく

ローカルAI翻訳の基盤となるのは、適切に選んだOllamaの構成です。導入を補う当サイトのガイドはこちらです：

Ollama のインストール

推論エンジンをまだインストールしていない場合に、インストールするためのガイドです。

Q4、Q5、Q8：どの量子化を選ぶべきか

お使いの GPU に応じて、翻訳品質、速度、VRAM 使用量のバランスを判断するために。

n8n + Ollama：ローカルAIで自動化を実現

翻訳をノーコードのワークフロー（受信メール、アップロードされたファイルなど）に組み込むために。