Googleが翻訳モデル「TranslateGemma」公開：12B版が27B超え、画像内翻訳も対応

TranslateGemma は、Google が Gemma 3 をベースに開発したオープンな翻訳専用モデル群です。自前の PC やローカル環境で高精度な多言語翻訳を実行でき、画像内の文字を直接読み取って翻訳する機能もそのまま備えています。

ラインナップは 4B、12B、27B の 3 サイズ。一番の強みはその圧倒的な効率性です。WMT24++ ベンチマーク（MetricX 評価）において、12B の TranslateGemma が従来の Gemma 3 27B ベースラインを上回る精度を記録し、4B モデルも従来の 12B ベースラインに迫る性能を見せています。

何ができるのか

モデルは英語、中国語、フランス語、スペイン語、ヒンディー語などの主要言語からリソースの乏しい言語まで、55 の言語ペアにしっかり対応しています。Google によれば、従来の Gemma ベースラインと比較して全言語でエラー率が大幅に低下しました。

さらに、評価スコアこそ未確定なものの、約 500 の追加言語ペアでも事前学習が行われています。ニッチな言語向けにファインチューニングをかけたい開発者にとって、格好のベースモデルになります。

マルチモーダル機能も健在です。Gemma 3 本来の視覚能力を受け継いでおり、画像翻訳ベンチマーク「Vistra」のテストでも良好な結果を示しました。翻訳学習時に特別な画像ファインチューニングを施していないにもかかわらず、テキスト翻訳精度の向上がそのまま画像内文字の翻訳精度向上につながっています。

仕組みと動作環境

モデルを小型化しながら精度を跳ね上げた秘訣は、Google のフラッグシップモデルである Gemini からの知識蒸留です。

開発は 2 段階で進められました。まずは人間による翻訳データと Gemini が生成した高品質な合成データを組み合わせた教師ありファインチューニング（SFT）。続いて MetricX-QE や AutoMQM などの報酬モデルを活用した強化学習（RL）を行い、文脈に沿った自然な言い回しへと磨き上げています。

要求スペックも用途に応じて整理されています。4B はスマートフォンやエッジデバイスでの推論に最適化され、12B は一般的なノート PC 上で快適に動作する設計です。最大の 27B も単一の H100 GPU または TPU で動かせます。

なぜ重要か

プライバシーに配慮したい企業や個人開発者にとって、TranslateGemma は非常に現実的な選択肢です。これまで同等の翻訳品質を得るには商用 API を叩き続けるか、巨大な汎用モデルをローカルで無理に動かすしかありませんでした。12B であれば普段使いのノート PC で十分動きます。

500 の追加言語ペアについては今後のコミュニティ検証が必要ですが、Gemini の能力を軽量な Gemma に落とし込む手法は極めて実用的です。オフライン翻訳やアプリの多言語展開を考えているなら、まずは 12B や 4B から試してみる価値があります。