بناء ذاكرة ترجمة عربية بـ Argos Translate وvecalign
كيف تحوّل وثائقك ثنائية اللغة المتراكمة إلى ذاكرة ترجمة قابلة للاستخدام في OmegaT.
أهمية ذاكرة الترجمة للمؤسسات
تمتلك العديد من المنظمات غير الربحية (NGOs) والباحثين والمؤسسات أرشيفاً ضخماً من المستندات المترجمة يدوياً على مدار سنوات (ملفات Word، تقارير PDF باللغتين العربية والإنجليزية). ولكن هذه الثروة المعرفية تظل مهدرة طالما أنها ليست محفوظة في ذاكرة ترجمة (Translation Memory) قابلة لإعادة الاستخدام. في هذا الدليل المتقدم، سنتعلم كيف نحول هذه الوثائق الثنائية اللغة المتراكمة إلى ذاكرة ترجمة بصيغة (TMX) قابلة للاستخدام في برامج الترجمة بمساعدة الحاسوب مثل OmegaT، بالاعتماد على أدوات مفتوحة المصدر بالكامل.
الأدوات التقنية المستخدمة
- Argos Translate: محرك ترجمة آلية مفتوح المصدر يعمل محلياً، ويُستخدم هنا لترجمة النصوص الأولية لإنشاء تطابق (Alignment) أولي.
- vecalign: أداة متقدمة من جامعة LMU ميونخ تعتمد على تضمين الجمل (Sentence Embeddings) لعمل محاذاة دقيقة جداً بين النصوص الموازية.
- PostgreSQL: قاعدة بيانات علائقية متينة لتخزين أزواج الجمل المستخرجة، مما يسهل تصفيتها لاحقاً وحذف الجمل المكررة.
- OmegaT: أداة ترجمة (CAT Tool) مجانية ومفتوحة المصدر ستقرأ الذاكرة التي سنقوم بإنشائها.
خطوات بناء ذاكرة الترجمة
1. استخراج وتنظيف النصوص (Text Extraction)
تبدأ العملية باستخراج النصوص من الوثائق القديمة. يمكنك استخدام مكتبات البايثون مثل PyPDF2 أو python-docx لاستخراج النص من النسختين (العربية والإنجليزية). بعد ذلك، يجب تقسيم النص إلى جمل (Sentence Tokenization) باستخدام أدوات متخصصة، حيث يتم وضع الجمل العربية في ملف نصي (source.txt) والإنجليزية في ملف (target.txt)، كل جملة في سطر مستقل.
2. الترجمة التقريبية (باستخدام Argos Translate)
لضمان محاذاة دقيقة، يعتمد نظام vecalign على فهم التقارب الدلالي. نقوم أولاً بتشغيل Argos Translate لترجمة الملف العربي إلى إنجليزية تقريبية (أو العكس). هذه الخطوة تعطي خوارزمية المحاذاة أساساً صلباً لمقارنة تضمينات (Embeddings) اللغتين.
3. المحاذاة الذكية باستخدام vecalign
تستخدم أداة vecalign نماذج مثل (LASER) لتحويل الجمل إلى أشعة رياضية (Vectors). ثم تبحث عن أفضل محاذاة ممكنة حتى لو كانت فقرة طويلة في الإنجليزية تُرجمت كجملتين في العربية. ناتج هذه العملية هو ملف يحتوي على أزواج الجمل المتطابقة مع درجة الثقة (Confidence Score) لكل زوج.
4. الفلترة والتخزين في PostgreSQL
نأخذ الأزواج التي حصلت على درجة ثقة عالية (مثلاً أعلى من 0.8) ونقوم برفعها إلى قاعدة بيانات PostgreSQL. الهدف من استخدام قاعدة البيانات هو:
- حذف الجمل المكررة (Deduplication).
- إزالة الجمل القصيرة جداً أو التي تحتوي على رموز غير مفهومة.
- تسهيل البحث والتصدير مستقبلاً.
5. التصدير إلى صيغة TMX واستخدامها في OmegaT
أخيراً، نكتب سكربت Python بسيط يستخرج البيانات النظيفة من قاعدة البيانات ويولد ملف TMX (Translation Memory eXchange)، وهو المعيار العالمي لواجهات ذواكر الترجمة. بمجرد فتح برنامج OmegaT وتحميل الملف في مجلد ™، سيبدأ البرنامج فوراً في اقتراح ترجمات دقيقة وموثوقة مبنية على أرشيف مؤسستك بالكامل لأي مشروع ترجمة مستقبلي.
الخلاصة
بناء ذاكرة ترجمة محلية ومجانية يعكس استثماراً تقنياً ذكياً. فهو لا يقلل تكلفة الترجمة المستقبلية بنسبة قد تصل إلى 40% فحسب، بل يضمن أيضاً توحيد المصطلحات الخاصة بالمؤسسة، والاحتفاظ بملكية وخصوصية البيانات داخل جدران المنظمة.