AI 번역기 - SDK.ac

신경망 번역 vs LLM 번역: 실제로 무엇이 달라졌나

구글 번역, DeepL, 파파고 같은 전통적인 신경망 기계번역(NMT) 시스템은 병렬 말뭉치로 학습된 인코더-디코더 모델입니다. 문장을 하나씩 번역하며, 주변 문서에 대한 기억이 거의 없습니다. 그래서 빠르고 저렴하고 결정적(deterministic)입니다. 같은 입력은 거의 항상 같은 출력을 냅니다. 하지만 익숙한 실패 패턴도 여기서 나옵니다. 3번째 문장에 있던 선행사를 잊어버려 12번째 문장의 대명사 성별이 틀리고, 제목에서는 번역된 제품명이 본문에서는 음차되고, 매뉴얼 중간에서 존댓말이 갑자기 반말로 바뀝니다. 대규모 언어 모델(LLM)은 다르게 번역합니다. 전체 지문을 하나의 컨텍스트 윈도우 안에서 읽기 때문에 문장 간 지시 관계, 반복되는 표현, 문서 전체의 용어가 수천 단어에 걸쳐 일관되게 유지됩니다. 또한 지시를 따릅니다. 용어집, 목표 문체, 글자 수 제한, "브랜드명은 번역하지 말 것" 같은 규칙을 주면 대체로 지켜줍니다. 대신 느리고, 단어당 비용이 높고, 비결정적입니다. 같은 프롬프트가 다른 표현을 낼 수 있고, 모호한 부분을 짚어주는 대신 조용히 뭉개고 넘어갈 수도 있습니다. 실용적인 기준은 이렇습니다. 속도가 중요한 대량·저위험 텍스트는 전용 NMT로, 맥락·톤·용어 일관성이 지연 시간보다 중요한 텍스트는 LLM 번역으로 처리하세요. 이 도구는 LLM 방식이 제대로 작동하도록 지시가 풍부한 프롬프트를 만들어 줍니다.

격식은 선택이 아니다: 반말/존댓말, 케이고, T-V 구분

영어는 격식을 대부분 어휘 선택 속에 숨기기 때문에, 영어 화자는 번역에서 어휘가 아니라 문체(register)가 차지하는 비중을 늘 과소평가합니다. 한국어는 거의 모든 문장의 어미에 공손함이 문법화되어 있습니다. 해체(반말), 해요체(일상 존댓말), 합쇼체(뉴스·비즈니스 문서의 격식체)는 모두 같은 영어 문장의 "옳은" 번역이지만, 잘못 고르면 무례하거나 우스꽝스럽게 딱딱해집니다. 일본어는 여기에 케이고(敬語)를 겹칩니다. 보통체, です/ます체에 더해 존경어(尊敬語)와 겸양어(謙譲語)라는 별도의 동사 체계가 있어, 누구의 행위를 높이느냐에 따라 동사 자체가 바뀝니다. 유럽 언어에는 T-V 구분이 있습니다. 프랑스어 tu/vous, 독일어 du/Sie, 스페인어 tú/usted가 그것이고, 비즈니스 독일어는 영어라면 편하게 이름을 부를 상대에게도 여전히 Sie가 기본입니다. 기계 번역은 문체를 추측할 수밖에 없는데, 짧은 입력에는 그 추측의 근거가 되는 표면 단서가 없는 경우가 많습니다. 이것이 가장 고치기 쉬운 번역 실패입니다. 문체를 명시적으로 지정하세요. 누가, 누구에게, 어떤 상황에서 말하는지 알려주면 됩니다. "기업이 성인 고객에게 보내는 CS 답변, 공손하되 딱딱하지 않게(해요체)"라고 쓰면 추측의 여지가 사라집니다. 읽을 수 없는 언어로 번역할 때는 모델에게 어떤 문체를 선택했는지 명시하게 하세요. 원어민 검수자가 선택을 역추적하는 대신 바로 검증할 수 있습니다.

Weak prompt:
"Translate to Korean: We're sorry, but your refund could not be processed."

Strong prompt:
"Translate to Korean. Context: customer-support email from an
e-commerce company to an adult customer. Register: polite 해요체,
warm but professional. Keep the brand name 'PayNow' untranslated.
Text: We're sorry, but your refund could not be processed."

Result (weak):  환불을 처리할 수 없다.        <- abrupt, near-반말
Result (strong): 죄송하지만 PayNow에서 환불을
                 처리하지 못했어요.            <- correct register

일본어와 한국어가 번역기를 무너뜨리는 이유: は/が, 주어 생략, 조수사

가장 위험한 번역 오류는 유창하고 문법적으로 완벽한데 뜻이 틀린 출력입니다. 일본어의 は와 が가 고전적인 사례입니다. は는 화제("X로 말하자면")를, が는 문법적 주어를 표시하는데, 이 둘을 바꾸면 초점이나 의미가 달라집니다. 私は行きます는 중립적인 "저는 갑니다"지만, 私が行きます는 "가는 사람은 바로 저입니다"라는 뜻으로 "누가 가나요?"에 대한 대답입니다. 번역기는 둘 다 "I will go"로 뭉개서 대비를 잃고, 반대 방향에서는 영어가 표현한 적 없는 구분을 만들어내야 합니다. 일본어와 한국어는 모두 주어 생략(pro-drop) 언어입니다. 맥락이 채워주면 주어와 목적어가 사라집니다. "어제 봤어요"는 문자 그대로 "yesterday saw"이고, 누가 무엇을 봤는지는 앞 문장에서 복원해야 합니다. 문장 단위 NMT는 추측할 수밖에 없는데 가장 좋아하는 추측이 "I"라서, 번역된 한국어 대화문에 유령 1인칭 주어가 그렇게 많은 것입니다. 전체 지문을 컨텍스트로 가진 LLM은 훨씬 잘 추측하지만, 한 줄만 떼어 주지 말고 실제로 지문 전체를 줘야만 그렇습니다. 조수사와 분류사도 있습니다. 일본어는 평평한 물건을 枚로, 기계를 台로, 작은 동물을 匹로 세고, 중국어는 양사가 필수이며(一本书, 三张桌子), 한국어는 고유어 수사와 한자어 수사가 서로 다른 단위 명사와 결합합니다. 조수사가 틀리면 원어민에게는 즉시 보이고 여러분에게는 보이지 않습니다. 항상 주변 맥락과 함께 번역하고, 고객에게 노출되는 텍스트는 반드시 원어민 검수를 거치세요.

Context-free input (1 line):
  "봤어요?"
NMT output:
  "Did you see it?"   <- "you"/"it" are pure guesses

Same line with context supplied:
  "A: 어제 새로 나온 예고편 봤어요?
   B: 아직요. 오늘 밤에 보려고요."
LLM output:
  "A: Did you watch the new trailer that came out yesterday?
   B: Not yet. I'm planning to watch it tonight."

Rule: never translate dialogue line-by-line.
Paste the whole exchange and translate it in one pass.

실전 번역 워크플로: 맥락, 용어집, 역번역

전문 번역가는 바로 타이핑을 시작하지 않습니다. 먼저 맥락을 구축합니다. 그 규율을 세 단계로 빌려올 수 있습니다. 첫째, 맥락을 앞에 실으세요. 본문에 앞서 도메인(법률, 의료, 마케팅, 일상 대화), 독자, 목적, 그리고 UI 문자열의 최대 길이 같은 제약을 명시하세요. 맥락 두 문장이 사후 편집 어떤 것보다 번역 품질을 크게 끌어올리는 경우가 흔합니다. 둘째, 용어집을 유지하세요. 모든 제품명, 기능명, 직책명에는 승인된 번역이 정확히 하나씩 있어야 하고, 그 목록을 모든 번역 요청에 붙여 넣어야 합니다. 용어 표류 — 같은 기능이 헬프센터 곳곳에서 세 가지 이름으로 불리는 것 — 는 AI 번역 문서의 가장 흔한 결함인데, 붙여 넣은 용어집이 대부분을 제거합니다. 번역하지 말아야 할 항목도 포함하세요. 브랜드명, 코드 식별자, 법률 전문용어가 그렇습니다. 셋째, 역번역으로 검증하되 신중하게 하세요. 결과물을 새 요청에서(모델이 원문을 보고 그대로 되풀이할 수 있는 같은 대화가 아니라) 원어로 다시 번역해 보세요. 역번역은 스모크 테스트입니다. 누락, 부정문 뒤집힘, 숫자 오류는 확실히 잡아내지만, 뉘앙스·문체·자연스러움은 보증하지 못합니다. 어색한 번역도 역번역은 완벽하게 되는 경우가 많습니다. 법률·의료·금융처럼 결과가 무거운 텍스트에서 역번역은 원어민 검수를 보완할 뿐, 결코 대체하지 못합니다.

Glossary block to prepend to every request:

GLOSSARY (use exactly these translations):
- "Workspace"      -> 워크스페이스 (never 작업 공간)
- "billing cycle"  -> 결제 주기
- "seat"           -> 시트 (a license, not 좌석)
DO NOT TRANSLATE: SDK.ac, OAuth, API key, webhook

CONTEXT: SaaS admin console UI. Max 20 characters
per string. Register: 합쇼체 for buttons, 해요체 for
descriptions. Return a table: source | translation.

여전히 틀리는 것들 — 그리고 사람을 불러야 할 때

프롬프트가 완벽해도 자주 틀리는 범주가 있어서 매번 손으로 확인해야 합니다. 관용구와 말장난은 모델이 알아채지 못하면 직역됩니다. "break a leg"가 실제 자막에서 "다리를 부러뜨리세요"가 된 사례가 있습니다. 인명과 지명은 음차가 오락가락합니다. 철자를 고정하지 않으면 김서연이 한 문서 안에서 Kim Seo-yeon, Seoyeon Kim, Kim Seoyeon으로 제각기 등장할 수 있습니다. 날짜와 숫자는 조용히 형식이 바뀝니다. 03/04/2026은 뉴욕에서는 3월 4일, 런던에서는 4월 3일이고, 한국어의 '억'은 깔끔하게 대응하는 영어 단위가 없어 금융 텍스트에서 자릿수 오류를 부릅니다. 단위, 통화, 법률 전문용어(consideration, force majeure, 전세)는 진정한 등가어가 없는 경우가 많아 번역이 아니라 현지화가 필요합니다. AI 번역은 매우 유능한 초벌 번역으로 취급하세요. 내부 메모, 커뮤니티 글, 지원 매크로 같은 저위험 콘텐츠라면 한 번 훑어본 뒤 게시해도 될 만큼 충분히 좋습니다. 하지만 계약서, 의료 지침, 안전 경고, 톤 자체가 상품인 마케팅 카피는 검수 없이 쓸 수준이 아닙니다. 모델은 어느 문장이 불확실했는지 알려주지 않습니다. 어느 쪽이든 자신만만한 출력을 내놓습니다. 원문 없이 번역문만 처음 읽어보는 원어민 한 명이 지금도 가장 가치 있는 품질 검사입니다.