ANIS Trans
서브컬처 게임과 한글패치 제작을 위해 개발 중인 번역 모델입니다.
모델 개발 안내
ANIS는 서브컬처 게임과 한글패치 제작에 활용할 전용 번역엔진 ANIS Trans를 개발하고 있습니다. 게임 번역과 교정 과정에서 쌓은 데이터를 바탕으로, 번역 비용 부담을 줄이고 가볍고 빠르게 사용할 수 있는 엔진을 만드는 것이 목표입니다.
현재 모델 가중치는 미공개이며 개발·검증을 진행 중입니다. 최신 모델은 ANIS Trans 04 · Plus입니다. 가중치는 머신에 보관하고, 평가 결과와 개발 경과를 공개합니다.
개발 배경은 서브컬처 전용 번역 AI 모델 개발 안내 글에서 확인하실 수 있습니다.
최신 04 · Plus 비교는 JK Trans 1.2.1, 이전 01~04 이력의 수치는 JK Trans 1.1 기준입니다. 도구 버전이 다른 수치를 직접 비교하지 않습니다. chrF는 기준 번역과의 유사도이며 번역 정확도 백분율이 아닙니다.
학습 데이터셋 수의 기준: 각 버전의 학습 단계에 준비한 일본어→한국어 예제 수입니다. 검증·테스트는 제외하고 문맥 변형 예제는 포함합니다. 03·04는 이 데이터에서 분야별 비율에 따라 반복 추출해 학습했습니다.
ANIS Trans 04 · Plus
중점 개선: 같은 데이터로 학습 스텝을 늘려 일반 번역과 새 게임 적응을 보강.
학습 데이터셋: 총 6,513,905개 예제
기존 04의 마지막 12,000스텝 상태에서 옵티마이저·난수·데이터 위치를 이어받아 총 36,000스텝까지 학습했습니다. 추가 구간은 마지막 학습률 6e-6을 유지했습니다. 파라미터 100,037,216개와 토크나이저·학습 데이터는 그대로입니다. 검증 점수로 36,000스텝 가중치를 선택했으며 테스트 점수는 선택에 사용하지 않았습니다.
같은 JK Trans 1.2.1 조건에서 재측정한 기존 04 대비 게임 chrF 51.79→51.84, AIHub 64.72→65.25, 신규 게임 홀드아웃·원문 문맥 57.07→58.62입니다. AIHub와 신규 게임에서 상승을 확인했으며 기존 게임은 거의 같습니다. 형식 보존율은 82.03%→81.64%로 256개 중 통과 1개가 줄었고, 변수 보존은 69개 모두 통과했습니다. 문맥 뜻 구분 문제는 계속 남아 있습니다.
기존 배포 04는 12,000스텝 예산 중 선택한 10,500스텝입니다. 24,000스텝 예산의 검증 선택은 22,500스텝이었고 최종 최고 검증 점수는 36,000스텝입니다. 기존 04 가중치는 보존하고 Plus를 별도 모델로 보관합니다.
이전 모델 이력
더보기를 누르면 04·03·02·01의 개선 내용과 03 크기별 실험을 최신순으로 확인할 수 있습니다.
설명 더보기설명 접기
ANIS Trans 04 · 100M
중점 개선: 새 게임에 대한 적응과 100M급 모델 구조 확정.
학습 데이터셋: 총 6,513,905개 예제
04 학습 완료: 12,000스텝 중 검증 점수로 10,500스텝 가중치를 선택했습니다. 실제 파라미터는 100,037,216개입니다.
- 모델 구조: 03의 97M 가중치를 이어받고 FFN 폭을 8,544로 맞췄습니다. 16K 일본어·한국어 토크나이저, 은닉 크기 512, 인코더 6층·디코더 3층을 유지합니다.
- 데이터 확장: 기존 데이터에서 평가 중복 28개를 추가 제외한 6,173,067개에, 추가 게임 4종의 신규 예제 340,838개를 합쳤습니다. 기존 게임·일반 번역·인명·지명·일반 명사 풀과 함께 학습했습니다.
- 평가 분리: 파일 단위로 검증 300개와 테스트 400개를 따로 두고 기존 학습·평가 데이터와의 정확 중복을 검사했습니다. 체크포인트 선택에는 검증 점수를 사용했습니다.
- 새 게임 적응: 같은 100M 구조의 학습 전후를 비교한 신규 게임 홀드아웃에서 문맥 번역 chrF가 35.89 → 57.07로 높아졌습니다. 문맥을 제공할 수 있는 동일한 382개 예제를 비교한 수치입니다.
- 기존 평가의 변화: 출발 모델인 03·97M 대비 게임 chrF 50.25 → 51.80, AI Hub 63.55 → 64.70입니다.
- 남은 과제: 게임 형식 보존은 81.71%로 기본 03의 83.30%보다 낮았습니다. 두 문맥 모두 뜻 단서를 확인한 자동 진단은 0/22쌍으로, 형식 보존과 문맥에 따른 뜻 구분은 계속 검수·개선할 부분입니다.
-
ANIS Trans 03 · 기본 약 40M
중점 개선: 일반 번역과 인명·지명·일반 명사 보강.
학습 데이터셋: 총 6,173,095개 예제
- 학습 구성: 02 가중치를 이어받아 AI Hub 일반 번역, 기존 게임, 기존 일반 문장, 일본 인명·지명, 일반 명사 보조 데이터를 함께 학습했습니다. 기본 모델은 40,111,616개 파라미터로 구조와 토크나이저를 유지했습니다.
- 학습 선택: 12,000스텝 학습 후 10,500스텝 가중치를 선택했습니다. 게임 성능을 함께 확인하면서 일반 번역을 보강했습니다.
- 확인된 변화: 02 대비 게임 chrF 45.77 → 50.24, AI Hub 29.30 → 62.89, 형식 보존 75.50% → 83.30%입니다.
- 남은 과제: 게임 UI 용어와 이름 표기의 일관성, 앞뒤 문맥에 따른 뜻 선택은 추가 검수가 필요합니다. 기본 모델의 문맥 쌍 단서 확인은 0/22쌍이었습니다.
03 크기별 실험
같은 02 가중치에서 출발해 03과 같은 6,173,095개 학습 예제·토크나이저·12,000스텝 조건으로 FFN 폭만 달리 비교했습니다. 용량 증가에 따른 게임 점수 변화는 작았고, AI Hub에서는 큰 모델이 더 높은 점수를 보였습니다.
모델 구조 변경과 목적 학습 예제 수 게임 chrF AI Hub chrF 03 · 172M FFN 폭 16,384로 확장한 대형 비교 모델 6,173,095 50.12 64.13 03 · 97M FFN 폭 8,192로 확장. 이후 04의 출발 가중치로 사용 6,173,095 50.25 63.55 03 · 59M FFN 폭 4,096로 확장한 중간 크기 모델 6,173,095 50.28 63.28 03 · 31M FFN 폭 1,024로 줄인 경량 모델 6,173,095 50.01 61.63 03 기본 · 약 40M FFN 폭 2,048의 기준 모델 6,173,095 50.24 62.89 -
ANIS Trans 02 · 약 40M
중점 개선: 학습 게임의 범위 확대.
학습 데이터셋: 총 1,328,007개 예제
- 데이터 확장: 게임 3종과 공개 일반 번역을 조합했습니다. 문맥과 화자·행 유형을 달리한 변형 예제를 포함합니다.
- 학습 방법: 01과 같은 약 40M 구조와 16K 토크나이저를 사용하고, 초기화 시드 42에서 확장 데이터로 처음부터 학습했습니다.
- 확인된 변화: 01 대비 게임 chrF 39.71 → 45.77, 형식 보존 70.40% → 75.50%입니다. AI Hub는 29.13 → 29.30로 변화가 작아 일반 번역 보강이 후속 과제가 됐습니다.
-
ANIS Trans 01 · 약 40M
첫 기준 모델: 게임 번역에 필요한 입력 형식과 소형 번역 구조 마련.
학습 데이터셋: 총 1,182,717개 예제
- 기본 구조: 일본어→한국어 약 40M 모델에 16K 토크나이저, 인코더 6층·디코더 3층을 적용했습니다.
- 학습 기반: 게임 번역과 공개 일반 문장을 함께 학습했습니다. 앞뒤 문맥, 익명화한 화자, 대사·독백·시스템 등의 행 유형, 변수 보호를 학습 입력에 반영했습니다.
- 기준 성능: 게임 chrF 39.71, AI Hub 29.13, 형식 보존 70.40%로 이후 모델의 비교 기준을 마련했습니다.
평가 안내
문맥 단서 확인은 자동 어휘 진단이며 사람이 확정한 의미 정답률은 아닙니다. 뉴스·문맥 항목에는 학습 대상 문장 중복이 있는 모델이 있어 평가 탭의 조건과 함께 판독해야 합니다. 기준 번역 역시 독립적인 사람 검수 전의 잠정 평가입니다.
전체 비교 결과: JK Trans 1.1 · JK Trans 1.2. 두 평가 도구 버전의 수치는 각 버전 안에서 비교합니다.