DeepL vs GPT-5 vs Gemini 3 vs Claude（学術テスト 2026）

私たちは研究者から、研究を英語に翻訳したいので「どの AI 翻訳ツールを使うべきか」という質問をよく受けます。しかし、その質問は「5つの言語」で投げられます。つまり、こうです。学術論文を翻訳するなら、どの AI 翻訳ツールを使うべきですか？既存の DeepL vs GPT-4 の学術翻訳比較は、すでに古くなっているものが少なくありません。というのも、GPT-5 は GPT-4 を置き換えたモデルであり、私たちがここでベンチマークした現行のフラッグシップだからです。残念ながら、2026 年中頃の率直な答えは「単一の正解はない」ということです。4 つの主要翻訳エンジン（DeepL、GPT-5、Gemini 3、Claude Sonnet）は、得意分野がそれぞれ異なり、必要に応じて使い分けるのが理にかなっています。結論は、言語の組み合わせ、文章の長さ、引用の数、そして機械翻訳版を直すのにどれだけ時間をかけたいか、それらに左右されます。必要なのは序列表（ティアリスト）ではなく、判断のためのマトリクスです。

私たちは 4 つのツールすべてに、編集部の原稿ストックから固定した 32 の学術パッセージを投入しました。内訳は、中国語→英語、スペイン語→英語、日本語→英語、アラビア語→英語がそれぞれ 8 本ずつです。分野も多岐にわたります（生物医学、コンピュータサイエンス、社会科学、人文科学）。各テキストには、少なくとも 3 つの in-text citations（本文中の引用）、1 つの統計表現、そして当該分野の専門家が確認できる分野特化の用語を含める必要がありました。私たちは各翻訳を 7 つの軸で評価し、それぞれ臨床薬理学者、コンピュータ科学者、文学研究者という 3 名の PhD レベルのピアレビュアーを採用しました。レビュアーには、どのシステムから出力された翻訳かを伏せたうえで、英語としての読みやすさ（readiness）を 1〜5 のスケールで採点してもらいました。

本記事はその結果です。4 つの候補と、そこでテストしたバージョン、テスト手法、完全な比較マスターテーブル、各ツールごとの 1 セクション深掘り（強みと失敗パターン）、さらに「言語ペアと文書タイプ」に応じて適切なツールを選ぶための判断マトリクスをまとめています。見出しの結論はこうです。2026 年の学術翻訳に「単一の最適ツール」はありませんが、「最適なワークフロー」は存在します。

DeepL vs GPT-4 学術翻訳：2026 年に勝つ AI ツールは？

単一の最良ツールはありません。DeepL は引用の保持とヨーロッパ言語ペアで優位です。ChatGPT（GPT-5、GPT-4 の後継） は短いパッセージにおける学術的レジスター（学術文体）で勝ちます。Gemini 3 Pro は長文コンテキストでの一貫性と、言語ペアのカバー範囲で上回ります。そして Claude Sonnet は、PhD レビュアーのテストにおける平均の publishability スコアが最も高くなりました。トップティアの査読誌に向けた完全原稿の場合、2 パスのワークフロー（あるツールで翻訳し、別のツールでレジスターを整え、その後に校正する）は、どんな 1 パス方式よりも優れています。

4 つの候補と、私たちがテストしたもの

2026 年 6 月時点での各バージョンは、デフォルト設定のままテストしました（ファインチューニングなし、カスタム用語集なし、プロンプトエンジニアリングなし。行ったのは「この学術パッセージを英語に翻訳して」という 1 行の指示のみです）。

DeepL. 翻訳専用ツール。汎用の生成（general purpose generation）ではなく、翻訳のために設計されたニューラルモデルを使用します。コンシューマ向け製品には強いブランディングはありません。モデルは継続的に改善されています。これまでの評判として最も強かったのはヨーロッパ言語ペアです。

GPT-5. OpenAI の現行フラッグシップ。2025 年末に公開されました。ChatGPT のコンシューマー・インターフェースと、長文ドキュメント向けの API を通してテストしました。128K のコンテキストウィンドウは、1 パスで多くのジャーナル原稿の長さをカバーできるほど十分です。とはいえ長い論文はチャンク分割が必要になります。

Gemini 3 Pro. Google の現行プロダクションモデル。数学を多用する分野向けに、2026 年 2 月に Deep Think のロールアウトが行われました。追加の推論レイヤーを必要としないことが多い翻訳用途を踏まえ、Deep Think ではない標準の 3 Pro をテストしました。Gemini 2.5 Pro の後継として、WMT25 の人手評価で 16 言語ペア中 14 で勝利し、2026 年の基準を押し上げました。

Claude Sonnet. Anthropic の現行プロダクションモデル。Opus よりも Sonnet が優先されました。理由は、研究者が実際に使う場面を考えると、スピードと品質の比（speed-to-quality ratio）の方が現実的だからです。Opus は通常の翻訳用途には過剰です。200K のコンテキストウィンドウなら、学位論文全体を 1 パスで確実にカバーできます。

不足している点は、まだ未解決の問いとして残っています。私は Google Translate（クラスが異なり、AI 翻訳ツール vs Google Translate の記事で非常に手厚く扱われています）や、DeepSeek R1（中国語→英語に強いものの、まだ私たちのグループでは本格的な学術翻訳用途として実際に使われているわけではありません）、あるいは Llama 4（オープンソースで動かせますが、セットアップのコストが多くの人にとって実用的な選択肢になりにくい）までは試していません。

テスト方法：学術翻訳で重要になる 7 つの次元

学術文体（academic prose）の翻訳ベンチマークは、マーケティング文面や技術ドキュメントのベンチマークとは同じではありません。重要になる次元は次のとおりです。

3 名の PhD レビュアーが、各出力の publishability を 1〜5 のスケールで評価しました。集計スコアは、下の表に掲載している publishability の数値です。次元別スコア（5 点満点のうちの値）は、同じルーブリックをすべての出力に適用した後の編集部としての判断です。

結果：マスター比較テーブル

32 パッセージすべての平均（2026 年 6 月）。

この表から読み取るべき重要なポイントは 3 つあります。第一に、publishability の差は、どのベンダーのマーケティング主張によって示されるよりもずっと小さいことです。DeepL でさえ、最小限の修正であればレビュアーが受理できるような英文を生成します。第二に、DeepL は引用では勝つものの、学術的レジスターと長文コンテキストの一貫性では大きく負けます。第三に、Claude Sonnet は平均の publishability スコアが最も高いということです。学術的レジスターと長文コンテキストの一貫性への強みが理由です。これは、Claude はニュアンスが重い作業で最も力を発揮する、という私たちの感覚ともよく一致しています。

次元別のストーリーの方が、見出しの数値よりも有用です。以下に深掘りします。

DeepL：翻訳専用の強みと、どこでつまずくのか

DeepL は、このベンチマークで「汎用生成」ではなく「翻訳」のために特化して作られた唯一のツールです。そのトレードオフは、両方向に見えています。

DeepL の強み。 引用の保持はテストにおいて最高で、4.6 です。DeepL は親括弧付きの引用を、デフォルトで保護トークンとして扱います。数値や固有名詞と同じ扱いです。そのため、周辺の英文が大きく再構成されても、引用は概ねそのままの形で残ります。ヨーロッパ言語ペア（スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、オランダ語から英語）は、特にこれらのペアにおける意味の忠実性（meaning fidelity）で、他のツールより一貫して 0.3〜0.5 高いスコアを出しています。たとえば、Elsevier のジャーナル提出に向けて英語へ翻訳するスペイン語の臨床試験論文では、DeepL は本テストにおける最強の 1 パス選択肢でした。

DeepL の弱み。 重要な次元として見ると、学術的レジスターは 3.8 で最も低いスコアです。DeepL は正しく流暢な英語を作りますが、「分野で訓練された書き方」として読める英語は作りません。出力は、ドメインの専門家が書いた論文というより、有能な専門翻訳者による翻訳文のように読まれます。改善策は、翻訳後にドメインを理解した校閲者による編集を行うことです。DeepL だけでは、その 2 回目のパスがない限り、トップティア誌への投稿には十分ではありません。

もうひとつの制約は chunking（分割）です。DeepL のインターフェースは多くのユーザーに対して、約 5,000 words 程度でドキュメントをチャンク分割します。そのため、学位論文や長いレビューは複数セッションに分かれます。セッションをまたぐと用語の一貫性が損なわれます。私たちの観察では、同じ文書内で異なるセッションごとに同一の用語が 3 通りの訳し方で出てくる例がありました。Pro API ではより長い 1 パスのアップロードが可能ですが、コンシューマーの導線ではできません。

5,000 words 未満のヨーロッパ言語の論文で、強力なコピー編集プロセスを備えたジャーナルに提出する場合は、DeepL を推奨します。より長い文書や、ヨーロッパ以外のペアでは、判断が変わります。

GPT-5（ChatGPT）：DeepL vs ChatGPT で学術翻訳はどこに着地するか

GPT-5 は翻訳専用ではありません。たまたま翻訳がうまい汎用モデルです。影響は両方向に現れます。

GPT-5 の強み。 学術的レジスターは 4.5 で、DeepL より意味の忠実性（meaning）ではなく文体面で明確に高い評価です。2010 年ごろから公開された大部分の論文を含む学習データから、学術英語の修辞パターンを内部化しています。方法（methods section）を翻訳するよう求めれば methods-section の英語を生成します。ディスカッションを翻訳するよう求めれば discussion の英語を生成します。レジスターの切り替えは、ベンチマーク内のどのツールよりも強力で、Claude Sonnet にわずかに届かない程度です。

また GPT-5 は、学習データが密な分野では、分野特化の技術用語でも最強クラスです。機械学習、臨床医学、理論物理学などが該当します。このモデルは、2024 年の ML 論文における「transformer」が電気機器を意味するわけではないことを理解しています。曖昧性の解消は、ほぼ常に正しく行われます。

GPT-5 の弱み。 引用の保持は 3.9 で、ベンチマークにおいて最も弱いスコアです。GPT-5 は in-text citations を物語形式（ナラティブ）に書き換えることがあります（例：「（Smith, 2024）」ではなく「Smith は 2024 年に示した」）。私たちのテストでは、そのような書き換えが約 30 パーセントのパッセージで見られました。さらに参照リストの項目も、イタリックが落ちたり、アンパサンドが標準化されたりするなどの再フォーマットが、約 20 パーセントで起きています。

この失敗パターンは、「引用とは何か」を知らない生成処理が、結果として引用を書き換えがちになる、という点で、いわゆる拷問文（tortured-phrase）系の挙動を生むものと同じです（paper-mill screeners flag）。

対策はプロンプトレベルです。GPT-5 に対して、本文中の引用と参照リストのフォーマットをすべて保持するよう明示的に指示すると、書き換え率は約 10 パーセントにまで下がります。それでも DeepL よりは高いですが、現実的に運用可能です。とはいえ、このプロンプトのオーバーヘッドがコストになります。

Gemini 3 Pro：アラビア語→英語の学術翻訳と長文に最適な AI

Gemini 3 Pro は、長文コンテキストの一貫性（4.6）で、ベンチマーク中もっとも強いツールです。また言語ペアのカバー範囲でも 4.6 で首位タイです。いずれも、学術翻訳に特化して効く建築上および学習上の選択が反映されています。

Gemini 3 の強み。 学位論文、書籍、長いレビュー論文で最も重要になる次元は長文コンテキストの一貫性で、4.6 です。私たちは 38,000 words の PhD 論文章を、1 回の Gemini 3 パスで翻訳するテストを行いました。これは、私たちがテストしたすべてのツールの中で、ページ 1 からページ 90 までの用語の一貫性が最も強い結果でした。チャンク分割の影響（DeepL）や、20,000 words 程度以上のドキュメントでのワーキングメモリの問題（GPT-5）も、それに比べてずっと小さいです。

言語ペアのカバー範囲には、今回テストしたあまり一般的でないペアも含まれています。特にアラビア語→英語は意味の忠実性で 4.7 と高く、このペアにおけるベンチマーク最高でした。このペアは、Gemini 2.5 が WMT25 の人手評価で勝利した際の（16 ペア中 14 ペア）対象として使われています。

Gemini 3 の弱み。 引用の保持は 4.0 で GPT-5 よりは少し良いものの、DeepL よりはかなり低くなっています。生成パスに起因する同じ問題で、同じ緩和策（明示的なプロンプト指示）が必要です。学術的レジスターは 4.4 で、GPT-5 と Claude の両方をわずかに下回り、ほぼ同等ですが決め手に欠けます。モデルが、実際よりも「出版された学術英語らしく」しようとする場面があり、その結果「とても有能だが、ちょうどネイティブ学術文体とは言い切れない」と読めることがあります。

Deep Think（2026 年 2 月にロールアウト）のバリアントは特に試す価値があります。数学を多用する分野では効果が期待できるからです。ただし、私たちのテストには物理学や数学を多用するパッセージは含めていません。推論レイヤーの改善によって、これらのペアでの次元スコアが変わる可能性があります。テストをきれいに行えるだけのケースが揃い次第、再検証します。

Claude Sonnet：平均の publishability が最も高い

Claude Sonnet は、全体として publishability（4.6）が最も高い評価です。学術的レジスター（4.7）と長文コンテキストの一貫性（4.7）が高いことが理由です。出版された原稿の投稿で勝ちやすい要素、それこそが、Claude の得意領域です。

Claude の強み。 学術的レジスター（4.7）はベンチマーク内で最高です。モデルが生成した散文は、翻訳というより、当該分野の専門家が書いた論文のように読めます。DeepL が「The results indicate」を生成し、GPT-5 が「The findings suggest」を生成した同じパッセージで、Claude は「These data support the inference that」を生成しました。この調子は、ジャーナルのレビュアーが期待するトーンであり、プロンプトエンジニアリングなしに自然に出てきました。

長文コンテキストの一貫性（4.7）は Gemini 3 Pro と首位タイで、200K のコンテキストウィンドウなら学位論文全体を十分にカバーできます。引用の保持（4.3）は LLM ベースのツールの中で最高です（ただし DeepL の 4.6 には届かない。とはいえ GPT-5 や Gemini よりは有意に良い）。Claude は他の生成モデルよりも、親括弧付きの参照の変更に対して控えめです。

Claude の弱み。 動きの速い分野では技術用語が最新文献の「厳密な現在状態」から遅れることがあります。学習にはカットオフがあるため、カットオフ以後に標準になった用語を、古い用語で翻訳してしまうことが時々あります。校正（proof）段階なら容易に修正できますが、確認のステップが追加で必要になります。臨床薬理学者のレビュアーは、医療パッセージの中でこの事象の例を 2 つ挙げていました。決定的な欠点（deal-breaker）ではありませんが、活動的なサブ分野での翻訳では注意しておく価値があります。

もうひとつはスピードです。Sonnet は通常の翻訳では速い一方、Opus は長文では明らかに遅くなります。品質という観点では大きな問題ではありませんが、急いで 60,000 words の学位論文を回しているような状況では、Sonnet が Opus より速いという事実は実務上のワークフローに関係します。

判断マトリクス：どのツールをどの仕事に使うか

7 次元の表が、入力です。以下の判断マトリクスが、私たちが実際に各ケースでツールを選ぶ際に用いるものです。

このマトリクス全体に共通するパターンはこうです。単一のツールが支配的ではなく、真剣な投稿で最も良いワークフローはほぼ常に 2 パスです。あるツールで翻訳し、別のツールでレジスターを改善し、投稿前に校正（proofread）します。特に校正ステップについては、研究論文の校正（proofreading research papers） にて、これらの翻訳ツールのいずれとも相性が良いワークフローを説明しています。

私たちは DeepL が解決する引用保持の問題と、Claude が勝つ学術的レジスターの課題を、chunking 制約なしで 1 パスで扱うために、独自の学術翻訳ツールを構築しました。私たちは内部ベンチマークを別途公開しており、原稿を任せる前に、当社ツールを含む任意のツールで「5 分で終わる引用保持テスト」を実行することを推奨します。上記のベンチマークに私たちのツールが入っていないのは、それが明白な利益相反（conflict-of-interest）にあたるエントリーになるためです。

よくある質問

Q: 2026 年に学術論文向けで最も良い AI 翻訳ツールはどれですか？

単一の最良ツールはありません。DeepL は引用の保持とヨーロッパ言語ペアで勝ちます。GPT-5 は短いパッセージでの学術的レジスターで勝ちます。Gemini 3 Pro は長文コンテキストの一貫性と、言語ペアのカバー範囲で勝ちます。Claude Sonnet は、全ドキュメント投稿で学術的レジスターに強く、また PhD レビュアーのテストでの publishability スコアが最も高い結果でした。トップティア誌に向けた完全原稿では、2 パスのワークフロー（あるツールで翻訳し、別のツールでレジスターを改善）が、どんな 1 パスよりも優れています。

Q: DeepL は中国語→英語の学術翻訳を扱えますか？

DeepL は 2023 年以降、中国語→英語で改善していますが、それでも私たちのテストでは、このペアにおいて Claude Sonnet と Gemini 3 Pro が上回っています。差が最も大きいのは人文科学および社会科学のパッセージで、DeepL のニューラルアーキテクチャを通すと、中国語の慣用的な学術慣行がうまく伝わりにくいためです。DeepL は、中国語→英語の技術・生物医学翻訳について、初回のパスとして用い、編集を加えるのであれば許容範囲です。Claude Sonnet は、完全な原稿の翻訳ではより強い選択肢です。

Q: これらのツールは LaTeX の数式や図の参照を保持しますか？

ばらつきがあります。DeepL は数式表記を保護トークンとして扱うため、私たちのテストではインライン LaTeX に最も強い結果でした。GPT-5、Gemini 3、Claude はいずれも、ときどき数式ラベルを散文に書き換えたり（「Equation 3」が「the third equation」になる等）インラインの数式を壊したりします。LaTeX 比率が高い文書では、推奨されるワークフローは次のとおりです。翻訳前に数式を抽出し、散文部分を翻訳し、その後に再挿入します。私たちの翻訳ツールは、任意のソース文書に対してこの処理を自動で行います。

Q: これらのツールで全文の研究論文を翻訳するのにどれくらいかかりますか？

典型的には、6,000 words 程度の論文なら、4 つのツールのいずれでも翻訳にかかる時間はおよそ 2〜5 分です。加えて、レビューと翻訳後の編集には 30 分〜2 時間程度かかり、言語ペアと、目標とする対象ジャーナルによって変わります。翻訳ステップで最速なのは DeepL で、長文では最も遅いのは Claude です（長文コンテキストの一貫性と引き換えになるトレードオフ）。すべてのツールに共通するボトルネックは、人間によるレビュー工程であって、モデル推論ではありません。

Q: これらのツールはプロの翻訳者の代わりに使うべきですか？

それは状況次第です。Nature、Science、Cell、あるいは上位 5 位以内の臨床系ジャーナルへの投稿では、導入（introduction）とディスカッション（discussion）のセクションについて特に、プロの人間による翻訳（または AI 翻訳に人間の編集を重ねること）には費用を払う価値があります。中堅ジャーナル、地域ジャーナル、そしてほとんどの会議論文では、2 パスのワークフローでの AI 翻訳に最後の校正を加えれば、出版に耐える品質が得られ、費用は大幅に抑えられます。私たちのテストでは、2 パスの AI ワークフローの publishability はおよそ 4.3〜4.6 でした。一方で、プロの人間翻訳は通常 4.6〜4.9 です。この差は確かに存在しますが、多くの研究者が想定しているほど大きくはありません。

引用保持機能を内蔵した学術翻訳ツール

50以上の言語ペア。翻訳前に引用を抽出し、翻訳後に原文のまま再挿入。章の種類に合わせて学術的な文体を調整します。