記事
Prompt の言語が、どの並行宇宙の学習データと対話するかを決める
Token を節約するために Prompt を英語に翻訳するのはもうやめましょう！英語に訳すほど、なぜ AI は「給到」や「質量」を返してくるのか？本記事は ACL の言語モデル研究と実践経験をもとに、「専門用語は原文のまま＋母語で説明＋地域のアンカーを明示」がやり取りの修正コストを下げる最適解である理由を解説します。
· 9 分で読めます
Prompt を英語に翻訳するのはやめよう：Token を節約しようとするほど、AI が「給到」や「質量」を返してくるのはなぜ？
TL;DR（結論）
Prompt を書くときのベストプラクティスの式は、「専門用語は英語の原文のまま ＋ 要件の文脈は対象読者の母語で書く ＋ 地域と読者のアンカーを明確に結びつける」です。毎回 100% 最も自然な文章が出るとは限りませんが、一発で的中する確率を大きく高め、語気や用語を何度も直す手間を省けます。
多くのエンジニアやヘビーな AI ユーザーには、ある習慣があります。少しでも Token を節約したくて、あるいは「英語で聞いたほうが AI の論理が良い」と聞いて、Prompt を送る前に翻訳ツールで要件を英語にし、最後に Please reply in Traditional Chinese と付け足すのです。
その結果はどうでしょう。数円分の Token は節約できても、「這個方案能給到你很好的體驗」や「如何優化代碼質量」といった文章がずらりと返ってきます。そして結局、10 分かけてそれらの語を台湾の言い方に手作業で直すことになります。
どの言語で質問するかが、AI がどの人々のコーパスから答えを探すかを決めます。
一、実際にハマった事例：なぜ AI はいつも「給到」と書くのか？#
先日、AI に情報の要約をまとめてもらい、出力は繁体字中国語を指定しました。内容の論理に問題はありませんでしたが、中に「給到…」という言い回しが出てきました。
「給到」は中国大陸の職場用語の典型で、台湾の人が日常の会話でこう言うことはまずありません。
問題は AI が中国語を理解していないことではなく、「言語は地域と同じではなく、繁体字中国語も台湾と同じではない」ことにあります。
大規模言語モデル（LLM）の学習コーパスでは、簡体字中国語のデータ量が繁体字中国語をはるかに上回ります。英語だけで指示して Traditional Chinese を求めると、モデルはデータ量が最も多い中国語の表現（多くは中国大陸由来）をそのまま使い、字形だけを繁体字にして出力しがちです。
母語で Prompt を書くことは、AI をローカライズの方向に寄せるだけです。「地域」と「読者」を明確に伝えて初めて、文脈の最後のギャップを埋められます。
二、なぜ質問の言語が AI の答えを直接変えるのか？#
これはオカルトではなく、言語モデルの内部の仕組みから必然的に起こることです。技術と研究の観点から、核心的な理由が 3 つあります。
1. AI の根底にあるのは「条件付き確率と次の語の予測」#
同じ事柄でも、言語コミュニティが違えば、切り口も慣用句も価値観もまったく異なります。こうした違いはすべて学習データの重みに圧縮されています。英語で質問すれば、モデルは英語圏のコーパスに沿って続きを生成します。台湾で使われる繁体字中国語の語彙で質問してはじめて、台湾の文脈の確率分布につながりやすくなります。
2. 学術研究が裏付け：質問の言語が対応する文化的アラインメント（Cultural Alignment）を引き起こす#
2024 年に ACL で発表された研究（AlKhamissi et al., 2024, arXiv:2402.13231）は、エジプトとアメリカの社会調査をシミュレーションしました。研究チームは、ある文化の主要言語で質問すると、LLM の回答分布が現地の実在の人々の調査結果に有意に近づくことを発見しました。また、代表される度合いが低い集団ほど、そして話題がセンシティブなほど、モデルの偏りが大きくなることも分かりました。
3. 言語と用語選びは、AI が「あなたは誰か」を判断する主な手がかり#
AI はあなたを知りません。複雑な個人メモリ（Memory）を読み込んでいない状況では、使っている言語、混ぜている専門用語、さらには句読点の癖までもが、モデルが「質問者の背景」と「期待される出力水準」を推測する暗黙の手がかりになります。
三、言語だけでなく、「語気」も Prompt の一部#
正しい言語を選ぶだけでなく、母語で示す「丁寧さの度合い」もモデルの性能に影響します。
英語・中国語・日本語の Prompt を対象にしたもう一つの多言語研究（Yin et al., 2024, arXiv:2402.14531）は、AI に対して失礼すぎたり無礼だったりすると生成品質が下がることが多い一方で、過度に丁寧だったり回りくどかったりしても性能が良くなるとは限らないと指摘しています。さらに重要なのは、どの言語にもそれぞれ対応する「最適な丁寧さの度合い（Sweet Spot）」、つまりちょうど良い黄金のバランスがあり、それが言語によって異なることです。
最も慣れた母語で書けば、語気の加減（例：「語気は率直で、マーケティング的な無駄話は不要」）を正確に調整でき、ぎこちない英語への翻訳で語気や文体のコントロールを失うのを避けられます。
四、中国語 vs. 英語 Prompt の判断マトリクス（いつ英語を使うべきか？）#
母語の重要性を強調するのは、英語を完全に捨てろという意味ではありません。
Input Token が極めて安い今、「Token の節約」はとっくに偽の課題で、本当のコストは「やり取りと手作業での修正にかかる摩擦コスト」です。重要なのは中国語か英語かではなく、今あなたが求めているのが「ローカライズされた文脈」なのか、「純粋な技術的正確さ」なのかです。
次の判断表をそのまま参考にできます。
| タスクの場面 |
推奨する記述言語 |
主な理由と方針 |
| ローカライズされたコンテンツ制作 （ブログ、マーケティングコピー、プロダクトの UI 文言、顧客向けメール） |
母語での説明 ＋ 英語の用語 ＋ 地域アンカー |
翻訳調や台湾の慣用でない表現（例：視頻、質量、給到）を避け、台湾の読者の文脈にそのまま入る。 |
| 国をまたぐ多言語翻訳 （例：中国語からタイ語、多言語サイトのローカライズ） |
母語での指示 ＋ 対象の地域と役割を明確に指定 |
英語を中間言語（Pivot Language）にすることによる、二重の意味の劣化を避ける。 |
| 純粋なコード生成と Debug （システム設計、アルゴリズム、デバッグ） |
中国語・英語どちらでも可（推奨：母語での論理 ＋ 英語の用語と Error Log） |
技術キーワード（API、PR、Deployment）や公式ドキュメントはもともと英語なので、原文を残すと最も正確な技術的ウェイトに合わせられる。 |
| 海外の最新技術ドキュメント / 学術論文の検索 |
英語が中心 |
元の資料はほとんど英語なので、英語のキーワードで直接検索（RAG / Search）すると再現率が最も高い。 |
五、実践 Checklist：一度で的確な回答を得る 5 つのチェックポイント#
次に高品質な中国語の出力が必要な Prompt を書くときは、もう翻訳ソフトを開かないでください。このリストをそのまま使いましょう。
実践 Prompt の例の比較#
❌ 悪い例（英語を過信 + 条件が曖昧）：
Write a blog post about prompt language selection in Traditional Chinese. Make it professional.
✅ 良い例（母語の文脈 + 用語は原文のまま + 地域と読者のアンカー）：
台湾で一般的な繁体字中国語で、台湾のエンジニア向けの技術的な見解の記事を書いてください。テーマは「Prompt の質問言語の選び方」です。
要件：
1. 専門用語（Token, Prompt, Context, API など）は英語の原文のままにし、あえて翻訳しない。
2. 語気は率直かつ客観的に、結論と実行可能なリストをそのまま示し、教科書的な語り口やマーケティング的な空疎な言葉は使わない。
3. 台湾の現地の用語を厳密に使い、「給到、質量、視頻、代碼」などの語を出さない。
よくある質問（FAQ）#
Q1：中国語で Prompt を書くと、Token を多く消費して遅くなりませんか？#
同じ内容を中国語で書くと、Token 数は通常英語より少し多くなりますが、Input Token の料金は非常に低いです。節約できるわずかな Token 費用より、文脈の誤りのために「再生成」や手作業での書き直しが必要になって無駄にする時間コストのほうが、最も高くつく見えない出費です。
Q2：AI に「繁体字中国語（Traditional Chinese）」を使うよう指定したのに、なぜ中国大陸の表現が出てくるのですか？#
モデルにとって Traditional Chinese は、多くの場合「文字コードと字形（Script）」を表すだけで、「地域の文化（Locale）」を表さないからです。香港・マカオ、台湾、そして簡体字から繁体字へ変換したコーパスは、どれも繁体字中国語に含まれます。「台湾の用語（zh-TW）」と「対象読者（例：台湾のエンジニア）」を明確に指定してはじめて、モデルの語彙選択を正しく絞り込めます。
ローカライズされた回答がほしいなら、現地の言語で質問し、そのうえで地域をはっきり伝えましょう。
この考え方は日常的な質問への回答だけでなく、国をまたぐプロダクトのローカライズの中核となる土台でもあります。次回は、この概念をそのまま実践的なエンジニアリングに広げます。「サイトが 22 の言語に対応するとき、AI に本当に自然なローカライズ訳を自動で出させるにはどうするか？」