09.17
뉴스홈 > 비즈니스IT
[IT산업 20년 전] ‘가짜’ 판친 영한 번역 프로그램1999년- 실제 번역률 20~30% 불과, 성능 문제 제기
   
 

[컴퓨터월드] 1999년, 영한 번역 프로그램이 속속 발표되고 있었으나 사용자들의 만족도는 매우 낮았다. 공급업체들은 모두 자사 제품의 번역률이 90% 이상이라고 주장했지만, 실제는 20~30%에 불과한 수준이었다. 그나마 번역률 20-30%도 단문에서만 가능한 것이었으며, 복문이나 관계대명사 등이 포함된 문장은 아예 번역이 불가능한 경우가 많았다.

2019년, 번역프로그램은 이미 생활에 깊이 스며들었다. 네이버 ‘파파고’나 구글 번역, 한컴 ‘지니톡’ 등 번역 서비스는 누구나 홈페이지에 접속하거나 애플리케이션을 다운로드 받아 이용할 수 있다. 특히 번역 프로그램은 2016년 이후 인공지능(AI) 기반 ‘신경망 기계번역(NMT)’ 기술이 적용되면서 성능 및 품질이 향상되고 있다.


87년, 한국IBM 주도로 ‘앙코르’ 개발

99년 영한 번역 프로그램에 대한 사용자의 불만이 터져 나오고 있었다. 업체들은 번역율이 90%이상이라고 홍보했지만, 실제로는 20~30% 수준에 머물고 있었다. 심지어 이 수치도 단문에서만 가능하며, 복문이나 관계대명사 등이 포함된 문장은 아예 번역조차 못하는 경우도 허다했다.

당시 사용자들은 성능 문제에 대한 논의는 뒷전에 미루더라도 기능면에서 전혀 개선되지 않은 제품들이 이름과 포장지만 바꿔 마치 새제품처럼 판매하는 사례도 많아 문제가 되고 있다고 토로했다. 특히 번역프로그램을 개발하는 엔지니어들이 직장을 옮기면서 수준 미달의 유사제품을 만들어내고 있어 사용자의 피해가 늘어나고 있는 상황이었다.

당시 번역 프로그램은 인터넷의 등장으로 크게 관심을 받기 시작했다. 번역 프로그램이 알려지기 시작한 것은 60년대부터로 미국과 소련 두 진영으로 구분되던 냉전시대에 상대방의 문서를 대량으로 번역하기 위해 정부 주도로 개발하기 시작한 것이 시초가 됐다. 미국의 언어학자인 노암 촘스키(Noam Chomsky)가 몇 가지 핵심적인 규칙만으로 모든 언어구조를 설명해 낼 수 있다는 언어이론을 발표함으로써 기계번역 프로그램 개발이 활기를 띠기 시작했다.

프로그램 개발에 가장 적극적인 나라는 미국이었다. 미국은 60년대 초 수천억 원의 비용을 들여 국가차원에서 기계번역 프로그램 개발을 시작했다. 그러나 ‘번역은 단순히 문장 구조를 분석하는 것으로 해결될 수 있는 것이 아니라 인간의 지적 능력이 가미돼야 한다’는 ALPEC의 보고서가 나오면서 결국 개발이 중단됐다. 비슷한 시기 개발에 뛰어들었던 유럽, 일본 등도 마찬가지였다.

국내에서는 비교적 늦은 1987년 민간업체 주도로 개발이 시도됐다. 한국IBM이 김영택 서울대학교 교수진과 손잡고 일본IBM이 개발한 기계번역 엔진을 토대로 영한 번역 프로그램을 개발하기 시작했다. 이때 개발된 첫 제품이 ‘앙코르’다. 한국IBM의 ‘앙코르’ 개발은 다른 업체에도 영향을 줘 정소프트를 비롯한 몇몇 기업들이 번역 프로그램 개발에 뛰어드는 계기가 됐다.

90년대 초 정소프트의 ‘워드체인지’를 비롯해 서울대 언어공학연구소의 ‘트래니’, 유진정보기술의 ‘번역마당’ 등이 이 시기에 출시된 제품이었다.

그러나 ‘앙코르’는 번역 속도가 너무 느리며, 번역할 문장이 10단어 이상을 넘어서면 프로그램이 번역을 포기하는 등 단점이 부각되면서 사용자들로부터 외면받았다. 정소프트, 언어공학연구소, 유진정보기술 등의 제품도 별반 다르지 않았다. 단문 위주의 문장은 엇비슷하게 번역해냈지만, 한 문장의 단어 수가 많아지고 접속사나 관계대명사와 같은 복문이 등장하면 번역을 못하는 사례가 빈번했던 것이다. 기업들은 기술적 한계와 투자비용에 대한 부담으로 개발을 전면 보류하거나 중단했고, 시장은 위축될 수밖에 없었다.


인터넷 확산으로 시장 활성화, 성능 향상에는 한계

그러나 99년들어 번역 프로그램 시장이 다시 활성화되기 시작했다. 인터넷이라는 새로운 전기를 맞으면서였다. 이에 번역 프로그램 공급 기업들은 기존 텍스트 위주의 번역 기능에 인터넷 홈페이지를 실시간으로 번역할 수 있는 프로그램을 추가하고 있었다.

   
▲ ‘E-Tran 98’ 패키지 사진(출처: 컴퓨터월드)

98년 8월 언어공학연구소와 드림씨엔씨가 ‘트래니 98’과 ‘E-Tran 98’을 나란히 출시한 데 이어, 미래소프트센터와 첨단공학소프트센터도 ‘미래번역트랜스Ⅱ’와 ‘매직A+2000’을 내놓았다. 계속해서 99년 초 유니버셜소프트정보통신과 엘엔아이소프트, 테크노매직 등도 ‘한마당’, ‘인가이드’, ‘매직박스 99’를 선보였다.

업체들이 제품을 속속 발표하고 있었지만, 문제는 이들 제품들이 기준 미달이라는 점이었다. 성능 면에서 90년대 초에 출시됐던 제품들과 별반 다르지 않았던 것이다. 인터넷 기능이 새로 추가됐다고는 하지만, 이 역시 제대로 된 성능을 제공하지 못했다. 인터넷 홈페이지는 대부분 단문 형태로 채워져 있어 번역률이 높을 것으로 생각됐지만, 현실적으로 일반 텍스트 번역 기능보다도 못하다는 평가였다. 함축적이고 은유적인 글들이 많아 문장의 뜻을 충분히 파악하지 못해 번역 자체가 안 된다는 지적이었다.

특히 웹 브라우저를 비롯해 인터넷 관련 기술들은 하루에도 몇 번씩 변화하고 있었으나, 관련 기술력을 충분히 갖추고 있지 않은 업체들이 제품 상용화에만 관심을 두다보니 전체적으로 성능이 떨어졌다. 당시 제품들을 인터넷 상에서 사용해보면 텍스트 번역 수준이 낮을뿐더러 홈페이지가 깨지는 현상이 발생하기도 했다.

업체들은 기본적인 기능조차 제공하지 못하는 제품 홍보에 열을 올렸으며 성능 개선이 이뤄지지 않은 제품을 이름과 포장지만 바꿔 판매하기도 했다. 업체들의 이런 행태는 시장에 악영향을 미칠 수밖에 없었다.

한 예로, 96년 설립된 미래번역소프트센터는 98년에만 이름을 3번 바꾼 것으로 알려졌다. 설립 당시에는 ‘세종대왕’이라는 제품명을 썼으나, 98년 2월 ‘미래번역 98+’로 바꿨다가, 9월 ‘미래번역트랜스’로, 한 달 만인 10월에는 ‘미래번역트랜스Ⅱ’로 변경했다. 당시 미래번역소프트센터의 직원은 약 5명이었음에도 불구하고, 1년 사이 이름을 바꿔 3번이나 신제품을 출시한 것이다.

   
▲ ‘미래번역트랜스’와 ‘미래번역트랜스Ⅱ’의 번역성능

당시 미래번역소프트센터 측은 영한번역 기능 외에도 한영번역, 인터넷 지원, 토익 프로그램 등 신기능이 추가되면서 제품명을 바꾸게 됐다고 해명했다. 하지만 제품 성능이 크게 개선된 것도 아니고, 새롭지 않은 기능이 추가된 제품을 새로 개발한 제품인 양 판매하는 것은 문제가 있다는 지적이었다.

실제 미래번역소프트센터가 98년 9월 출시한 ‘미래번역트랜스’와 10월에 출시한 ‘미래번역트랜스Ⅱ’를 벤치마크테스트해본 결과, 번역 내용이 단 한 글자의 오차 없이 동일해 기능상 개선이 전혀 이뤄지지 않았음을 알 수 있었다. 또한 미래번역소프트센터가 내세웠던 한영 번역 기능도 영한 번역 기능을 단순히 엎어 놓은 수준의 성능만 제공했다. 인터넷 홈페이지 번역 기능도 수준 미달로 평가받았으며, 토익 프로그램도 자체 개발이 아닌 한울미디어의 영어 학습 프로그램을 라이선스만 받아 추가한 것으로 알려졌다.

통상 어떤 제품의 기능이 부분적으로 향상되면 기존 구매자를 보호한다는 차원에서 무료 업그레이드를 지원한다. 기능 추가로 제품명을 바꿨다는 미래번역소프트센터의 해명은 설득력이 없다는 지적이다.

미래번역소프트센터의 영업도 문제로 지적됐다. 미래번역소프트센터는 ‘미래번역트랜스Ⅱ’의 제품가격을 40만 원으로 명시해놓고, 기간한정 특별판매라는 명목으로 1년 내내 3만 원에 판매하고 있었다. 더불어 SEK와 함께한 컴퓨터 관련 행사장에서는 1만 원에 판매하는 경우도 있었다.

‘매직A+’을 공급하던 첨단공학소프트센터도 별반 다르지 않았다. 소비자 가격이 99,000원인 제품을 홍보 특가라는 명목으로 5만 원에 판매했다. 각종 행사장에서는 1만 원에 판매하기도 했다.


제품은 달라도 동일한 소스 사용으로 기능 유사

또 다른 번역 시장의 문제점은 동일한 소스를 가진 제품들이 업체와 제품명만 달리해 유통되고 있었다는 점이다. 인터페이스와 기능이 거의 유사한 제품들이 서로 다른 업체의 서로 다른 제품으로 시중에 판매되고 있었던 것이다. 한 예로 97년까지 판매되던 영한 번역 프로그램 ‘꼬마천사’와 ‘번역마당’ 등은 정소프트의 ‘워드체인지’를 기반으로 만들어진 제품으로 알려졌다.

정소프트의 개발자 중 한 사람이었던 전 모 씨가 퇴사 후 ‘꼬마천사’라는 제품을 만들어 판매했다가, 유진정보기술로 입사해 ‘번역마당’을 만들었다는 것이었다. 유경열 유진정보기술 대표는 ‘번역마당 3.0’ 버전 출시를 끝으로 더 이상 성능 향상은 어렵다고 판단, 제품개발 포기를 선언했다. 이에 전 모 씨는 유진정보기술을 떠나 대구지역에서 또 다른 제품을 만들어 영업했던 것으로 알려졌다. 한편 당시 유상열 유진정보통신 대표는 “성능이 형편없는 제품을 계속 판다는 것은 사용자를 속이는 것 같아 개발을 중단했다”고 말했다.

미래번역소프트센터와 첨단공학소프트센터도 따지고 보면 한 줄기라는 지적도 있었다. 미래번역소프트센터의 전 영업실장이었던 김태국 씨가 첨단공학소프트센터를 설립했기 때문이다. 김태국 첨단공학소프트센터 대표는 박철 3A소프트웨어 대표와 공동으로 개발한 제품이 ‘매직A+’이라고 소개했지만, 미래번역소프트센터 측은 김태국 대표가 소프트웨어 개발과 관련된 경력이 하나도 없다는 점을 들어 자사 제품을 이용한 것 아니냐는 의심을 내비췄다.

한국IBM의 ‘앙코르’와 서울대 자연어처리연구실에서 개발한 ‘E-Tran 98’도 개발자만 놓고보면 같은 부류라 할 수 있다. 한국IBM과 같이 ‘앙코르’ 개발에 참여했던 김영국 서울대 교수가 드림씨엔씨의 자금을 지원받아 개발한 것이 ‘E-Tran 98’이기 때문이다. 이와 관련, 김영택 교수 측은 ‘앙코르’ 개발 노하우가 ‘E-Tran 98’ 개발에 도움이 된 것은 맞지만, ‘E-Tran98’의 엔진과 ‘앙코르’의 엔진은 전혀 다르다고 주장했다. 그러나 한국IBM 측은 김영택 교수가 15년간 ‘앙코르’ 개발에 참여한 만큼, ‘앙코르’를 완전히 배제하고는 ‘E-Tran 98’을 개발하지 못했을 것이라며 불만을 토로했다.

한국IBM은 86년부터 영한 번역 프로그램 개발 프로젝트를 수행하면서 김영택 교수에게 수백억 원 대의 슈퍼컴퓨터와 개발비용을 지원했으며, 때에 따라 일본IBM에 소속된 번역 프로그램 관련 엔지니어와 상호교류를 성사시키는 등 모든 지원을 아끼지 않았다고 설명했다. 그러나 제품 성능이 당초 예상했던 것에 미치지 못해 개발을 보류한 상황에서 다른 업체와 손잡고 유사 제품을 만드는 것은 엄밀하게 따지면 지적재산권을 침해한 것이나 다름없다고 지적했다.

이런 여러 정황을 감안할 때, 국내 영한 번역 프로그램 시장은 크게 2~3가지 제품에서 10여개 이상의 제품으로 파생됐다는 것을 유추할 수 있다. 상황이 이렇다보니 업체간 지적재산권 문제로 인한 다툼도 많았다. 그러나 당시 법·제도상으로는 소스코드의 30%만 달라도 독자적인 상품으로 인정해 줬고, 모두가 약점이 있어 지적재산권 침해 여부를 가리는 데 적극적으로 나서지 못하고 있었다. 업계 관계자들은 소스코드 30%면 인터페이스 정도만 바꾸면 문제가 없는 것이라고 지적했다.
 

국가차원의 지원정책 필요성도 제기돼

번역 프로그램 시장이 이처럼 혼탁하게 된 데는 정부의 지원책도 한 몫을 했다. 당시 정부는 정보화촉진기금을 통해 번역 프로그램을 개발하는 기업을 지원했다. 번역프로그램 개발업체를 우수신기술 지원 사업 해당업체로 선정해 장기저리로 개발비를 대출해준 것이다. 국내 번역 프로그램 개발 기업들 대부분이 이 자금을 지원 받은 것으로 알려졌다.

전문가들은 번역프로그램은 벤처기업이 참여하기에는 부담이 큰 사업이라고 주장했다. 미국이나 일본, 유럽 등이 국가차원에서 40여년간 수천억 원을 들여 개발을 시도하고 있음에도 이렇다할 성과물이 없는 상황에서 국내 중소기업들이 과연 성공할 수 있겠느냐는 것이다.

당시 정부는 연구기관을 대상으로 번역프로그램 개발 지원 자금을 제공하기 시작했다. 99년 초에만 번역 프로그램 개발 명목으로 한국전자통신연구원(ETRi)에 14억 원의 국책자금을 지원했다. ETRi 중심으로 추진되는 이 프로젝트에는 엘엔아이소프트, 창신소프트, 유니소프트, 정소프트, L&C, 제일씨엔씨, 한국마이크로소프트 등 7개사가 현물투자 방식으로 개발에 공동참여했다.

또 김길창 한국과학기술원(KAIST) 교수진은 공군의 의뢰를 받아 군사관련 장비 매뉴얼을 번역할 수 있는 프로그램 개발을 추진했다. 최기선 KAIST 교수진은 일본 NTT, 싱가포르 KRDL 등 3개국 연구기관이 참여하는 국제 공동 프로젝트도 추진하고 있었다. 이 프로젝트는 인터넷 홈페이지를 다중 언어로 번역할 수 있는 프로그램을 공동 개발하는 것을 목표로 진행됐다.

당시 관계자들은 정부주도의 개발 창구가 단일화되지 않은 점에서 아쉬움은 있지만, ETRi 프로젝트처럼 민간기업과 연구기관을 한데 묶어 지원하기 시작했다는 점에 의의가 있다고 설명했다. 전문가들은 국가 경쟁력의 도구로 부상하는 번역 프로그램인 만큼 정부차원의 투자와 개발 지원 확대가 필요하다고 말했다.


2019년, 신경망 기계번역 기술 적용해 성능 향상

2019년, 최근 번역 프로그램은 인공지능(AI)이 적용된 ‘신경망 기계번역 기술(NMT: Neural Machine Translation)’이 적용되면서 품질이 향상되고 있다. 구글, 마이크로소프트, 네이버, 카카오, 한글과 컴퓨터(이하 한컴), 시스트란 등 현재 번역 서비스 제공하는 대부분의 기업들이 NMT 기술을 적용하고 있다.

NMT가 도입되기 전 번역 프로그램 시장을 이끌던 기술은 ‘규칙 기반 기계번역(RBMT: Rule Based Machine Translation)’과 ‘통계 기반 기계번역(SMT: Statistical Machine Translation)’이었다. 초기에는 정확한 문법 체계를 바탕으로 하는 RBMT가 주로 사용됐다.

RBMT는 번역대상인 언어에 대해 높은 이해도를 가진 개발자가 정의한 규칙에 따라 번역하는 방법이기 때문에, 정의된 규칙에 맞게 작성된 문장을 입력하면 정확한 번역 결과를 얻을 수 있다는 장점이 있었다. 그러나 번역기를 만들거나 새로운 언어를 추가할 때마다 능통한 개발인력이 필요하고 문법 규칙이 많은 언어의 경우 개발 및 유지보수에 비용과 인력이 더욱 많이 요구됐다. 또한 번역할 문장이 문법에 어긋나거나 개발자가 정의한 규칙에서 어긋난 형태를 취하고 있는 경우 혹은 문학적 표현이 들어간 경우에는 RBMT의 번역효율이 급감했다.

통역과 관련된 빅데이터가 확보되고 이를 분석할 수 있는 역량이 확보되면서 RBMT를 대체할 수 있는 SMT가 주목받기 시작했다. 수많은 데이터로부터 자동으로 통계정보를 추출해 결과를 제시하기 때문에 RBMT 방식에 비해 상대적으로 넓은 범위의 번역 정보를 제공할 수 있었으며, 좀 더 자연스러운 번역 결과를 제공했다. 또한 추가적인 데이터 확보를 통해 지속적인 품질 향상이 가능함은 물론, 정의된 규칙 이외의 번역에도 성능을 발휘할 수 있었다.

그러나 최소 200만 개 이상의 번역 데이터를 필요로 했기 때문에 이를 확보할 수 있는 역량을 갖추기가 쉽지 않았으며, 이를 관리하고 분석하기 위해 들어가는 시간과 비용도 만만치 않았다. 또한 다양한 언어 조합을 지원하기 위한 방법도 확보해야 한다는 단점이 있었다.

RBMT와 SMT 이후 새로운 대안으로 제안된 번역 기술이 바로 AI가 적용된 NMT다. NMT는 빅데이터로 학습된 인공신경망을 기반으로 하며, 대다수의 기계번역 서비스들은 순환신경망(Recurrent Neural Network, 이하 RNN)을 사용하고 있다. NMT의 번역은 원문의 문장을 숫자 형태인 벡터값으로 치환(encoder)하고, 이렇게 만들어진 문장벡터를 기반으로 번역결과를 얻고자 하는 대상언어의 문장을 생성(decoder)해내는 방식이다. 원문에 포함된 단어나 표현 등은 유사한 단어들과 관계를 맺고 있는 일정한 벡터값을 가지며, 이를 대상언어와 조합해 최적의 가중치(weight parameter)를 갖는 문장을 만든다.

   
▲ NMT는 원문을 문장벡터로 치환하고 다시 대상언어의 문장을 생성하는 방식으로 이뤄진다.

NMT는 적절한 문장벡터를 계산하기 위해 충분한 데이터를 학습한 인공신경망 기술을 활용한다. NMT는 문장벡터를 계산하기 위한 인공신경망의 학습을 위해서 데이터를 활용한다. NMT는 단어나 구 단위가 아닌 문장 전체를 대상으로 삼아 전체 문맥을 고려한 번역 결과를 제공하며, 이에 따라 RBMT나 SMT보다 상대적으로 매끄러운 문장 번역 성능을 보여준다. 학습이 고도화될수록 문장벡터 계산 과정은 복잡해지지만 전체 데이터양이 일정 수준 이상으로 늘어나지 않는다는 것이 장점이다. NMT는 복잡한 계산을 감당하고 학습 시간을 줄이기 위해 GPU나 인메모리 등의 효율적인 연산 성능 확보에 중점을 둔다.

문장벡터를 계산함으로써 얻을 수 있는 또 하나의 장점은 시스템에서 지원하지 않는 언어 조합 간에도 기계번역 서비스를 제공할 수 있다는 것이다. 구글은 2016년 11월, ‘제로샷(Zero-Shot) 번역’ 기능을 공개했다.

‘제로샷 번역’은 A와 B 사이의 번역이 가능하고 B와 C 사이의 번역이 가능하다면, A와 C 사이의 번역 역시 가능하게 만들어준다. 이는 원문을 공통 값인 문장벡터로 치환하고 이를 다시 대상언어로 바꾸는 과정을 거치기 때문이다.

‘제로샷 번역’과 같은 기능은 기계번역 서비스가 제공하지 않는 A와 C 사이의 번역을 위해 과거의 RBMT나 SMT가 A에서 B로, 다시 B에서 C로 번역하는 이중의 과정을 거쳐야 했던 것과는 차별화된다. 특히 번역 과정을 두 번 거침으로써 번역 품질이 현저히 떨어진다는 점을 감안한다면, A와 C 사이의 직접 번역 기능을 제공하는 NMT의 장점이 더욱 두드러진다고 할 수 있다.

하지만 NMT 기술이 만능은 아니다. 업계 관계자들은 RBMT 및 SMT 방식에서 NMT 방식으로 바뀌면서 단어 및 구 단위 번역에서 문장 단위 번역이 가능해져 번역 품질 향상을 가져왔지만, 이것만으로 인간 번역가의 수준을 따라잡을 수 없다고 말한다. 문장 단위를 넘어 지문의 흐름과 문장 간의 관계까지 고려할 수 있음은 물론, 필요에 따라 글쓴이의 감정·주변상황·배경 등의 비(非)언어적 정보까지 획득해 번역에 반영할 수 있는 인간 번역을 능가할 수는 없다는 것이다.

물론 향후 몇 년 이내에 기계번역 서비스가 인간 번역가의 수준을 뛰어넘는 분야가 나올 것이라는 전망도 있다. 특히 기계, 법률, 일부 공학과 같은 영역에서처럼 사용되는 용어가 전문적이고 한정적이며 문장의 함의보다는 겉으로 드러난 의미가 중요할 경우 기계번역이 강세를 보일 수 있다는 것이다.


99년 5개 번역 프로그램 벤치마크 테스트

99년 본지는 ▲워드체인지 5.0 ▲인가이드 ▲매직A+ 2000 ▲미래번역트랜스 ▲미래번역트랜스Ⅱ 등 5가지 번역 프로그램에 대한 벤치마크 테스트를 진행했다. 당시 테스트는 문장의 형식이나 문법적인 구성의 난이도, 문장의 길이 등을 달리했으며, 문맥에 따라 의미가 달라지는 낱말이 쓰인 문장과 동사와 목적어가 주어 자신인 경우의 문장, 사역동사가 쓰인 문장, 분사형태의 문장 등 6가지 문법 테스트를 진행했다.

이번에는 99년 테스트에 이어, 최근 서비스되고 있는 구글 번역, MS 빙(bing) 번역기, 네이버 파파고, 시스트란 PNMT, 카카오 아이 번역, 한컴 지니톡 등의 번역 서비스도 추가해봤다.

문맥에 따라 의미가 달라지는 낱말이 쓰인 문장

1. He ran home. He runs a supermarket. (그는 집으로 달렸다. 그는 슈퍼마켓을 운영한다.)

워드체인지 5.0: 그는 집으로 달렸습니다. 그는 슈퍼마켓을 경영합니다.

인가이드: 그는 집에 달려갔습니다. 그는 수퍼마켓을 경영합니다.

매직A+2000: 그는 집 달렸었다. 그는 supermarket 달린다.

미래번역트랜스: 그는 집에 달렸다. 그는 슈퍼마켓을 달린다.

미래번역트랜스Ⅱ: 그는 집에 달렸다. 그는 슈퍼마켓을 달린다.

구글 번역: 그는 집으로 도망쳤다. 그는 슈퍼마켓을 경영한다.

MS 빙 번역: 그는 집으로 달려 갔습니다. 그는 슈퍼마켓을 운영하고 있습니다.

네이버 파파고: 그는 집으로 달려갔다. 그는 슈퍼마켓을 경영한다.

시스트란 PNMT: 그는 집으로 달려갔다. 그는 슈퍼마켓을 운영한다.

카카오 아이 번역: 집으로 달려가서 슈퍼마켓을 운영했어요.

한컴 지니톡: 그는 집에 달렸다. 그는 슈퍼마켓을 운영하고 있다.

2. She left a note for her husband. I left home at eight. (그녀는 남편에게 메모를 남겼다. 나는 8시에 집을 나섰다.)

워드체인지 5.0: 그녀는 그녀의 남편에게 메모를 남겼습니다. 나는 여덟 시에 집을 떠났습니다.

인가이드: 그녀는 그녀에게 메모를 남기고 갔습니다. 나는 8에 집을 떠났습니다.

매직A+2000: 그녀는 그녀의 남편을 위한 기록을 떠났었다. 나 왼쪽 집 8시에

미래번역트랜스: She left a note for her husband. 나는 여덟에서 집에 떠났다.

미래번역트랜스Ⅱ: She left a note for her husband. 나는 여덟에서 집에 떠났다.

구글 번역: 그녀는 남편에게 쪽지를 남겼습니다. 나는 8시에 집을 나왔다.

MS 빙 번역: 그녀는 남편에 대한 메모를 떠났다. 나는 여덟 살에 집을 떠났다.

네이버 파파고: 그녀는 남편에게 뭔가 쓴 쪽지를 넘겼다. 나는 여덟 시에 집을 나왔다.

시스트란 PNMT: 그녀는 남편에게 메모를 남겼다. 나는 8시에 집을 나섰다.

카카오 아이 번역: 남편에게 쪽지를 남겼어요. 8시에 집을 나갔어요.

한컴 지니톡: 그녀는 남편에게 메모를 남겼다. 8시에 집을 나왔다.

동사와 목적어가 주어 자신일 경우의 문장

3. She locked herself in her room. (그녀는 방문을 잠그고 들어가 있었다.)

워드체인지 5.0: 그녀는 그녀의 방(이) 그녀자신을 감금했습니다.

인가이드: 그녀는 그녀에서 그녀 자신을 가두웠습니다.

매직A+2000: 그녀는 그녀의 방안에 그녀자신 잠그었다.

미래번역트랜스: 스스로 로크에 그녀의 방 그녀.

미래번역트랜스Ⅱ: 스스로 로크에 그녀의 방 그녀.

구글 번역: 그녀는 자기 방에 갇혀있었습니다.

MS 빙 번역: 그녀는 그녀의 방에 갇혀 있었다.

네이버 파파고: 그녀는 방에 틀어박혔다.

시스트란 PNMT: 그녀는 방에 갇혀 있었다.

카카오 아이 번역: 그녀는 자기 방에 틀어박혀 있었다.

한컴 지니톡: 그녀는 자기 방에 잠겼다.

4. She absented herself from school yesterday. (그녀는 어제 결석했다.)

워드체인지 5.0: 그녀는 어제 학교를 결석했습니다.

인가이드: 그녀는 어제 학교를 결석했습니다.

매직A+2000: 그녀 어제 학교로부터 그녀자신 결석의

미래번역트랜스: 결석하게 스스로 학교에서 그녀 어제에.

미래번역트랜스Ⅱ: 결석하게 스스로 학교에서 그녀 어제에.

구글 번역: 어제 학교에서 결석했다.

MS 빙 번역: 그녀는 어제 학교에서 자신을 결근 했습니다.

네이버 파파고: 그녀는 어제 결석했다.

시스트란 PNMT: 그녀는 어제 학교를 떠났다.

카카오 아이 번역: 그녀는 어제 결석했다.

한컴 지니톡: 그녀는 어제 학교에서 결석했다.

사역동사가 쓰인 문장

5. He let Tom not use his dictionary. (그는 톰에게 그의 사전을 이용하지 못하게 했다.)

워드체인지 5.0: 그는 톰을 그의 사전을 사용하게 두지 않습니다.

인가이드: 그는 Tom이 그의사전을 사용하지 않도록 시킵니다.

매직A+2000: 그는 탐이 그싀사전을 사용하지 않는 것을 허락한다.

미래번역트랜스: 그는 톰을 그의 사전을 하여라 사용하지 않는다.

미래번역트랜스Ⅱ: 그는 톰을 그의 사전을 하여라 사용하지 않는다.

구글 번역: 그는 톰에게 사전을 사용하지 않게했습니다.

MS 빙 번역: 그는 톰이 그의 사전을 사용 하지 못하게 합니다.

네이버 파파고: 그는 탐에게 그의 사전을 사용하지 못하게 했다.

시스트란 PNMT: 그는 톰이 사전을 쓰지 못하게 했다.

카카오 아이 번역: 그는 톰이 사전을 사용하지 못하게 했다.

한컴 지니톡: 그는 탐이 사전을 쓰지 못하게 했다.

6. His words made her feel uneasy. (그의 말이 그녀를 불안하게 만들었다.)

워드체인지 5.0: 그의 말은 그녀가 느끼다 불안한으로 만들었습니다.

인가이드: 그의 단어는 그녀를 불안하게 시키었습니다.

매직A+2000: 그의 단어들은 그녀가 불안한 것을 느끼는 것을 만들어 주었다.

미래번역트랜스: 그의 단어들은 그녀가 기분이 불안하도록 만들었다.

미래번역트랜스Ⅱ: 그의 단어들은 그녀가 기분이 불안하도록 만들었다.

구글 번역: 그의 말은 그녀를 불안하게 만들었다.

MS 빙 번역: 그의 말은 그녀가 불안함을 느끼게 만들었다.

네이버 파파고: 그의 말은 그녀를 불안하게 했다.

시스트란 PNMT: 그의 말은 그녀를 불안하게 했다.

카카오 아이 번역: 그의 말에 그녀는 불안해졌다.

한컴 지니톡: 그의 말이 그녀를 불안하게 했다.

[have(get)+목적어+과거분사] 형태의 문장

7. He had his watch repaired. (그는 그의 시계를 수리시켰다.)

워드체인지 5.0: 그는 그의 시계에게 가도록 합니다.

인가이드: 그는 그의 시계로 하여금 수리되도록 시키었습니다.

매직A+2000: 그는 그의 시계가 수리했었는 것을 가지고 있었다.

미래번역트랜스: 그의 시계가 수리하였더라면 그.

미래번역트랜스Ⅱ: 그의 시계가 수리하였더라면 그.

구글 번역: 그는 시계를 수리했습니다.

MS 빙 번역: 그는 시계를 수리했다.

네이버 파파고: 그는 시계를 수리했다.

시스트란 PNMT: 그는 시계를 수리했다.

카카오 아이 번역: 그는 시계를 고쳤다.

한컴 지니톡: 그는 시계를 수리했다.

8. She must have had her hair dyed. (그녀는 머리를 염색했음에 틀림없다.)

워드체인지 5.0: 그녀는 그녀의 머리카락에 물들어지게 했었음에 틀림없습니다.

인가이드: 그녀는 그녀로 하여금 물들여지도록 시키었음에 틀림없습니다.

매직A+2000: 그녀는 그녀의 머리카락 dyed를 가지고 있어야한다.

미래번역트랜스: 분명히 그녀의 머리털이 물들였다을 것이던 것에 그녀는.

미래번역트랜스Ⅱ: 분명히 그녀의 머리털이 물들였다을 것이던 것에 그녀는.

구글 번역: 그녀는 머리 염색을 했음에 틀림없다.

MS 빙 번역: 그녀는 염색한 그녀의 머리를가지고 있어야 합니다.

네이버 파파고: 그녀는 틀림없이 머리를 염색했을 것이다.

시스트란 PNMT: 그녀는 머리를 염색했음에 틀림없다.

카카오 아이 번역: 그녀는 머리를 염색한 게 틀림없었다.

한컴 지니톡: 그녀는 머리를 염색했을 것이다.

하나의 절이 주어나 목적어 역할을 하는 문장

9. It is very important whether you will succeed in the attempt or now. (당신이 그시도에 성공할 것인지의 여부가 아주 중요하다.)

워드체인지 5.0: 당신이 시도에서 성공할 것이다는 매우 중요하시오 또한 지금.

인가이드: 그것은 당신이 시도를 성공할 것인지 매우 중요합니다 또는 또한 지금입니다.

매직A+2000: 당신이 시도에 성공할 것인는 것이 어떤지 매우 중요한 것이다. 그렇지 않으면 지금

미래번역트랜스: 지금 당신이 시도에 성공할 것이다 인지 아닌지 매우 중요하다.

미래번역트랜스Ⅱ: 지금 당신이 시도에 성공할 것이다 인지 아닌지 매우 중요하다.

구글 번역: 시도에 성공하든 지금 성공하든 매우 중요합니다.

MS 빙 번역: 당신이 시도에 성공 하거나 지금 여부는 매우 중요합니다.

네이버 파파고: 네가 그 시도에 성공할 것인지, 아니면 지금 성공할 것인지는 매우 중요하다.

시스트란 PNMT: 당신이 그 시도에서 성공할지 지금 성공할 것인지는 매우 중요하다.

카카오 아이 번역: 당신이 그 시도에 성공할 것인지 지금 성공할 것인지는 매우 중요하다.

한컴 지니톡: 당신이 그 시도에서 성공할지 지금 성공할지는 매우 중요하다.

완료 시제의 문장

10. I have already finished today’s work. (나는 이미 오늘 일을 끝마쳤다.)

워드체인지 5.0: 나는 오늘의 일을 이미 끝냈습니다.

인가이드: 나는 오늘의 작업을 이미 끝냈습니다.

매직A+2000: 나는 오늘의 일을 이미 끝마쳤었다.

미래번역트랜스: 나는 일을 이미 오늘의에 끝냈다.

미래번역트랜스Ⅱ: 나는 일을 이미 오늘의에 끝냈다.

구글 번역: 나는 이미 오늘의 일을 마쳤다.

MS 빙 번역: 나는 이미 오늘의 작업을 완료했습니다.

네이버 파파고: 오늘 일은 이미 끝냈다.

시스트란 PNMT: 오늘 일을 끝냈어요.

카카오 아이 번역: 오늘 일은 이미 끝냈어.

한컴 지니톡: 오늘 일을 벌써 끝냈어요.

11. Five years have passed since he went to England. (그가 영국에 간지 5년이 지났다.)

워드체인지 5.0: 그가 영국에 갔던 이후로(반면에) 5년은 지나갔습니다.

인가이드: 그가 영국으로 갔던 이후 5년은 경과했습니다.

매직A+2000: 5년들은 그가 잉글랜드에 갔었는 것이후 부터를 지나갔었다.

미래번역트랜스: 그가 영국으로 가기 때문에 다섯 년도 건네주었다.

미래번역트랜스Ⅱ: 그가 영국으로 가기 때문에 다섯 년도 건네주었다.

구글 번역: 영국에 간 지 5년이 지났습니다.

MS 빙 번역: 그는 영국에 갔다 이후 5년이 지났습니다.

네이버 파파고: 그가 영국에 간 지 5년이 지났다.

시스트란 PNMT: 그가 영국에 간 지 5년이 되었다.

카카오 아이 번역: 그가 영국에 간 지 5년이 지났다.

한컴 지니톡: 그가 영국에 간 지 5년이 지났다.

인기기사 순위
여백
여백
(우)08503 서울특별시 금천구 가산디지털1로 181 (가산 W CENTER) 1713~1715호
TEL : 02-2039-6160  FAX : 02-2039-6163  사업자등록번호:106-86-40304
개인정보/청소년보호책임자:김선오  등록번호:서울 아 00418  등록일자:2007.08  발행인:김용석  편집인:김선오