فناوری پردازش زبان طبیعی (NLP) از زیرشاخه های هوش مصنوعی است که رابطه میان کامپیوتر و زبان های طبیعی را مورد بررسی قرار می دهد. یعنی به بررسی نحوه برنامه ریزی کامپیوترها جهت تحلیل حجم زیادی از اطلاعات زبان طبیعی اشاره می کند و مسائلی مانند شناسایی گفتار، درک و تولید زبان طبیعی را بررسی می کند.

تا دهه 1980، بیشتر سیستم های پردازش زبان طبیعی، قاعده محور بودند اما از اواخر دهه 1980 که الگوریتم های یادگیری ماشین برای پردازش زبان معرفی شد مدل های آماری ترجمه ارائه شدند. در سال 2010 روش های یادگیری ماشین به سبک شبکه های عصبی فراگیر شدند

طی چند سال اخیر، تحقیقات گسترده ای درباره استفاده از شبکه های عصبی مصنوعی برای پردازش زبان طبیعی انجام شده است. رویکردهای جدید در NLP بر اساس یادگیری ماشینی هستند که نوعی هوش مصنوعی است که از الگوهای موجود در داده ها برای بهبود درک برنامه استفاده می کند. با استفاده از این نتایج، ماشین می تواند کارهایی مانند تجزیه متن، تشخیص گفتار، نقش دستوری و غیره را انجام دهد. شبکه های عصبی برای تقلید از نحوه یادگیری ذهن انسان، طراحی می شوند و به مرور زمان بیشتر یاد می گیرند.

موتورهای ترجمه ماشینی عصبی جدیدترین رویکرد ترجمه ماشینی هستند. این پروژه در سال 2016 توسط گروه NLP هاروارد و سیستران شروع شد و از آن پس تحقیقات زیادی روی آن انجام شد. این موتورها به context یا بافت متنی که قرار است ترجمه شود بیشتر توجه می کنند تا انتخاب درستی به عنوان معادل برای یک کلمه زبان مبدا داشته باشند.

در مقابل موتورهای فعلی ترجمه ماشینی(آماری و قاعده محور) که در بازار وجود دارند، مدل موتور عصبی فرایند کاملی از ترجمه ماشینی با استفاده از یک شبکه عصبی مصنوعی منحصر به فرد است. موتور ترجمه ماشینی عصبی با استفاده از فرایند آزمایش و خطایی که عملکرد آن شبیه مغز انسان است یاد می گیرد. این فرایند را «یادگیری عمیق» می نامند که مبتنی است بر «تحلیل کلان داده ها». اگرچه موتور ترجمه ماشینی عصبی در حال پیشرفت و تکامل است اما نکته مهم بهبود کیفیت ترجمه و خروجی آن است که بیش از پیش به ترجمه انسانی شباهت دارد.

موتورهای ترجمه ماشینی عصبی بهتر می توانند معنای یک جمله را درک کنند و سریع تر از مدل های قدیمی آماری جایگزینی را انجام می دهند. ترجمه ماشینی عصبی می تواند خروجی ترجمه را به صورت روزانه سه تا چهار برابر افزایش داده و از طرفی نیز باعث کاهش زمان ترجمه و فیمت ترجمه شود. انسجام و یکدستی متن نیز از دیگر ویژگی های این نوع ترجمه است.