谷歌宣布在谷歌翻译中发布英语到西班牙语、芬兰语、匈牙利语和波斯语到英语的性别翻译，通过重写或后期编辑最初的翻译，利用一个新的范例来解决性别偏见。这家科技巨头声称，这种方法比之前支持谷歌Translate将性别特定性的土耳其语翻译成英语的技术更具可扩展性，主要是因为它不依赖于数据密集型的性别中立检测器。

谷歌Research的高级软件工程师梅尔文·约翰逊写道:“自从我们最初推出以来，我们已经取得了显著的进步，我们提高了针对性别的翻译质量，并将其扩展到另外4对语言。我们致力于进一步解决谷歌翻译中的性别偏见，并计划将这项工作扩展到文档级翻译。”

正如约翰逊所解释的，旧的分类器用于突厥语到英语的性别特定翻译，这是很难适应新的语言产生，以产生阳性和阴性翻译独立使用神经机器翻译(NMT)系统。此外，在多达40%的符合条件的查询中，它没有显示针对性别的翻译，因为除了与性别相关的现象外，这两种翻译通常并不完全相同。

相比之下，基于重写的新方法生成初始翻译，然后对其进行审查，以确定在哪些情况下，性别中立的源短语生成了性别特定的翻译。如果是这样的话，一个句子层次的改写器就会产生一个不同性别的翻译。最后，对原文和改写后的译文进行审查，以确保唯一的区别是性别。

根据谷歌，构建一个改写器涉及生成数百万个由词组对组成的训练示例，每个词组都包含阳性和阴性的翻译。因为这样的数据不是很容易获得，谷歌翻译团队通过将性别代词从阳性转换为阴性来生成候选改写，或者相反，从大量的单语数据集开始。对于这个新的重写语料库，他们应用了一个内部的语言模型，对数百万个英语句子进行训练，从中挑选出最好的候选词，从而获得从阳性输入到阴性输出的训练数据，反之亦然。

在合并来自两个方向的训练数据之后，团队使用它来训练一个基于单层转换的序列到序列模型。然后，他们在训练数据中引入标点符号和大小写变体，以增强模型的鲁棒性，从而使最终的模型能够在99%的情况下可靠地生成所要求的阳性或阴性重写。

评价小说谷歌度量称为减少偏见,衡量之间的相对减少偏见新的翻译系统和现有系统(“偏见”被定义为一个性别选择在翻译中未指定的源),约翰逊说,新的翻译方法导致的偏见减少90%来自匈牙利、芬兰和Persian-to-English。现有的突厥语-英语翻译系统的偏差减少率从60%提高到95%，该系统引发的性别差异翻译的平均准确率为97%(即(例如，当它决定显示性别特定的翻译时，97%的正确率)。