NLP是机器翻译的支柱，可以将文本或语音从一种语言自动转换为另一种语言，同时保留含义和上下文。它涉及多个步骤: 对源文本进行预处理，理解其句法和语义结构，以及以目标语言生成语法和语义上正确的文本。
早期的机器翻译系统依赖于基于规则的统计方法，这些方法对上下文的理解有限。现代方法使用深度学习，特别是像Google的T5和OpenAI的GPT这样的transformer模型，它们可以捕捉单词和短语之间的细微关系。神经机器翻译 (NMT) 模型，例如基于Transformer架构的模型，比以前的方法更有效地处理长期依赖性、习语和上下文。
机器翻译系统广泛用于Google Translate和Duolingo等应用程序中。NLP还增强了特定领域的翻译，例如准确地翻译医学或法律文件。多语言NLP和迁移学习的进步使模型能够同时学习多种语言，从而使低资源语言受益，从而进一步提高了翻译质量。