Neuronale Maschinelle Übersetzung (NMT) hat kürzlich beeindruckende Ergebnisse erzielt, wobei nur wenig externe linguistische Information verwendet wurde. In dieser Arbeit zeigen wir, dass die starke Lernfähigkeit von NMT-Modellen linguistische Merkmale nicht überflüssig macht; sie können leicht integriert werden, um die Leistung weiter zu verbessern. Wir verallgemeinern die Einbettungsschicht des Encoders in der Aufmerksamkeits-basierten Encoder-Decoder-Architektur, um die Einbeziehung beliebiger Merkmale zu unterstützen, zusätzlich zum Baseline-Wortmerkmal. Wir fügen morphologische Merkmale, Wortart-Tags und syntaktische Abhängigkeitslabels als Eingabemerkmale zu den NMT-Systemen für Englisch<->Deutsch und Englisch->Rumänisch hinzu. In Experimenten mit den Trainings- und Testsets von WMT16 stellen wir fest, dass linguistische Eingabemerkmale nach drei Metriken – Perplexität, BLEU und CHRF3 – die Modellqualität verbessern. Eine Open-Source-Implementierung unseres NMT-Systems ist verfügbar, ebenso wie Beispieldateien und Konfigurationen.