在机器翻译任务中，比较适合的 RNN 变体是 **N V M（选项 C）**，即通常使用的序列到序列（Sequence-to-Sequence）模型。这种模型结构通常会结合使用长短时记忆网络（LSTM，Long Short-Term Memory）或门控循环单元（GRU，Gated Recurrent Unit）等技术，以处理长序列的输入和输出。

### 专业分析：

1. **序列到序列模型（Seq2Seq）**：
- **结构**：通常采用编码器-解码器（Encoder-Decoder）架构。编码器将输入序列转换为一个固定长度的上下文向量，解码器则将该上下文向量转换为目标序列。
- **优点**：能够处理变长的输入和输出序列，非常适合机器翻译这种输入和输出长度不固定的任务。
- **改进**：可以集成注意力机制（Attention Mechanism），使得模型能够在解码时关注输入序列的不同部分，提高翻译质量。

2. **长短时记忆网络（LSTM）和门控循环单元（GRU）**：
- **特点**：LSTM 和 GRU 是两种广泛使用的 RNN 变体，专门设计用来解决标准 RNN 在处理长序列时的梯度消失和梯度爆炸问题。
- **应用**：在 Seq2Seq 模型中作为基础单元，负责捕捉输入序列中的长程依赖关系。

3. **其他选项的分析**：
- **1 V N**（选项 A）和 **N V N**（选项 B）：虽然可以用于某些简单的序列任务，但由于缺乏对变长输入和输出的处理能力，通常不适合复杂的机器翻译任务。
- **2 V N**（选项 D）：此结构不常见于标准的 RNN 算法描述中，可能与多层结构有关，但仍需要编码器-解码器的框架来处理机器翻译任务。

因此，选择 N V M 表示的 Encoder-Decoder 架构是适合机器翻译任务的最佳答案。