Con la transición a arquitecturas neuronales, la traducción automática logra una calidad muy buena para varios idiomas ricos en recursos. Sin embargo, los resultados siguen siendo mucho peores para idiomas con morfología compleja, especialmente si son idiomas con pocos recursos. Este documento informa sobre los resultados de un análisis sistemático de la adición de información morfológica en el entrenamiento de sistemas de traducción automática neuronal. Los sistemas de traducción presentados y comparados en esta investigación explotan información morfológica de corpus en diferentes formatos. Algunos formatos unen información semántica y gramatical y otros separan estos dos tipos de información. La información semántica se modela utilizando lemas y la información gramatical utilizando etiquetas de Descripción Morfo-Sintáctica (MSD). Se realizaron experimentos en corpus de diferentes tamaños para el par de idiomas inglés-esloveno. Se sacaron conclusiones para un sistema de traducción específico de dominio y para un sistema de traducción para el dominio general. Con las etiquetas MSD, mejoramos el rendimiento hasta 1,40 y 1,68 puntos BLEU en las dos direcciones de traducción. Encontramos que los sistemas con corpus de entrenamiento en diferentes formatos mejoran el rendimiento de manera diferente dependiendo de la dirección de traducción y el tamaño de los corpus.