DeepL vs ChatGPT pro překlad dokumentů: výstup souborů, glosáře a revize

Většina srovnání DeepL vs ChatGPT vkládá stejné věty do obou nástrojů a hodnotí výsledky. To odpovídá na otázku na úrovni věty. Pokud máte celý dokument, první rozdíl je v tom, co dostanete zpět. Překlad souborů v DeepL vrací přeloženou kopii vašeho souboru ve stejném formátu. ChatGPT přečte váš soubor a ve výchozím nastavení odpoví textem v konverzaci. Může nabídnout vygenerování souboru, ale nápověda OpenAI k nahrávání souborů nepopisuje vrácení přeložené kopie vašeho původního souboru. Tento jediný rozdíl rozhoduje o většině následujícího: zda nadpisy, tabulky, poznámky pod čarou a komentáře přežijí, jak prosadíte terminologii a kam půjde váš čas na revizi.

Krátká odpověď, ověřeno k 21. říjnu 2026:

• Použijte DeepL, když je výstupem samotný dokument (DOCX, PPTX nebo PDF, který někdo otevře a použije), vejde se do limitů na soubor vašeho plánu a můžete prosadit termíny pomocí glosáře.
• Použijte ChatGPT, když je výstupem porozumění nebo rozhodnutí: shrnutí cizojazyčného dokumentu, alternativní překlady obtížného odstavce, diskuse o terminologii nebo druhý názor na překlad, který již máte.
• Použijte oba pro dokumenty, na kterých nejvíce záleží: přeložte soubor nástrojem pro překlad souborů a poté vezměte pouze obtížné pasáže do ChatGPT k revizi.

Pro tento článek jsme neuspořádali soutěž v kvalitě a nevyhlašujeme vítěze v kvalitě překladu. Níže uvedené srovnání se zabývá mechanikou. Ta je zdokumentována na nápovědných stránkách jednotlivých dodavatelů a mění se méně často než kvalita modelu. Na konci je malý test DOCX, který můžete spustit na obou nástrojích se svými vlastními účty.

Co každý nástroj dělá s nahraným dokumentem

Při výběru rozhodují dva řádky.

Řádek výstupu. Překlad souboru v DeepL zachová původní soubor kolem vašeho textu. Styly, tabulky a struktura dokumentu jsou ve vrácené kopii, takže vaše revize se týká hlavně jazyka. Odpověď ChatGPT je text. Abyste získali dokument, musí někdo tento text vrátit do původního rozvržení. Právě při této rekonstrukci se ztrácí struktura, jak ukazuje test níže. Stránka pro nahrávání ChatGPT popisuje práci s obsahem souboru (shrnutí, porovnávání, extrahování, přepisování krátkého dokumentu). Nepopisuje vrácení přeložené kopie původního souboru.

Řádek obrázků. Pokud je váš PDF sken nebo klíčový obsah leží v obrázcích, ChatGPT ve většině plánů čte digitální textovou vrstvu a vložené obrázky přeskakuje. Naskenovaný PDF bez textové vrstvy mu nedá téměř nic k práci. V takovém případě si nejprve přečtěte Extrakce textu z PDF vs. OCR a vyberte nástroj, který provádí OCR.

Limity: které skutečně narazíte

U DeepL obvykle rozhoduje limit znaků na soubor dříve než velikost souboru. Bezplatný účet DeepL přijímá 100 000 znaků na soubor Word nebo PDF. Pro Individual a Team je to 1 milion a plán API Developer přijímá 500 000. Celá kniha přesáhne bezplatný limit, takže se musí rozdělit a každá část spotřebuje jeden z vašich měsíčních překladů souborů. Náš průvodce limity překladu dokumentů v DeepL prochází 400stránkovou knihu na každém plánu, včetně minimálního účtovaného množství 50 000 znaků na PDF nebo DOCX v API.

Pozor také: v DeepL se soubor přeložený s bezplatným účtem (bez předplatného) vrací neupravitelný. Článek o formátech souborů uvádí, že pro úpravu přeloženého souboru potřebujete plán Pro. Pokud plánujete opravovat výstup ve Wordu, otestujte to s plánem, který skutečně budete používat.

U ChatGPT jsou limity nahrávání velkorysé: 512 MB na soubor a 2 miliony tokenů na textový dokument. Limit nahrávání není překážkou. Překážkou je, že překlad se vrací jako odpovědi v chatu a dlouhý dokument znamená mnoho tahů, které pak musíte sestavit a zkontrolovat, zda v nich nejsou mezery. To je náklad na pracovní postup, který na žádné stránce s limity neuvidíte, a roste s délkou dokumentu. Průvodce ChatGPT pro překlad pokrývá, kde to u celých knih selhává.

Glosáře: vynucené na soubor vs. požadované v promptu

Terminologie je místo, kde se oba nástroje liší nejvíce, a testy na úrovni vět to zcela míjejí.

V DeepL je glosář seznam termínů připojený k překladu. Na překlad souboru můžete použít až pět glosářů. Nahrání existujícího glosáře jako CSV funguje na plánech Team, Business a Enterprise (a starších plánech Advanced a Ultimate), podle stránky pro nahrání glosáře od DeepL. Formát jsou dva sloupce na řádek, například seat,Lizenz. Jazykový pár glosáře musí odpovídat překladu, který spouštíte.

V ChatGPT dosáhnete stejného efektu zapsáním seznamu termínů do pokynů („přelož seat jako Lizenz, nikdy Sitz“). To je flexibilní: můžete vysvětlit, proč je termín pevně daný, uvést kontext a požádat model, aby označil každou větu, kde se termín nehodí. Ale pokyn je žádost, nikoli závazné pravidlo, a u dlouhé konverzace musíte zkontrolovat, zda byl dodržen. Ať už použijete kterýkoli nástroj, po překladu termíny zkontrolujte. Testovací sada níže je za vás spočítá.

Pokud ještě nemáte seznam termínů, začněte vytvořením překladového glosáře. Pomůže oběma nástrojům.

Test round-tripu DOCX, který můžete spustit na obou nástrojích

Místo skóre kvality jsme vytvořili malý soubor, který ukazuje, kde se překlad dokumentu může pokazit, a skript, který zkontroluje, co se vrátilo. Vše běží se standardní knihovnou Pythonu.

• make_docx_fixture.py vytváří docx-roundtrip-source.docx: jednostránkovou anglickou administrátorskou příručku se dvěma úrovněmi nadpisů, tabulkou 3×3, tučným termínem, hypertextovým odkazem, poznámkou pod čarou, komentářem recenzenta, záhlavím a zápatím.
• glossary-en-de.csv obsahuje tři anglicko-německé termíny se známou záludností: seat zde znamená placenou uživatelskou licenci, takže by to mělo být Lizenz, nikoli Sitz. Soubor používá dvousloupcové rozvržení pro nahrání do DeepL.
• check_docx_roundtrip.py porovnává zdrojový soubor a přeložený soubor. Počítá 12 strukturálních prvků a porovnává počty termínů ze slovníku.

Abychom ověřili, že kontrolní nástroj sám funguje, vytvořili jsme umělý příklad docx-roundtrip-pasted-example.docx (vytvořený pomocí make_pasted_example.py). Obsahuje náš vlastní německý překlad stránky vložený jako prosté odstavce do nového dokumentu. Tak obvykle dopadne text zkopírovaný z chatovacího okna do Wordu. Není to výstup z DeepL ani ChatGPT. V jedné větě jsme záměrně napsali Sitz. Zaznamenaný výstup kontroly:

structure                   source  output  result
paragraphs                      15       9  CHANGED
heading paragraphs               3       0  CHANGED
tables                           1       0  CHANGED
table cells                      9       0  CHANGED
bold runs                        1       0  CHANGED
hyperlinks                       1       0  CHANGED
external link targets            1       0  CHANGED
footnote references              1       0  CHANGED
footnote texts                   1       0  CHANGED
comments                         1       0  CHANGED
header text present              1       0  CHANGED
footer text present              1       0  CHANGED

glossary terms: source count -> target count in output
  workspace -> Arbeitsbereich: 6 -> 5, untranslated 0  check
  seat -> Lizenz: 8 -> 6, untranslated 0  check
  admin -> Administrator: 7 -> 6, untranslated 0  check

12 structure row(s) changed

Veškerý text těla je přítomen, ale všech 12 strukturálních prvků chybí. Řádky slovníku jsou také označeny, a to z různých důvodů. Lizenz chybí dvakrát: jedno seat se změnilo na Sitz a poznámka pod čarou, která obsahovala další seat, zmizela. Arbeitsbereich chybí jednou, protože se ztratila hlavička, a Administrator chybí jednou, protože se ztratila patička. To je smysl testu: dokument může být perfektně čitelný, a přesto to může být špatný výstup.

Jak to spustit na skutečných nástrojích:

1. Spusťte python3 make_docx_fixture.py (nebo si stáhněte zdrojový soubor).
2. DeepL: nahrajte DOCX do překladače souborů, zvolte angličtinu→němčinu, použijte slovník, pokud to váš plán umožňuje, a stáhněte výsledek.
3. ChatGPT: nahrajte stejný DOCX a požádejte o německý překlad, který použije tři termíny ze slovníku. Výsledek uložte tak, jak byste jej skutečně odevzdali – ať už jako soubor, který ChatGPT nabídne, nebo jako text vložený do Wordu.
4. Na každý výsledek spusťte python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv.

Skript počítá strukturu, nikoli kvalitu. Přečtěte si také oba výstupy. Soubor, který projde všemi řádky, může stále obsahovat chybný překlad a kontrola slovníku porovnává podřetězce, takže německé složené slovo jako Administratorlizenz se počítá k Lizenz a může skrýt chybějící termín. Berte označení slovníku, nebo jeho absenci, jako místo k prozkoumání, ne jako verdikt.

Který nástroj pro který dokument

Kombinovaný postup pro důležité dokumenty: přeložte soubor nástrojem, který vrací soubor. Poté vyhledejte pasáže, kde je význam nejistý: definice, varování, slovní hříčky, cokoli, podle čeho bude čtenář jednat. Pouze tyto pasáže vezměte do ChatGPT spolu se zdrojovým a přeloženým textem. Než požádáte o přepracování, požádejte o seznam problémů, abyste viděli, co se změnilo a proč. Průvodce post-editací ukazuje, jak takovou kontrolu naplánovat.

Když je dokumentem celá kniha

Oba nástroje jsou univerzální. U celé knihy se praktické problémy výše objevují ve větším měřítku: limity na soubor a měsíční počty souborů u DeepL a mnoho konverzačních tahů na sestavení u ChatGPT. Udržet konzistenci jmen a termínů napříč kapitolami je obtížné u obou.

BookTranslator je pro tento případ stvořen. Nahrajete celý EPUB, DOCX nebo PDF a zpět dostanete přeložený soubor. U úloh s EPUB a DOCX můžete zapnout automatický slovník, který sleduje jména a klíčové termíny v celé knize (u úloh s PDF není k dispozici). Cena se odvíjí od počtu slov a konečnou cenu vidíte před zaplacením. Nenahrazuje kontrolu u textů s vysokými sázkami a výsledek stále ověřujete: výše uvedený skript pro obousměrný překlad funguje i na jiných souborech DOCX, včetně výstupu z BookTranslator. Pokud je vaším souborem dokument Word, začněte na překladači DOCX. Pro PDF použijte překladač PDF. O obecném zachování rozvržení Wordu viz překlad dokumentu Word bez ztráty formátování.