DeepL vs. ChatGPT für die Übersetzung von Dokumenten: Dateiausgabe, Glossare und Überprüfung

Die meisten Vergleiche zwischen DeepL und ChatGPT geben dieselben Sätze in beide Tools ein und bewerten die Ergebnisse. Das beantwortet eine Frage auf Satzebene. Wenn Sie ein ganzes Dokument haben, ist der erste Unterschied, was Sie zurückbekommen. Die Dateiübersetzung von DeepL gibt eine übersetzte Kopie Ihrer Datei im selben Format zurück. ChatGPT liest Ihre Datei und antwortet standardmäßig mit Text in der Unterhaltung. Es kann anbieten, eine Datei zu generieren, aber die Uploads-Hilfe von OpenAI beschreibt nicht die Rückgabe einer übersetzten Kopie Ihrer Originaldatei. Dieser eine Unterschied entscheidet über den Großteil des Folgenden: ob Überschriften, Tabellen, Fußnoten und Kommentare erhalten bleiben, wie Sie Terminologie durchsetzen und wohin Ihre Überprüfungszeit fließt.

Kurze Antwort, Stand 21. Oktober 2026:

• Verwenden Sie DeepL, wenn das Ergebnis das Dokument selbst ist (eine DOCX-, PPTX- oder PDF-Datei, die jemand öffnen und nutzen wird), es in die Dateigrößenbeschränkungen Ihres Tarifs passt und Sie Begriffe mit einem Glossar durchsetzen können.
• Verwenden Sie ChatGPT, wenn das Ergebnis Verständnis oder eine Entscheidung ist: eine Zusammenfassung eines fremdsprachigen Dokuments, alternative Formulierungen eines schwierigen Absatzes, eine Terminologiediskussion oder eine zweite Meinung zu einer Übersetzung, die Sie bereits haben.
• Verwenden Sie beides für die wichtigsten Dokumente: Übersetzen Sie die Datei mit einem Dateitool und bringen Sie dann nur die schwierigen Passagen zu ChatGPT zur Überprüfung.

Wir haben für diesen Artikel keinen Qualitätswettbewerb durchgeführt und küren keinen Sieger in Bezug auf die Übersetzungsqualität. Der folgende Vergleich behandelt die Mechanik. Diese ist auf den Hilfeseiten der jeweiligen Anbieter dokumentiert und ändert sich seltener als die Modellqualität. Am Ende finden Sie einen kleinen DOCX-Test, den Sie mit Ihren eigenen Konten auf beiden Tools ausführen können.

Was jedes Tool mit einem hochgeladenen Dokument macht

Zwei Zeilen sind bei der Auswahl am wichtigsten.

Die Ausgabe-Zeile. Eine DeepL-Dateiübersetzung behält die Originaldatei um Ihren Text herum. Stile, Tabellen und die Dokumentstruktur sind in der zurückgegebenen Kopie enthalten, sodass es bei Ihrer Prüfung hauptsächlich um die Sprache geht. Eine ChatGPT-Antwort ist Text. Um ein Dokument zu erhalten, muss jemand diesen Text wieder in das ursprüngliche Layout einfügen. Bei diesem Wiederaufbau geht die Struktur verloren, wie der folgende Test zeigt. ChatGPTs Upload-Seite beschreibt die Arbeit mit dem Inhalt einer Datei (Zusammenfassen, Vergleichen, Extrahieren, Umschreiben eines kurzen Dokuments). Sie beschreibt nicht die Rückgabe einer übersetzten Kopie der Originaldatei.

Die Bilder-Zeile. Wenn Ihr PDF ein Scan ist oder wichtige Inhalte in Bildern stecken, liest ChatGPT in den meisten Plänen die digitale Textebene und überspringt die eingebetteten Bilder. Ein gescanntes PDF ohne Textebene bietet ihm fast nichts zum Arbeiten. Lesen Sie in diesem Fall zuerst PDF-Textextraktion vs. OCR und wählen Sie ein Tool, das OCR ausführt.

Grenzen: welche Sie tatsächlich erreichen

Bei DeepL entscheidet in der Regel das Zeichenlimit pro Datei, bevor die Dateigröße zum Tragen kommt. Ein kostenloses DeepL-Konto akzeptiert 100.000 Zeichen pro Word- oder PDF-Datei. Pro Individual und Team akzeptieren 1 Million, und der API-Developer-Plan akzeptiert 500.000. Ein Buch in voller Länge überschreitet das kostenlose Limit, muss also aufgeteilt werden, und jeder Teil verbraucht eine Ihrer monatlichen Dateiübersetzungen. Unser Leitfaden zu DeepL-Dokumentübersetzungslimits arbeitet ein 400-seitiges Buch für jeden Plan durch, einschließlich der Mindestberechnung von 50.000 Zeichen pro PDF oder DOCX bei der API.

Beachten Sie außerdem: Bei DeepL kommt eine mit einem kostenlosen Konto (ohne Abonnement) übersetzte Datei nicht bearbeitbar zurück. Der Artikel zu Dateiformaten besagt, dass Sie einen Pro-Plan benötigen, um die übersetzte Datei zu bearbeiten. Wenn Sie die Ausgabe in Word korrigieren möchten, testen Sie mit dem Plan, den Sie tatsächlich verwenden werden.

Bei ChatGPT sind die Upload-Limits großzügig: 512 MB pro Datei und 2 Millionen Token pro Textdokument. Das Upload-Limit ist nicht die Einschränkung. Die Einschränkung besteht darin, dass die Übersetzung als Chat-Antworten zurückkommt, und ein langes Dokument bedeutet viele Runden, die Sie dann zusammensetzen und auf Lücken prüfen müssen. Das sind Workflow-Kosten, die Sie auf keiner Limits-Seite sehen, und sie wachsen mit der Dokumentlänge. Der ChatGPT-Übersetzungsleitfaden behandelt, wo dies bei ganzen Büchern scheitert.

Glossare: bei einer Datei erzwungen vs. in einem Prompt angefragt

Terminologie ist der Bereich, in dem sich die beiden Tools am stärksten unterscheiden, und Tests auf Satzebene erfassen dies überhaupt nicht.

Bei DeepL ist ein Glossar eine Begriffsliste, die an die Übersetzung angehängt wird. Sie können bis zu fünf Glossare auf eine Dateiübersetzung anwenden. Das Hochladen eines vorhandenen Glossars als CSV funktioniert in den Plänen Team, Business und Enterprise (sowie den älteren Plänen Advanced und Ultimate), laut DeepLs Glossar-Upload-Seite. Das Format ist zwei Spalten pro Zeile, zum Beispiel seat,Lizenz. Das Sprachpaar des Glossars muss mit der Übersetzung übereinstimmen, die Sie ausführen.

Bei ChatGPT erzielen Sie denselben Effekt, indem Sie die Begriffsliste in Ihre Anweisungen schreiben („Übersetze seat als Lizenz, niemals als Sitz“). Das ist flexibel: Sie können erklären, warum ein Begriff festgelegt ist, Kontext geben und das Modell bitten, jeden Satz zu kennzeichnen, in dem der Begriff nicht passt. Aber die Anweisung ist eine Bitte, keine bindende Regel, und über ein langes Gespräch müssen Sie prüfen, ob sie eingehalten wurde. Welches Tool Sie auch verwenden, prüfen Sie die Begriffe nach der Übersetzung. Das folgende Testkit zählt sie für Sie.

Wenn Sie noch keine Begriffsliste haben, beginnen Sie mit Erstellen eines Übersetzungsglossars. Es hilft beiden Tools.

Ein DOCX-Roundtrip-Test, den Sie mit beiden Tools ausführen können

Statt einer Qualitätsbewertung haben wir eine kleine Datei erstellt, die zeigt, wo eine Dokumentübersetzung schiefgehen kann, und ein Skript, das prüft, was zurückkam. Alles läuft mit der Python-Standardbibliothek.

• make_docx_fixture.py erstellt docx-roundtrip-source.docx: eine einseitige englische Verwaltungsanleitung mit zwei Überschriftsebenen, einer 3×3-Tabelle, einem fetten Begriff, einem Hyperlink, einer Fußnote, einem Prüferkommentar, einer Kopf- und einer Fußzeile.
• glossary-en-de.csv enthält drei englisch-deutsche Begriffe mit einer bekannten Falle: seat bedeutet hier eine kostenpflichtige Benutzerlizenz, sollte also Lizenz heißen, nicht Sitz. Die Datei verwendet DeepLs zweispaltiges Upload-Layout.
• check_docx_roundtrip.py vergleicht die Quelldatei mit einer übersetzten Datei. Es zählt 12 strukturelle Merkmale und vergleicht die Anzahl der Glossarbegriffe.

Um zu prüfen, ob der Prüfer selbst funktioniert, haben wir ein konstruiertes Beispiel erstellt: docx-roundtrip-pasted-example.docx (erstellt mit make_pasted_example.py). Es enthält unsere eigene deutsche Übersetzung der Seite, als einfache Absätze in ein neues Dokument eingefügt. So landet Text, der aus einem Chatfenster kopiert wird, normalerweise in Word. Es ist keine Ausgabe von DeepL oder ChatGPT. In einem Satz haben wir absichtlich Sitz geschrieben. Die aufgezeichnete Prüfausgabe:

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

Der gesamte Fließtext ist vorhanden, aber alle 12 strukturellen Merkmale fehlen. Auch die Glossarzeilen werden markiert, und zwar aus unterschiedlichen Gründen. Bei Lizenz fehlen zwei: Ein seat wurde zu Sitz, und die Fußnote, die ein weiteres seat enthielt, ist verschwunden. Bei Arbeitsbereich fehlt eins, weil die Kopfzeile verloren ging, und bei Administrator fehlt eins, weil die Fußzeile verloren ging. Das ist der Punkt des Tests: Ein Dokument kann sich perfekt lesen lassen und trotzdem das falsche Ergebnis sein.

So führen Sie ihn mit den echten Tools aus:

1. Führen Sie python3 make_docx_fixture.py aus (oder laden Sie die Quelldatei herunter).
2. DeepL: Laden Sie die DOCX im Dateiübersetzer hoch, wählen Sie Englisch→Deutsch, wenden Sie das Glossar an, falls Ihr Tarif dies zulässt, und laden Sie das Ergebnis herunter.
3. ChatGPT: Laden Sie dieselbe DOCX hoch und bitten Sie um eine deutsche Übersetzung, die die drei Glossarbegriffe verwendet. Speichern Sie das Ergebnis so, wie Sie es tatsächlich liefern würden – ob als Datei, die ChatGPT anbietet, oder als Text, den Sie in Word einfügen.
4. Führen Sie python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv für jedes Ergebnis aus.

Das Skript zählt Struktur, nicht Qualität. Lesen Sie auch beide Ausgaben. Eine Datei, die jede Zeile besteht, kann dennoch eine falsche Übersetzung enthalten, und die Glossarprüfung gleicht Teilzeichenfolgen ab, sodass eine deutsche Zusammensetzung wie Administratorlizenz zu Lizenz zählt und einen fehlenden Begriff verbergen kann. Betrachten Sie eine Glossarmarkierung – oder deren Fehlen – als Hinweis, wo Sie nachsehen sollten, nicht als Urteil.

Welches Tool für welches Dokument

Der kombinierte Workflow für wichtige Dokumente: Übersetze die Datei mit einem Tool, das eine Datei zurückgibt. Suche dann die Passagen, bei denen die Bedeutung unsicher ist: Definitionen, Warnungen, Wortspiele, alles, worauf ein Leser reagieren wird. Nimm nur diese mit dem Ausgangstext und dem übersetzten Text zu ChatGPT. Bitte zuerst um eine Liste von Problemen, bevor du um eine Überarbeitung bittest, damit du siehst, was sich geändert hat und warum. Der Leitfaden zur Nachbearbeitung zeigt, wie du diese Prüfung planst.

Wenn das Dokument ein ganzes Buch ist

Beide Tools sind Allzweckwerkzeuge. Bei einem ganzen Buch sind die praktischen Probleme die oben genannten in größerem Maßstab: Dateigrößenbeschränkungen und monatliche Dateikontingente bei DeepL sowie viele Gesprächsrunden zum Zusammensetzen bei ChatGPT. Auch die Konsistenz von Namen und Begriffen über Kapitel hinweg ist bei beiden schwierig.

BookTranslator ist für diesen Fall gemacht. Du lädst die gesamte EPUB-, DOCX- oder PDF-Datei hoch und erhältst eine übersetzte Datei zurück. Bei EPUB- und DOCX-Aufgaben kannst du ein automatisches Glossar aktivieren, das Namen und Schlüsselbegriffe im gesamten Buch verfolgt (für PDF-Aufgaben ist es nicht verfügbar). Die Preisgestaltung basiert auf der Wortanzahl, und du siehst den Endpreis, bevor du bezahlst. Es ersetzt keine Überprüfung bei heiklen Texten, und du prüfst das Ergebnis trotzdem: Das oben genannte Hin-und-zurück-Skript funktioniert auch bei anderen DOCX-Dateien, einschließlich einer BookTranslator-Ausgabe. Wenn deine Datei ein Word-Dokument ist, beginne beim DOCX-Übersetzer. Für ein PDF verwende den PDF-Übersetzer. Wie du das Word-Layout im Allgemeinen intakt hältst, erfährst du unter ein Word-Dokument übersetzen, ohne die Formatierung zu verlieren.