DeepL vs ChatGPT para traducir documentos: archivos de salida, glosarios y revisión

La mayoría de las comparaciones entre DeepL y ChatGPT pegan las mismas frases en ambas herramientas y puntúan los resultados. Eso responde a una pregunta a nivel de frase. Si tienes un documento completo, la primera diferencia es lo que recibes de vuelta. La traducción de archivos de DeepL devuelve una copia traducida de tu archivo en el mismo formato. ChatGPT lee tu archivo y, por defecto, responde con texto en la conversación. Puede ofrecer generar un archivo, pero la ayuda de carga de archivos de OpenAI no describe la devolución de una copia traducida de tu archivo original. Esa única diferencia decide la mayor parte de lo que sigue: si los encabezados, las tablas, las notas al pie y los comentarios sobreviven, cómo aplicas la terminología y a dónde va tu tiempo de revisión.

Respuesta breve, verificada el 21 de octubre de 2026:

• Usa DeepL cuando el entregable sea el propio documento (un DOCX, PPTX o PDF que alguien abrirá y usará), se ajuste a los límites por archivo de tu plan y puedas aplicar términos con un glosario.
• Usa ChatGPT cuando el entregable sea comprender o tomar una decisión: un resumen de un documento en otro idioma, versiones alternativas de un párrafo difícil, una discusión sobre terminología o una segunda opinión sobre una traducción que ya tienes.
• Usa ambos para los documentos más importantes: traduce el archivo con una herramienta de archivos y luego lleva solo los pasajes difíciles a ChatGPT para su revisión.

No realizamos un concurso de calidad para este artículo y no nombramos un ganador en calidad de traducción. La comparación a continuación cubre la mecánica. Está documentada en las páginas de ayuda de cada proveedor y cambia con menos frecuencia que la calidad del modelo. Al final hay una pequeña prueba con DOCX que puedes ejecutar en ambas herramientas con tus propias cuentas.

Qué hace cada herramienta con un documento subido

Dos filas son las más importantes a la hora de elegir.

La fila de salida. Una traducción de archivo de DeepL conserva el archivo original alrededor de tu texto. Los estilos, las tablas y la estructura del documento están en la copia devuelta, por lo que tu revisión se centra principalmente en el lenguaje. Una respuesta de ChatGPT es texto. Para obtener un documento, alguien tiene que volver a colocar ese texto en el diseño original. Es en esa reconstrucción donde se pierde la estructura, como muestra la prueba a continuación. La página de carga de ChatGPT describe cómo trabajar con el contenido de un archivo (resumir, comparar, extraer, reescribir un documento corto). No describe cómo devolver una copia traducida del archivo original.

La fila de imágenes. Si tu PDF es un escaneo, o el contenido clave está en imágenes, ChatGPT en la mayoría de los planes lee la capa de texto digital y omite las imágenes incrustadas. Un PDF escaneado sin capa de texto le da casi nada con lo que trabajar. Para ese caso, lee primero Extracción de texto de PDF vs OCR y elige una herramienta que ejecute OCR.

Límites: cuáles encuentras realmente

Para DeepL, el límite de caracteres por archivo suele decidir antes que el tamaño del archivo. Una cuenta gratuita de DeepL acepta 100.000 caracteres por archivo de Word o PDF. Pro Individual y Team aceptan 1 millón, y el plan API Developer acepta 500.000. Un libro completo supera el límite gratuito, por lo que hay que dividirlo, y cada parte consume una de tus traducciones de archivo mensuales. Nuestra guía de límites de traducción de documentos de DeepL analiza un libro de 400 páginas en cada plan, incluido el cargo mínimo de 50.000 caracteres por PDF o DOCX de la API.

También ten en cuenta: en DeepL, un archivo traducido con una cuenta gratuita (sin suscripción) se devuelve no editable. El artículo de formatos de archivo indica que necesitas un plan Pro para editar el archivo traducido. Si planeas corregir el resultado en Word, prueba con el plan que realmente usarás.

Para ChatGPT, los límites de carga son generosos: 512 MB por archivo y 2 millones de tokens por documento de texto. El límite de carga no es la restricción. La restricción es que la traducción se devuelve como respuestas de chat, y un documento largo implica muchos turnos, que luego tienes que ensamblar y verificar en busca de vacíos. Eso es un costo de flujo de trabajo que no verás en ninguna página de límites, y crece con la longitud del documento. La guía de ChatGPT para traducción cubre dónde falla esto para libros completos.

Glosarios: aplicados a un archivo vs solicitados en un prompt

La terminología es donde más difieren las dos herramientas, y las pruebas a nivel de oración no lo detectan en absoluto.

En DeepL, un glosario es una lista de términos adjunta a la traducción. Puedes aplicar hasta cinco glosarios a una traducción de archivo. Subir un glosario existente como CSV funciona en los planes Team, Business y Enterprise (y en los planes heredados Advanced y Ultimate), según la página de carga de glosarios de DeepL. El formato es de dos columnas por línea, por ejemplo seat,Lizenz. El par de idiomas del glosario debe coincidir con la traducción que estás ejecutando.

En ChatGPT, obtienes el mismo efecto escribiendo la lista de términos en tus instrucciones ("traduce seat como Lizenz, nunca Sitz"). Esto es flexible: puedes explicar por qué un término es fijo, dar contexto y pedir al modelo que señale cualquier oración donde el término no encaje. Pero la instrucción es una solicitud, no una regla vinculante, y en una conversación larga tienes que verificar que se mantuvo. Sea cual sea la herramienta que uses, revisa los términos después de la traducción. El kit de prueba a continuación los cuenta por ti.

Si aún no tienes una lista de términos, comienza con crear un glosario de traducción. Ayuda a ambas herramientas.

Una prueba de ida y vuelta con DOCX que puedes ejecutar en ambas herramientas

En lugar de una puntuación de calidad, creamos un pequeño archivo que muestra dónde puede fallar una traducción de documento, y un script que verifica lo que se devolvió. Todo se ejecuta con la biblioteca estándar de Python.

• make_docx_fixture.py crea docx-roundtrip-source.docx: una guía administrativa de una página en inglés con dos niveles de encabezado, una tabla de 3×3, un término en negrita, un hipervínculo, una nota al pie, un comentario de revisor, un encabezado y un pie de página.
• glossary-en-de.csv contiene tres términos de inglés→alemán con una trampa conocida: seat aquí significa una licencia de usuario de pago, por lo que debería ser Lizenz, no Sitz. El archivo utiliza el diseño de carga de dos columnas de DeepL.
• check_docx_roundtrip.py compara el archivo de origen y un archivo traducido. Cuenta 12 características estructurales y compara el número de términos del glosario.

Para comprobar que el verificador funciona, creamos un ejemplo construido, docx-roundtrip-pasted-example.docx (generado por make_pasted_example.py). Contiene nuestra propia traducción al alemán de la página, pegada como párrafos simples en un documento nuevo. Así es como el texto copiado de una ventana de chat suele acabar en Word. No es la salida de DeepL ni de ChatGPT. En una frase escribimos Sitz a propósito. La salida de la comprobación registrada:

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

Todo el texto del cuerpo está ahí, pero las 12 características estructurales han desaparecido. Las filas del glosario también están marcadas, y por razones distintas. Lizenz tiene dos menos: un seat se convirtió en Sitz, y la nota al pie que contenía otro seat ha desaparecido. Arbeitsbereich tiene uno menos porque se perdió el encabezado, y Administrator tiene uno menos porque se perdió el pie de página. Ese es el objetivo de la prueba: un documento puede leerse perfectamente y aun así ser el entregable equivocado.

Para ejecutarlo con las herramientas reales:

1. Ejecuta python3 make_docx_fixture.py (o descarga el archivo de origen).
2. DeepL: sube el DOCX al traductor de archivos, elige inglés→alemán, aplica el glosario si tu plan lo permite y descarga el resultado.
3. ChatGPT: sube el mismo DOCX y pide una traducción al alemán que utilice los tres términos del glosario. Guarda el resultado tal como lo entregarías realmente, ya sea un archivo que ofrezca ChatGPT o texto pegado en Word.
4. Ejecuta python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv en cada resultado.

El script cuenta la estructura, no la calidad. Lee también ambas salidas. Un archivo que pasa todas las filas puede contener una traducción incorrecta, y la comprobación del glosario coincide con subcadenas, por lo que un compuesto alemán como Administratorlizenz cuenta para Lizenz y puede ocultar un término faltante. Trata una marca del glosario, o su ausencia, como un lugar donde mirar, no como un veredicto.

Qué herramienta para qué documento

El flujo combinado para documentos importantes: traduce el archivo con una herramienta que devuelva el archivo. Luego busca los pasajes donde el significado sea dudoso: definiciones, advertencias, juegos de palabras, cualquier cosa sobre la que un lector vaya a actuar. Lleva solo esos pasajes a ChatGPT junto con el texto original y el traducido. Pide una lista de problemas antes de pedir una reescritura, para que puedas ver qué cambió y por qué. La guía de posedición muestra cómo planificar esta revisión.

Cuando el documento es un libro completo

Ambas herramientas son de propósito general. Para un libro completo, los problemas prácticos son los anteriores a mayor escala: límites por archivo y número de archivos mensuales en DeepL, y muchos turnos de conversación para ensamblar en ChatGPT. Mantener la coherencia de nombres y términos entre capítulos también es difícil en ambas.

BookTranslator está diseñado para ese caso. Subes el EPUB, DOCX o PDF completo y recibes un archivo traducido. Para tareas de EPUB y DOCX puedes activar un glosario automático que rastrea nombres y términos clave en todo el libro (no está disponible para tareas de PDF). El precio se basa en el número de palabras y ves el precio final antes de pagar. No sustituye la revisión en textos de alto riesgo, y aun así debes comprobar el resultado: el script de ida y vuelta anterior también funciona con otros archivos DOCX, incluida una salida de BookTranslator. Si tu archivo es un documento de Word, empieza en el traductor de DOCX. Para un PDF, usa el traductor de PDF. Para mantener el diseño de Word intacto en general, consulta traducir un documento de Word sin perder el formato.