DeepL vs ChatGPT pour traduire des documents : fichiers de sortie, glossaires et relecture

La plupart des comparaisons entre DeepL et ChatGPT collent les mêmes phrases dans les deux outils et notent les résultats. Cela répond à une question au niveau de la phrase. Si vous avez un document entier, la première différence est ce que vous récupérez. La traduction de fichiers de DeepL renvoie une copie traduite de votre fichier dans le même format. ChatGPT lit votre fichier et, par défaut, répond par du texte dans la conversation. Il peut proposer de générer un fichier, mais l'aide d'OpenAI sur les téléversements ne mentionne pas le renvoi d'une copie traduite de votre fichier d'origine. Cette seule différence détermine l'essentiel de ce qui suit : la survie des titres, des tableaux, des notes de bas de page et des commentaires, la façon d'imposer une terminologie, et où passe votre temps de relecture.

Réponse courte, vérifiée le 21 octobre 2026 :

• Utilisez DeepL lorsque le livrable est le document lui-même (un DOCX, PPTX ou PDF que quelqu'un ouvrira et utilisera), qu'il respecte les limites par fichier de votre offre, et que vous pouvez imposer des termes avec un glossaire.
• Utilisez ChatGPT lorsque le livrable est une compréhension ou une décision : un résumé d'un document en langue étrangère, des variantes de traduction d'un paragraphe difficile, une discussion terminologique, ou un second avis sur une traduction que vous avez déjà.
• Utilisez les deux pour les documents les plus importants : traduisez le fichier avec un outil de traduction de fichiers, puis soumettez uniquement les passages difficiles à ChatGPT pour relecture.

Nous n'avons pas organisé de concours de qualité pour cet article, et nous ne désignons pas de vainqueur sur la qualité de traduction. La comparaison ci-dessous porte sur la mécanique. Ces éléments sont documentés sur les pages d'aide de chaque fournisseur, et ils changent moins souvent que la qualité des modèles. À la fin, un petit test DOCX que vous pouvez exécuter sur les deux outils avec vos propres comptes.

Ce que chaque outil fait avec un document téléversé

Deux lignes comptent le plus au moment de choisir.

La ligne du résultat. Une traduction de fichier DeepL conserve le fichier original autour de votre texte. Les styles, les tableaux et la structure du document se retrouvent dans la copie renvoyée, si bien que votre relecture porte essentiellement sur la langue. Une réponse de ChatGPT est du texte. Pour obtenir un document, quelqu'un doit réinsérer ce texte dans la mise en page d'origine. C'est lors de cette reconstruction que la structure se perd, comme le montre le test ci-dessous. La page de téléversement de ChatGPT décrit le travail sur le contenu d'un fichier (résumer, comparer, extraire, réécrire un document court). Elle ne décrit pas le renvoi d'une copie traduite du fichier original.

La ligne des images. Si votre PDF est un scan, ou si le contenu essentiel se trouve dans des images, ChatGPT sur la plupart des offres lit la couche de texte numérique et ignore les images intégrées. Un PDF scanné sans couche de texte ne lui donne presque rien à exploiter. Dans ce cas, lisez d'abord Extraction de texte PDF vs OCR et choisissez un outil qui effectue l'OCR.

Limites : celles que vous rencontrez vraiment

Pour DeepL, le plafond de caractères par fichier décide généralement avant la taille du fichier. Un compte DeepL gratuit accepte 100 000 caractères par fichier Word ou PDF. Les offres Pro Individual et Team acceptent 1 million, et l'offre API Developer accepte 500 000. Un livre complet dépasse le plafond gratuit, il doit donc être divisé, et chaque partie consomme une de vos traductions de fichiers mensuelles. Notre guide des limites de traduction de documents DeepL détaille le cas d'un livre de 400 pages sur chaque offre, y compris le minimum facturé de 50 000 caractères par PDF ou DOCX de l'API.

À noter également : sur DeepL, un fichier traduit avec un compte gratuit (sans abonnement) est renvoyé non modifiable. L'article sur les formats de fichiers indique qu'il faut une offre Pro pour modifier le fichier traduit. Si vous prévoyez de corriger le résultat dans Word, testez avec l'offre que vous utiliserez réellement.

Pour ChatGPT, les limites de téléversement sont généreuses : 512 Mo par fichier et 2 millions de tokens par document texte. La limite de téléversement n'est pas la contrainte. La contrainte est que la traduction revient sous forme de réponses de chat, et un document long implique de nombreux échanges, qu'il faut ensuite assembler et vérifier pour détecter les lacunes. C'est un coût de flux de travail invisible sur les pages de limites, et il augmente avec la longueur du document. Le guide de ChatGPT pour la traduction aborde les points où cela échoue pour des livres entiers.

Glossaires : imposés sur un fichier vs demandés dans une invite

La terminologie est le domaine où les deux outils diffèrent le plus, et les tests au niveau des phrases le manquent complètement.

Sur DeepL, un glossaire est une liste de termes associée à la traduction. Vous pouvez appliquer jusqu'à cinq glossaires à une traduction de fichier. Le téléversement d'un glossaire existant au format CSV fonctionne sur les offres Team, Business et Enterprise (ainsi que sur les anciennes offres Advanced et Ultimate), selon la page de téléversement de glossaire de DeepL. Le format est de deux colonnes par ligne, par exemple seat,Lizenz. La paire de langues du glossaire doit correspondre à la traduction que vous effectuez.

Sur ChatGPT, vous obtenez le même effet en écrivant la liste de termes dans vos instructions (« traduisez seat par Lizenz, jamais Sitz »). C'est flexible : vous pouvez expliquer pourquoi un terme est fixé, donner du contexte et demander au modèle de signaler toute phrase où le terme ne convient pas. Mais l'instruction est une demande, pas une règle contraignante, et sur une longue conversation, vous devez vérifier qu'elle a été respectée. Quel que soit l'outil utilisé, vérifiez les termes après traduction. Le kit de test ci-dessous les compte pour vous.

Si vous n'avez pas encore de liste de termes, commencez par créer un glossaire de traduction. Cela aide les deux outils.

Un test de round-trip DOCX que vous pouvez exécuter sur les deux outils

Plutôt qu'un score de qualité, nous avons créé un petit fichier qui montre où une traduction de document peut mal tourner, et un script qui vérifie ce qui est revenu. Tout fonctionne avec la bibliothèque standard Python.

• make_docx_fixture.py génère docx-roundtrip-source.docx : un guide administratif anglais d'une page avec deux niveaux de titres, un tableau 3×3, un terme en gras, un lien hypertexte, une note de bas de page, un commentaire de relecteur, un en-tête et un pied de page.
• glossary-en-de.csv contient trois termes anglais→allemand avec un piège connu : seat signifie ici une licence utilisateur payante, il faut donc traduire par Lizenz, et non par Sitz. Le fichier utilise la disposition de téléchargement à deux colonnes de DeepL.
• check_docx_roundtrip.py compare le fichier source et un fichier traduit. Il compte 12 caractéristiques structurelles et compare le nombre de termes du glossaire.

Pour vérifier que le vérificateur lui-même fonctionne, nous avons créé un exemple construit, docx-roundtrip-pasted-example.docx (généré par make_pasted_example.py). Il contient notre propre traduction allemande de la page, collée sous forme de paragraphes simples dans un nouveau document. C'est ainsi que le texte copié depuis une fenêtre de chat atterrit généralement dans Word. Ce n'est pas une sortie de DeepL ou de ChatGPT. Dans une phrase, nous avons écrit Sitz exprès. La sortie de vérification enregistrée :

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

Tout le corps du texte est là, mais les 12 caractéristiques structurelles ont disparu. Les lignes du glossaire sont également signalées, et pour différentes raisons. Lizenz en manque deux : un seat est devenu Sitz, et la note de bas de page qui contenait un autre seat a disparu. Arbeitsbereich en manque un parce que l'en-tête a été perdu, et Administrator en manque un parce que le pied de page a été perdu. C'est tout l'intérêt du test : un document peut se lire parfaitement bien et rester un livrable incorrect.

Pour l'exécuter sur les vrais outils :

1. Exécutez python3 make_docx_fixture.py (ou téléchargez le fichier source).
2. DeepL : téléchargez le DOCX sur le traducteur de fichiers, choisissez anglais→allemand, appliquez le glossaire si votre forfait le permet, et téléchargez le résultat.
3. ChatGPT : téléchargez le même DOCX et demandez une traduction allemande qui utilise les trois termes du glossaire. Enregistrez le résultat comme vous le livreriez réellement, que ce soit un fichier proposé par ChatGPT ou du texte collé dans Word.
4. Exécutez python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv sur chaque résultat.

Le script compte la structure, pas la qualité. Lisez aussi les deux sorties. Un fichier qui passe toutes les lignes peut tout de même contenir une traduction erronée, et la vérification du glossaire correspond à des sous-chaînes, donc un composé allemand comme Administratorlizenz compte pour Lizenz et peut masquer un terme manquant. Considérez un signalement de glossaire, ou son absence, comme une piste à explorer, pas comme un verdict.

Quel outil pour quel document

Le flux de travail combiné pour les documents importants : traduisez le fichier avec un outil qui renvoie le fichier. Cherchez ensuite les passages où le sens est incertain : définitions, avertissements, jeux de mots, tout ce sur quoi un lecteur va agir. Portez uniquement ceux-ci à ChatGPT avec le texte source et le texte traduit. Demandez une liste de problèmes avant de demander une réécriture, afin de voir ce qui a changé et pourquoi. Le guide de post-édition montre comment planifier cette révision.

Quand le document est un livre entier

Les deux outils sont généralistes. Pour un livre complet, les problèmes pratiques sont ceux ci-dessus à plus grande échelle : plafonds par fichier et nombre mensuel de fichiers sur DeepL, et de nombreux échanges de conversation à assembler sur ChatGPT. Maintenir la cohérence des noms et des termes d'un chapitre à l'autre est également difficile dans les deux cas.

BookTranslator est conçu pour ce cas. Vous téléchargez l'EPUB, le DOCX ou le PDF entier et recevez un fichier traduit. Pour les tâches EPUB et DOCX, vous pouvez activer un glossaire automatique qui suit les noms et les termes clés dans tout le livre (il n'est pas disponible pour les tâches PDF). Le prix est basé sur le nombre de mots, et vous voyez le prix final avant de payer. Il ne remplace pas une révision sur un texte à enjeux élevés, et vous vérifiez quand même le résultat : le script de traduction aller-retour ci-dessus fonctionne aussi sur d'autres fichiers DOCX, y compris une sortie BookTranslator. Si votre fichier est un document Word, commencez par le traducteur DOCX. Pour un PDF, utilisez le traducteur PDF. Pour conserver la mise en page Word en général, voir traduire un document Word sans perdre la mise en forme.