DeepL מול ChatGPT לתרגום מסמכים: פלט קבצים, מילונים ובדיקה

רוב ההשוואות בין DeepL ל-ChatGPT מדביקות את אותם המשפטים בשני הכלים ומדרגות את התוצאות. זה עונה על שאלה ברמת המשפט. אם יש לכם מסמך שלם, ההבדל הראשון הוא מה שאתם מקבלים בחזרה. תרגום קבצים של DeepL מחזיר עותק מתורגם של הקובץ שלכם באותו פורמט. ChatGPT קורא את הקובץ שלכם, וברירת המחדל היא להשיב בטקסט בשיחה. ייתכן שהוא יציע ליצור קובץ, אך עזרת ההעלאות של OpenAI אינה מתארת החזרת עותק מתורגם של הקובץ המקורי שלכם. ההבדל האחד הזה מכריע את רוב מה שבא בהמשך: אם כותרות, טבלאות, הערות שוליים והערות שוליים שורדות, איך אוכפים טרמינולוגיה, ולאן הולך זמן הבדיקה שלכם.

תשובה קצרה, נכון לבדיקה ב-21 באוקטובר 2026:

• השתמשו ב-DeepL כאשר התוצר הוא המסמך עצמו (קובץ DOCX, PPTX או PDF שמישהו יפתח וישתמש בו), הוא עומד במגבלות לכל קובץ בתוכנית שלכם, ואתם יכולים לאכוף מונחים עם מילון.
• השתמשו ב-ChatGPT כאשר התוצר הוא הבנה או החלטה: סיכום של מסמך בשפה זרה, ניסוחים חלופיים לפסקה קשה, דיון בטרמינולוגיה, או חוות דעת שנייה על תרגום שכבר יש לכם.
• השתמשו בשניהם עבור המסמכים החשובים ביותר: תרגמו את הקובץ עם כלי קבצים, ואז קחו רק את הקטעים הקשים ל-ChatGPT לבדיקה.

לא ערכנו תחרות איכות למאמר זה, ואיננו מציינים מנצח באיכות התרגום. ההשוואה שלהלן מכסה את המכניקה. אלה מתועדים בעמודי העזרה של כל ספק, והם משתנים לעתים רחוקות פחות מאיכות המודל. בסוף יש מבחן DOCX קטן שתוכלו להריץ על שני הכלים עם החשבונות שלכם.

מה כל כלי עושה עם מסמך שהועלה

שתי שורות חשובות ביותר כשאתה בוחר.

שורת הפלט. תרגום קובץ של DeepL שומר על הקובץ המקורי סביב הטקסט שלך. סגנונות, טבלאות ומבנה המסמך נמצאים בעותק המוחזר, כך שהסקירה שלך עוסקת בעיקר בשפה. תגובת ChatGPT היא טקסט. כדי לקבל מסמך, מישהו צריך להחזיר את הטקסט הזה לפריסה המקורית. בבנייה מחדש הזו המבנה הולך לאיבוד, כפי שהבדיקה שלהלן מראה. דף ההעלאות של ChatGPT מתאר עבודה עם תוכן הקובץ (סיכום, השוואה, חילוץ, שכתוב מסמך קצר). הוא אינו מתאר החזרת עותק מתורגם של הקובץ המקורי.

שורת התמונות. אם ה-PDF שלך הוא סריקה, או שתוכן מרכזי נמצא בתמונות, ChatGPT ברוב התוכניות קורא את שכבת הטקסט הדיגיטלית ומדלג על התמונות המוטמעות. PDF סרוק ללא שכבת טקסט נותן לו כמעט כלום לעבוד איתו. במקרה כזה, קרא תחילה חילוץ טקסט מ-PDF לעומת OCR ובחר כלי שמפעיל OCR.

מגבלות: אילו מהן באמת פוגשות אותך

עבור DeepL, מגבלת התווים לקובץ בדרך כלל מכריעה לפני גודל הקובץ. חשבון DeepL חינמי מקבל 100,000 תווים לקובץ Word או PDF. Pro Individual ו-Team מקבלים מיליון, ותוכנית API Developer מקבלת 500,000. ספר באורך מלא עובר את המגבלה החינמית, ולכן יש לפצל אותו, וכל חלק מנצל אחד מתרגומי הקבצים החודשיים שלך. מדריך מגבלות תרגום מסמכים של DeepL שלנו עובר על ספר בן 400 עמודים בכל תוכנית, כולל החיוב המינימלי של 50,000 תווים ל-PDF או DOCX ב-API.

שימו לב גם: ב-DeepL, קובץ שתורגם בחשבון חינמי (ללא מנוי) חוזר לא ניתן לעריכה. מאמר פורמטי הקבצים אומר שדרושה תוכנית Pro כדי לערוך את הקובץ המתורגם. אם אתה מתכנן לתקן את הפלט ב-Word, בדוק עם התוכנית שבה תשתמש בפועל.

עבור ChatGPT, מגבלות ההעלאה נדיבות: 512 MB לקובץ ו-2 מיליון טוקנים למסמך טקסט. מגבלת ההעלאה אינה האילוץ. האילוץ הוא שהתרגום חוזר כתגובות צ'אט, ומסמך ארוך פירושו תורות רבים, שאותם עליך להרכיב ולבדוק לפערים. זו עלות תהליך עבודה שלא תראה בדף מגבלות כלשהו, והיא גדלה עם אורך המסמך. מדריך ChatGPT לתרגום מכסה היכן זה נשבר עבור ספרים שלמים.

מילונים: נאכפים על קובץ לעומת מבוקשים בפרומפט

מינוח הוא המקום שבו שני הכלים נבדלים ביותר, ובדיקות ברמת המשפט מפספסות זאת לחלוטין.

ב-DeepL, מילון הוא רשימת מונחים שמצורפת לתרגום. ניתן להחיל עד חמישה מילונים על תרגום קובץ. העלאת מילון קיים כ-CSV עובדת בתוכניות Team, Business ו-Enterprise (וכן בתוכניות הוותיקות Advanced ו-Ultimate), לפי דף העלאת המילון של DeepL. הפורמט הוא שתי עמודות בכל שורה, למשל seat,Lizenz. צמד השפות של המילון חייב להתאים לתרגום שאתה מריץ.

ב-ChatGPT, אתה משיג אפקט דומה על ידי כתיבת רשימת המונחים בהוראות שלך ("תרגם seat כ-Lizenz, לעולם לא Sitz"). זה גמיש: אתה יכול להסביר למה מונח קבוע, לתת הקשר, ולבקש מהמודל לסמן כל משפט שבו המונח לא מתאים. אבל ההוראה היא בקשה, לא כלל מחייב, ובשיחה ארוכה עליך לבדוק שהיא נשמרה. בכל כלי שתשתמש, בדוק מונחים לאחר התרגום. ערכת הבדיקה שלהלן סופרת אותם עבורך.

אם אין לך עדיין רשימת מונחים, התחל עם בניית מילון תרגום. זה עוזר לשני הכלים.

מבחן סבב DOCX שתוכל להריץ בשני הכלים

במקום ציון איכות, בנינו קובץ קטן שמראה היכן תרגום מסמך יכול להשתבש, ותסריט שבודק מה חזר. הכל פועל עם ספריית התקן של Python.

• make_docx_fixture.py בונה את docx-roundtrip-source.docx: מדריך מנהלה באנגלית בן עמוד אחד עם שתי רמות כותרת, טבלת 3×3, מונח מודגש, היפר-קישור, הערת שוליים, הערת סוקר, כותרת עליונה ותחתונה.
• glossary-en-de.csv מכיל שלושה מונחים מאנגלית לגרמנית עם מלכודת ידועה: seat פירושו כאן רישיון משתמש בתשלום, ולכן צריך להיות Lizenz, לא Sitz. הקובץ משתמש בפריסת ההעלאה הדו-טורית של DeepL.
• check_docx_roundtrip.py משווה בין קובץ המקור לקובץ מתורגם. הוא סופר 12 מאפיינים מבניים ומשווה ספירות של מונחי מילון.

כדי לבדוק שהבודק עצמו עובד, יצרנו דוגמה בנויה, docx-roundtrip-pasted-example.docx (נבנה על ידי make_pasted_example.py). הוא מכיל את התרגום הגרמני שלנו של העמוד, שהודבק כפסקאות רגילות למסמך חדש. כך טקסט שהועתק מחלון צ'אט נוחת בדרך כלל ב-Word. זה לא פלט מ-DeepL או מ-ChatGPT. במשפט אחד כתבנו Sitz בכוונה. פלט הבדיקה המוקלט:

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

כל טקסט הגוף נמצא שם, אבל כל 12 המאפיינים המבניים נעלמו. גם שורות המילון מסומנות, ומסיבות שונות. Lizenz חסר בשתיים: seat אחד הפך ל-Sitz, וההערת השוליים שהכילה seat נוסף נעלמה. Arbeitsbereich חסר באחד כי הכותרת אבדה, ו-Administrator חסר באחד כי הכותרת התחתונה אבדה. זו הנקודה של הבדיקה: מסמך יכול להיקרא perfectly well ובכל זאת להיות התוצר הלא נכון.

כדי להריץ אותו על הכלים האמיתיים:

1. הרץ python3 make_docx_fixture.py (או הורד את קובץ המקור).
2. DeepL: העלה את ה-DOCX בכלי תרגום הקבצים, בחר אנגלית→גרמנית, החל את המילון אם התוכנית שלך מאפשרת זאת, והורד את התוצאה.
3. ChatGPT: העלה את אותו DOCX ובקש תרגום לגרמנית שמשתמש בשלושת מונחי המילון. שמור את התוצאה כפי שהיית מוסר אותה בפועל, בין אם זה קובץ ש-ChatGPT מציע או טקסט שהודבק ל-Word.
4. הרץ python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv על כל תוצאה.

הסקריפט סופר מבנה, לא איכות. קרא גם את שני הפלטים. קובץ שעובר כל שורה עדיין יכול להכיל תרגום שגוי, ובדיקת המילון מתאימה תת-מחרוזות, כך שצירוף גרמני כמו Administratorlizenz נספר עבור Lizenz ויכול להסתיר מונח חסר. התייחס לסימון מילון, או להיעדרו, כמקום לבדוק, לא כפסק דין.

איזה כלי לאיזה מסמך

זרימת העבודה המשולבת למסמכים חשובים: תרגמו את הקובץ בכלי שמחזיר קובץ. לאחר מכן חפשו את הקטעים שבהם המשמעות מוטלת בספק: הגדרות, אזהרות, משחקי מילים, כל דבר שהקורא יפעל לפיו. קחו רק אותם ל-ChatGPT יחד עם טקסט המקור והתרגום. בקשו רשימת בעיות לפני שתבקשו שכתוב, כדי שתראו מה השתנה ולמה. מדריך העריכה שלאחר התרגום מראה כיצד לתכנן את הבדיקה הזו.

כשהמסמך הוא ספר שלם

שני הכלים הם כלליים. עבור ספר שלם, הבעיות המעשיות הן אותן בעיות בהיקף גדול יותר: מגבלות קבצים ומכסות חודשיות ב-DeepL, ותורות שיחה רבים להרכבה ב-ChatGPT. גם שמירה על עקביות שמות ומונחים לאורך פרקים קשה בשניהם.

BookTranslator בנוי בדיוק למקרה הזה. אתם מעלים את ה-EPUB, ה-DOCX או ה-PDF השלם ומקבלים קובץ מתורגם בחזרה. במשימות EPUB ו-DOCX אפשר להפעיל מילון אוטומטי שעוקב אחר שמות ומונחי מפתח לאורך הספר (הוא אינו זמין למשימות PDF). התמחור מבוסס על ספירת מילים, ואתם רואים את המחיר הסופי לפני התשלום. הוא אינו תחליף לבדיקה בטקסטים קריטיים, ועדיין יש לבדוק את התוצאה: סקריפט ההלוך-חזור שלמעלה עובד גם על קבצי DOCX אחרים, כולל פלט של BookTranslator. אם הקובץ שלכם הוא מסמך Word, התחילו ב�תרגם DOCX. עבור PDF, השתמשו במתרגם PDF. לשמירה על פריסת Word בכלל, ראו תרגום מסמך Word בלי לאבד עיצוב.