DeepL vs ChatGPT untuk Menerjemahkan Dokumen: Output File, Glosarium, dan Tinjauan

Sebagian besar perbandingan DeepL vs ChatGPT menempelkan kalimat yang sama ke kedua alat dan menilai hasilnya. Itu menjawab pertanyaan tingkat kalimat. Jika Anda memiliki seluruh dokumen, perbedaan pertama adalah apa yang Anda dapatkan kembali. Terjemahan file DeepL mengembalikan salinan terjemahan dari file Anda dalam format yang sama. ChatGPT membaca file Anda dan, secara default, menjawab dengan teks di dalam percakapan. ChatGPT mungkin menawarkan untuk menghasilkan file, tetapi bantuan unggahan OpenAI tidak menjelaskan pengembalian salinan terjemahan dari file asli Anda. Perbedaan satu itu menentukan sebagian besar dari apa yang berikut: apakah judul, tabel, catatan kaki, dan komentar bertahan, bagaimana Anda menegakkan terminologi, dan ke mana waktu tinjauan Anda pergi.

Jawaban singkat, seperti diperiksa pada 21 Oktober 2026:

• Gunakan DeepL ketika hasil akhirnya adalah dokumen itu sendiri (DOCX, PPTX, atau PDF yang akan dibuka dan digunakan seseorang), itu sesuai dengan batas per file paket Anda, dan Anda dapat menegakkan istilah dengan glosarium.
• Gunakan ChatGPT ketika hasil akhirnya adalah pemahaman atau keputusan: ringkasan dokumen berbahasa asing, alternatif penyajian paragraf sulit, diskusi terminologi, atau pendapat kedua tentang terjemahan yang sudah Anda miliki.
• Gunakan keduanya untuk dokumen yang paling penting: terjemahkan file dengan alat file, lalu bawa hanya bagian yang sulit ke ChatGPT untuk ditinjau.

Kami tidak mengadakan kontes kualitas untuk artikel ini, dan kami tidak menyebut pemenang dalam hal kualitas terjemahan. Perbandingan di bawah ini mencakup mekanismenya. Ini didokumentasikan di halaman bantuan masing-masing vendor, dan itu berubah lebih jarang daripada kualitas model. Di akhir ada uji DOCX kecil yang dapat Anda jalankan pada kedua alat dengan akun Anda sendiri.

Apa yang dilakukan setiap alat dengan dokumen yang diunggah

Dua baris paling penting saat Anda memilih.

Baris keluaran. Terjemahan file DeepL mempertahankan file asli di sekitar teks Anda. Gaya, tabel, dan struktur dokumen ada dalam salinan yang dikembalikan, jadi tinjauan Anda sebagian besar tentang bahasa. Balasan ChatGPT adalah teks. Untuk menghasilkan dokumen, seseorang harus menempatkan teks itu kembali ke tata letak asli. Rekonstruksi itulah tempat struktur hilang, seperti yang ditunjukkan oleh uji di bawah. Halaman unggahan ChatGPT menjelaskan bekerja dengan isi file (merangkum, membandingkan, mengekstrak, menulis ulang dokumen pendek). Halaman itu tidak menjelaskan pengembalian salinan terjemahan dari file asli.

Baris gambar. Jika PDF Anda adalah hasil pindai, atau konten penting berada di gambar, ChatGPT pada sebagian besar paket membaca lapisan teks digital dan melewati gambar yang tertanam. PDF hasil pindai tanpa lapisan teks hampir tidak memberi apa pun untuk diproses. Untuk kasus itu, baca dulu Ekstraksi teks PDF vs OCR dan pilih alat yang menjalankan OCR.

Batas: mana yang sebenarnya Anda temui

Untuk DeepL, batas karakter per file biasanya menentukan sebelum ukuran file. Akun DeepL gratis menerima 100.000 karakter per file Word atau PDF. Pro Individual dan Team menerima 1 juta, dan paket API Developer menerima 500.000. Buku berdurasi penuh melewati batas gratis, jadi harus dipecah, dan setiap bagian menghabiskan satu terjemahan file bulanan Anda. Panduan batas terjemahan dokumen DeepL kami membahas buku 400 halaman pada setiap paket, termasuk biaya minimum 50.000 karakter API per PDF atau DOCX.

Perhatikan juga: di DeepL, file yang diterjemahkan dengan akun gratis (tanpa langganan) dikembalikan tidak dapat diedit. Artikel format file menyatakan Anda memerlukan paket Pro untuk mengedit file terjemahan. Jika Anda berencana mengoreksi keluaran di Word, uji dengan paket yang akan Anda gunakan.

Untuk ChatGPT, batas unggahan cukup longgar: 512 MB per file dan 2 juta token per dokumen teks. Batas unggahan bukanlah kendala. Kendalanya adalah terjemahan dikembalikan sebagai balasan obrolan, dan dokumen panjang berarti banyak giliran, yang kemudian harus Anda susun dan periksa celahnya. Itu adalah biaya alur kerja yang tidak akan Anda lihat di halaman batas mana pun, dan itu tumbuh seiring panjang dokumen. Panduan ChatGPT untuk terjemahan membahas di mana hal ini rusak untuk buku utuh.

Glosarium: ditegakkan pada file vs diminta dalam prompt

Terminologi adalah tempat kedua alat paling berbeda, dan uji tingkat kalimat melewatkannya sepenuhnya.

Di DeepL, glosarium adalah daftar istilah yang dilampirkan pada terjemahan. Anda dapat menerapkan hingga lima glosarium pada terjemahan file. Mengunggah glosarium yang ada sebagai CSV berfungsi pada paket Team, Business, dan Enterprise (serta paket Advanced dan Ultimate lama), menurut halaman unggahan glosarium DeepL. Formatnya dua kolom per baris, misalnya seat,Lizenz. Pasangan bahasa glosarium harus cocok dengan terjemahan yang Anda jalankan.

Di ChatGPT, Anda mendapatkan efek yang sama dengan menulis daftar istilah ke dalam instruksi Anda ("terjemahkan seat sebagai Lizenz, jangan pernah Sitz"). Ini fleksibel: Anda dapat menjelaskan mengapa suatu istilah ditetapkan, memberikan konteks, dan meminta model menandai kalimat mana pun yang tidak cocok dengan istilah tersebut. Namun instruksi adalah permintaan, bukan aturan yang mengikat, dan dalam percakapan panjang Anda harus memeriksa apakah instruksi itu dipertahankan. Apa pun alat yang Anda gunakan, periksa istilah setelah terjemahan. Kit uji di bawah menghitungnya untuk Anda.

Jika Anda belum memiliki daftar istilah, mulailah dengan membangun glosarium terjemahan. Ini membantu kedua alat.

Uji bolak-balik DOCX yang dapat Anda jalankan pada kedua alat

Alih-alih skor kualitas, kami membuat file kecil yang menunjukkan di mana terjemahan dokumen bisa salah, dan skrip yang memeriksa apa yang dikembalikan. Semuanya berjalan dengan pustaka standar Python.

• make_docx_fixture.py membuat docx-roundtrip-source.docx: panduan admin bahasa Inggris satu halaman dengan dua tingkat judul, tabel 3×3, istilah tebal, hyperlink, catatan kaki, komentar peninjau, header, dan footer.
• glossary-en-de.csv berisi tiga istilah Inggris→Jerman dengan jebakan yang sudah diketahui: seat di sini berarti lisensi pengguna berbayar, jadi seharusnya Lizenz, bukan Sitz. File ini menggunakan tata letak unggah dua kolom DeepL.
• check_docx_roundtrip.py membandingkan file sumber dan file terjemahan. Skrip ini menghitung 12 fitur struktural dan membandingkan jumlah istilah glosarium.

Untuk memastikan pemeriksa itu sendiri berfungsi, kami membuat contoh konstruksi, docx-roundtrip-pasted-example.docx (dibuat oleh make_pasted_example.py). File ini berisi terjemahan Jerman kami sendiri dari halaman tersebut, ditempel sebagai paragraf biasa ke dalam dokumen baru. Begitulah cara teks yang disalin dari jendela obrolan biasanya masuk ke Word. Ini bukan keluaran dari DeepL atau ChatGPT. Dalam satu kalimat kami sengaja menulis Sitz. Keluaran pemeriksaan yang terekam:

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

Semua teks isi ada, tetapi ke-12 fitur struktural hilang. Baris glosarium juga ditandai, dan karena alasan yang berbeda. Lizenz kurang dua: satu seat menjadi Sitz, dan catatan kaki yang memuat seat lainnya hilang. Arbeitsbereich kurang satu karena header hilang, dan Administrator kurang satu karena footer hilang. Itulah inti pengujiannya: sebuah dokumen bisa terbaca sempurna namun tetap menjadi hasil yang salah.

Untuk menjalankannya pada alat yang sebenarnya:

1. Jalankan python3 make_docx_fixture.py (atau unduh file sumbernya).
2. DeepL: unggah DOCX di penerjemah file, pilih Inggris→Jerman, terapkan glosarium jika paket Anda mengizinkannya, dan unduh hasilnya.
3. ChatGPT: unggah DOCX yang sama dan minta terjemahan Jerman yang menggunakan ketiga istilah glosarium. Simpan hasilnya seperti yang akan Anda serahkan, baik itu file yang ditawarkan ChatGPT atau teks yang ditempel ke Word.
4. Jalankan python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv pada setiap hasil.

Skrip ini menghitung struktur, bukan kualitas. Baca juga kedua keluaran. File yang lolos setiap baris tetap bisa mengandung terjemahan yang salah, dan pemeriksaan glosarium mencocokkan substring, sehingga kata majemuk Jerman seperti Administratorlizenz dihitung sebagai Lizenz dan dapat menyembunyikan istilah yang hilang. Anggap penanda glosarium, atau ketiadaan penanda, sebagai petunjuk untuk diperiksa, bukan vonis.

Alat mana untuk dokumen mana

Alur kerja gabungan untuk dokumen penting: terjemahkan file dengan alat yang mengembalikan file. Lalu cari bagian yang maknanya meragukan: definisi, peringatan, permainan kata, apa pun yang akan ditindaklanjuti pembaca. Bawa hanya bagian itu ke ChatGPT beserta teks sumber dan terjemahannya. Mintalah daftar masalah sebelum meminta penulisan ulang, agar Anda dapat melihat apa yang berubah dan mengapa. Panduan pasca-editing menunjukkan cara merencanakan tinjauan ini.

Ketika dokumen adalah sebuah buku utuh

Kedua alat bersifat serbaguna. Untuk buku utuh, masalah praktisnya adalah hal-hal di atas dalam skala lebih besar: batas per file dan jumlah file bulanan di DeepL, serta banyak putaran percakapan untuk merakit di ChatGPT. Menjaga konsistensi nama dan istilah antar bab juga sulit di kedua alat.

BookTranslator dirancang untuk kasus itu. Anda mengunggah seluruh EPUB, DOCX, atau PDF dan mendapatkan file terjemahan kembali. Untuk tugas EPUB dan DOCX, Anda dapat mengaktifkan glosarium otomatis yang melacak nama dan istilah kunci di seluruh buku (tidak tersedia untuk tugas PDF). Harga didasarkan pada jumlah kata, dan Anda melihat harga akhir sebelum membayar. Ini bukan pengganti tinjauan pada teks berisiko tinggi, dan Anda tetap memeriksa hasilnya: skrip pulang-pergi di atas juga berfungsi pada file DOCX lain, termasuk keluaran BookTranslator. Jika file Anda adalah dokumen Word, mulailah di penerjemah DOCX. Untuk PDF, gunakan penerjemah PDF. Untuk menjaga tata letak Word tetap utuh secara umum, lihat menerjemahkan dokumen Word tanpa kehilangan format.