DeepL vs ChatGPT per la traduzione di documenti: output file, glossari e revisione

La maggior parte dei confronti DeepL vs ChatGPT incolla le stesse frasi in entrambi gli strumenti e valuta i risultati. Questo risponde a una domanda a livello di frase. Se hai un intero documento, la prima differenza è ciò che ottieni indietro. La traduzione di file di DeepL restituisce una copia tradotta del tuo file nello stesso formato. ChatGPT legge il tuo file e, per impostazione predefinita, risponde con testo nella conversazione. Potrebbe offrire di generare un file, ma la guida ai caricamenti di OpenAI non descrive la restituzione di una copia tradotta del tuo file originale. Questa unica differenza decide gran parte di ciò che segue: se intestazioni, tabelle, note a piè di pagina e commenti sopravvivono, come imporre la terminologia e dove va il tuo tempo di revisione.

Risposta breve, verificata il 21 ottobre 2026:

• Usa DeepL quando il risultato è il documento stesso (un DOCX, PPTX o PDF che qualcuno aprirà e userà), rientra nei limiti per file del tuo piano e puoi imporre i termini con un glossario.
• Usa ChatGPT quando il risultato è la comprensione o una decisione: un riassunto di un documento in lingua straniera, rese alternative di un paragrafo difficile, una discussione sulla terminologia o un secondo parere su una traduzione che hai già.
• Usa entrambi per i documenti che contano di più: traduci il file con uno strumento per file, poi porta solo i passaggi difficili a ChatGPT per la revisione.

Non abbiamo organizzato un concorso di qualità per questo articolo e non nominiamo un vincitore sulla qualità della traduzione. Il confronto seguente riguarda la meccanica. Queste sono documentate nelle pagine di aiuto di ciascun fornitore e cambiano meno spesso della qualità del modello. Alla fine c'è un piccolo test DOCX che puoi eseguire su entrambi gli strumenti con i tuoi account.

Cosa fa ciascuno strumento con un documento caricato

Due righe contano di più quando scegli.

La riga dell'output. Una traduzione di file DeepL mantiene il file originale attorno al tuo testo. Stili, tabelle e la struttura del documento sono nella copia restituita, quindi la tua revisione riguarda principalmente la lingua. Una risposta di ChatGPT è testo. Per ottenere un documento, qualcuno deve reinserire quel testo nel layout originale. È in quella ricostruzione che si perde la struttura, come mostra il test qui sotto. La pagina dei caricamenti di ChatGPT descrive come lavorare con il contenuto di un file (riassumere, confrontare, estrarre, riscrivere un breve documento). Non descrive la restituzione di una copia tradotta del file originale.

La riga delle immagini. Se il tuo PDF è una scansione, o se contenuti chiave si trovano nelle immagini, ChatGPT sulla maggior parte dei piani legge il livello di testo digitale e salta le immagini incorporate. Un PDF scansionato senza livello di testo gli dà quasi nulla con cui lavorare. In quel caso, leggi prima Estrazione del testo da PDF vs OCR e scegli uno strumento che esegua l'OCR.

Limiti: quali si incontrano davvero

Per DeepL, il limite di caratteri per file di solito decide prima della dimensione del file. Un account DeepL gratuito accetta 100.000 caratteri per file Word o PDF. Pro Individual e Team accettano 1 milione, e il piano API Developer accetta 500.000. Un libro completo supera il limite gratuito, quindi deve essere suddiviso, e ogni parte consuma una delle tue traduzioni di file mensili. La nostra guida ai limiti di traduzione documenti di DeepL analizza un libro di 400 pagine su ogni piano, inclusa la tariffa minima di 50.000 caratteri per PDF o DOCX dell'API.

Nota anche: su DeepL, un file tradotto con un account gratuito (senza abbonamento) viene restituito non modificabile. L'articolo sui formati di file dice che serve un piano Pro per modificare il file tradotto. Se prevedi di correggere l'output in Word, prova con il piano che userai effettivamente.

Per ChatGPT, i limiti di caricamento sono generosi: 512 MB per file e 2 milioni di token per documento di testo. Il limite di caricamento non è il vincolo. Il vincolo è che la traduzione torna come risposte in chat, e un documento lungo significa molti turni, che poi devi assemblare e controllare per eventuali lacune. È un costo di flusso di lavoro che non vedrai su nessuna pagina dei limiti, e cresce con la lunghezza del documento. La guida a ChatGPT per la traduzione spiega dove questo si rompe per interi libri.

Glossari: imposti su un file vs richiesti in un prompt

La terminologia è dove i due strumenti differiscono di più, e i test a livello di frase non lo colgono affatto.

Su DeepL, un glossario è un elenco di termini allegato alla traduzione. Puoi applicare fino a cinque glossari a una traduzione di file. Il caricamento di un glossario esistente come CSV funziona sui piani Team, Business ed Enterprise (e sui piani legacy Advanced e Ultimate), secondo la pagina di caricamento del glossario di DeepL. Il formato è due colonne per riga, ad esempio seat,Lizenz. La coppia linguistica del glossario deve corrispondere alla traduzione che stai eseguendo.

Su ChatGPT, ottieni lo stesso effetto scrivendo l'elenco dei termini nelle tue istruzioni ("traduci seat come Lizenz, mai Sitz"). Questo è flessibile: puoi spiegare perché un termine è fisso, dare contesto e chiedere al modello di segnalare qualsiasi frase in cui il termine non si adatta. Ma l'istruzione è una richiesta, non una regola vincolante, e su una lunga conversazione devi verificare che sia stata rispettata. Qualunque strumento tu usi, controlla i termini dopo la traduzione. Il kit di test qui sotto li conta per te.

Se non hai ancora un elenco di termini, inizia con creare un glossario di traduzione. Aiuta entrambi gli strumenti.

Un test di andata e ritorno DOCX che puoi eseguire su entrambi gli strumenti

Invece di un punteggio di qualità, abbiamo creato un piccolo file che mostra dove una traduzione di documento può andare storta, e uno script che controlla cosa è tornato. Tutto funziona con la libreria standard di Python.

• make_docx_fixture.py crea docx-roundtrip-source.docx: una guida amministrativa inglese di una pagina con due livelli di intestazione, una tabella 3×3, un termine in grassetto, un collegamento ipertestuale, una nota a piè di pagina, un commento del revisore, un'intestazione e un piè di pagina.
• glossary-en-de.csv contiene tre termini inglese→tedesco con una trappola nota: seat qui significa licenza utente a pagamento, quindi dovrebbe essere Lizenz, non Sitz. Il file usa il layout di caricamento a due colonne di DeepL.
• check_docx_roundtrip.py confronta il file di origine e un file tradotto. Conta 12 caratteristiche strutturali e confronta i conteggi dei termini del glossario.

Per verificare che il checker stesso funzioni, abbiamo creato un esempio costruito, docx-roundtrip-pasted-example.docx (generato da make_pasted_example.py). Contiene la nostra traduzione tedesca della pagina, incollata come paragrafi semplici in un nuovo documento. È così che il testo copiato da una finestra di chat di solito finisce in Word. Non è l'output di DeepL o ChatGPT. In una frase abbiamo scritto Sitz di proposito. L'output del controllo registrato:

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

Tutto il testo del corpo è presente, ma tutte e 12 le caratteristiche strutturali sono scomparse. Anche le righe del glossario sono segnalate, e per motivi diversi. Lizenz è in difetto di due: un seat è diventato Sitz, e la nota a piè di pagina che conteneva un altro seat è sparita. Arbeitsbereich è in difetto di uno perché l'intestazione è andata persa, e Administrator è in difetto di uno perché il piè di pagina è andato perso. Questo è il punto del test: un documento può leggersi perfettamente e tuttavia essere il deliverable sbagliato.

Per eseguirlo sugli strumenti reali:

1. Esegui python3 make_docx_fixture.py (oppure scarica il file di origine).
2. DeepL: carica il DOCX nel traduttore di file, scegli inglese→tedesco, applica il glossario se il tuo piano lo consente, e scarica il risultato.
3. ChatGPT: carica lo stesso DOCX e chiedi una traduzione tedesca che utilizzi i tre termini del glossario. Salva il risultato nel modo in cui lo consegneresti effettivamente, che si tratti di un file offerto da ChatGPT o di testo incollato in Word.
4. Esegui python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv su ciascun risultato.

Lo script conta la struttura, non la qualità. Leggi anche entrambi gli output. Un file che supera ogni riga può comunque contenere una traduzione errata, e il controllo del glossario confronta sottostringhe, quindi un composto tedesco come Administratorlizenz contribuisce a Lizenz e può nascondere un termine mancante. Considera un flag del glossario, o la sua assenza, come un punto da esaminare, non come un verdetto.

Quale strumento per quale documento

Il flusso di lavoro combinato per i documenti importanti: traduci il file con uno strumento che restituisce il file. Poi cerca i passaggi in cui il significato è dubbio: definizioni, avvertenze, giochi di parole, qualsiasi cosa su cui un lettore agirà. Porta solo quelli a ChatGPT insieme al testo originale e a quello tradotto. Chiedi un elenco dei problemi prima di chiedere una riscrittura, così puoi vedere cosa è cambiato e perché. La guida alla post-editing mostra come pianificare questa revisione.

Quando il documento è un intero libro

Entrambi gli strumenti sono generici. Per un libro completo, i problemi pratici sono quelli sopra su scala più ampia: limiti per file e numero mensile di file su DeepL, e molti turni di conversazione da assemblare su ChatGPT. Mantenere coerenti nomi e termini tra i capitoli è difficile in entrambi.

BookTranslator è pensato per quel caso. Carichi l'intero EPUB, DOCX o PDF e ricevi indietro un file tradotto. Per i task EPUB e DOCX puoi attivare un glossario automatico che tiene traccia di nomi e termini chiave in tutto il libro (non è disponibile per i task PDF). Il prezzo si basa sul numero di parole e vedi il prezzo finale prima di pagare. Non sostituisce la revisione su testi critici, e devi comunque controllare il risultato: lo script di andata e ritorno sopra funziona anche su altri file DOCX, compreso un output di BookTranslator. Se il tuo file è un documento Word, inizia dal traduttore DOCX. Per un PDF, usa il traduttore PDF. Per mantenere intatta l'impaginazione di Word in generale, vedi tradurre un documento Word senza perdere la formattazione.