DeepL vs ChatGPT untuk Menterjemah Dokumen: Output Fail, Glosari, dan Semakan

Kebanyakan perbandingan DeepL vs ChatGPT menampal ayat yang sama ke dalam kedua-dua alat dan menilai hasilnya. Itu menjawab soalan peringkat ayat. Jika anda mempunyai dokumen penuh, perbezaan pertama ialah apa yang anda terima semula. Terjemahan fail DeepL mengembalikan salinan terjemahan fail anda dalam format yang sama. ChatGPT membaca fail anda dan, secara lalai, menjawab dengan teks dalam perbualan. Ia mungkin menawarkan untuk menjana fail, tetapi bantuan muat naik OpenAI tidak menyatakan pengembalian salinan terjemahan fail asal anda. Perbezaan itu menentukan sebahagian besar perkara berikut: sama ada tajuk, jadual, nota kaki dan komen kekal, cara anda menguatkuasakan istilah, dan ke mana masa semakan anda pergi.

Jawapan ringkas, seperti disemak pada 21 Oktober 2026:

• Gunakan DeepL apabila hasil yang dikehendaki ialah dokumen itu sendiri (DOCX, PPTX atau PDF yang akan dibuka dan digunakan oleh seseorang), ia mematuhi had setiap fail pelan anda, dan anda boleh menguatkuasakan istilah dengan glosari.
• Gunakan ChatGPT apabila hasil yang dikehendaki ialah pemahaman atau keputusan: ringkasan dokumen bahasa asing, terjemahan alternatif bagi perenggan yang sukar, perbincangan istilah, atau pendapat kedua tentang terjemahan yang anda sudah ada.
• Gunakan kedua-duanya untuk dokumen yang paling penting: terjemahkan fail dengan alat fail, kemudian bawa hanya petikan yang sukar kepada ChatGPT untuk semakan.

Kami tidak menjalankan pertandingan kualiti untuk artikel ini, dan kami tidak menamakan pemenang dari segi kualiti terjemahan. Perbandingan di bawah merangkumi mekanik. Ini didokumenkan pada halaman bantuan setiap vendor, dan ia berubah lebih jarang daripada kualiti model. Pada akhirnya terdapat ujian DOCX kecil yang boleh anda jalankan pada kedua-dua alat dengan akaun anda sendiri.

Apa yang setiap alat lakukan dengan dokumen yang dimuat naik

Dua baris paling penting semasa anda memilih.

Baris output. Terjemahan fail DeepL mengekalkan fail asal di sekeliling teks anda. Gaya, jadual dan struktur dokumen ada dalam salinan yang dikembalikan, jadi semakan anda kebanyakannya tentang bahasa. Balasan ChatGPT ialah teks. Untuk menghasilkan dokumen, seseorang perlu meletakkan semula teks itu ke dalam susun atur asal. Pembinaan semula itulah tempat struktur hilang, seperti yang ditunjukkan oleh ujian di bawah. Halaman muat naik ChatGPT menerangkan bekerja dengan kandungan fail (merumus, membandingkan, mengekstrak, menulis semula dokumen pendek). Ia tidak menerangkan pemulangan salinan terjemahan fail asal.

Baris imej. Jika PDF anda ialah imbasan, atau kandungan penting terletak dalam imej, ChatGPT pada kebanyakan pelan membaca lapisan teks digital dan melangkau imej terbenam. PDF imbasan tanpa lapisan teks memberikan hampir tiada apa-apa untuk diproses. Untuk kes itu, baca Pengekstrakan teks PDF vs OCR dahulu dan pilih alat yang menjalankan OCR.

Had: yang mana sebenarnya anda hadapi

Bagi DeepL, had aksara setiap fail biasanya menentukan perkara sebelum saiz fail. Akaun DeepL percuma menerima 100,000 aksara setiap fail Word atau PDF. Pro Individu dan Pasukan menerima 1 juta, dan pelan API Developer menerima 500,000. Buku panjang melebihi had percuma, jadi ia perlu dipecahkan, dan setiap bahagian menggunakan satu daripada terjemahan fail bulanan anda. Panduan had terjemahan dokumen DeepL kami membincangkan buku 400 halaman pada setiap pelan, termasuk caj minimum 50,000 aksara API setiap PDF atau DOCX.

Juga ambil perhatian: pada DeepL, fail yang diterjemahkan dengan akaun percuma (tanpa langganan) dikembalikan tidak boleh diedit. Artikel format fail menyatakan anda memerlukan pelan Pro untuk mengedit fail terjemahan. Jika anda bercadang untuk membetulkan output dalam Word, uji dengan pelan yang akan anda gunakan sebenarnya.

Bagi ChatGPT, had muat naik adalah longgar: 512 MB setiap fail dan 2 juta token setiap dokumen teks. Had muat naik bukan kekangannya. Kekangannya ialah terjemahan dikembalikan sebagai balasan sembang, dan dokumen panjang bermakna banyak giliran, yang kemudiannya perlu anda himpunkan dan semak untuk jurang. Itu kos aliran kerja yang tidak akan anda lihat pada mana-mana halaman had, dan ia bertambah dengan panjang dokumen. Panduan ChatGPT untuk terjemahan merangkumi tempat ini terputus untuk buku penuh.

Glosari: dikuatkuasakan pada fail vs diminta dalam gesaan

Terminologi ialah tempat kedua-dua alat paling berbeza, dan ujian peringkat ayat terlepas pandang sepenuhnya.

Pada DeepL, glosari ialah senarai istilah yang dilampirkan pada terjemahan. Anda boleh menggunakan sehingga lima glosari pada terjemahan fail. Memuat naik glosari sedia ada sebagai CSV berfungsi pada pelan Pasukan, Perniagaan dan Perusahaan (serta pelan Advanced dan Ultimate legasi), menurut halaman muat naik glosari DeepL. Formatnya ialah dua lajur setiap baris, contohnya seat,Lizenz. Pasangan bahasa glosari mesti sepadan dengan terjemahan yang anda jalankan.

Pada ChatGPT, anda mendapat kesan yang sama dengan menulis senarai istilah ke dalam arahan anda ("terjemah seat sebagai Lizenz, jangan sekali-kali Sitz"). Ini fleksibel: anda boleh menerangkan mengapa sesuatu istilah ditetapkan, memberikan konteks, dan meminta model menandakan mana-mana ayat yang istilahnya tidak sesuai. Tetapi arahan itu ialah permintaan, bukan peraturan yang mengikat, dan dalam perbualan panjang anda perlu menyemak sama ada ia dipatuhi. Walau apa pun alat yang anda gunakan, semak istilah selepas terjemahan. Kit ujian di bawah mengiranya untuk anda.

Jika anda belum mempunyai senarai istilah, mulakan dengan membina glosari terjemahan. Ia membantu kedua-dua alat.

Ujian pusingan DOCX yang boleh anda jalankan pada kedua-dua alat

Daripada skor kualiti, kami membina fail kecil yang menunjukkan tempat terjemahan dokumen boleh menjadi salah, dan skrip yang menyemak apa yang dikembalikan. Semuanya berjalan dengan pustaka standard Python.

• make_docx_fixture.py membina docx-roundtrip-source.docx: panduan pentadbiran bahasa Inggeris satu halaman dengan dua peringkat tajuk, jadual 3×3, istilah tebal, hiperpautan, nota kaki, komen penyemak, pengepala dan pengaki.
• glossary-en-de.csv mengandungi tiga istilah Inggeris→Jerman dengan perangkap yang diketahui: seat bermaksud lesen pengguna berbayar di sini, jadi ia sepatutnya Lizenz, bukan Sitz. Fail ini menggunakan susun atur muat naik dua lajur DeepL.
• check_docx_roundtrip.py membandingkan fail sumber dan fail terjemahan. Ia mengira 12 ciri struktur dan membandingkan kiraan istilah glosari.

Untuk memastikan pemeriksa itu sendiri berfungsi, kami membuat contoh yang dibina, docx-roundtrip-pasted-example.docx (dibina oleh make_pasted_example.py). Ia mengandungi terjemahan Jerman kami sendiri bagi halaman itu, ditampal sebagai perenggan biasa ke dalam dokumen baharu. Itulah cara teks yang disalin keluar dari tetingkap sembang biasanya masuk ke dalam Word. Ia bukan output daripada DeepL atau ChatGPT. Dalam satu ayat kami menulis Sitz dengan sengaja. Output semakan yang direkodkan:

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 badan ada, tetapi kesemua 12 ciri struktur hilang. Baris glosari juga ditandakan, dan atas sebab yang berbeza. Lizenz kurang dua: satu seat menjadi Sitz, dan nota kaki yang mengandungi satu lagi seat telah hilang. Arbeitsbereich kurang satu kerana pengepala hilang, dan Administrator kurang satu kerana pengaki hilang. Itulah tujuan ujian ini: dokumen boleh dibaca dengan sempurna tetapi masih merupakan hasil yang salah.

Untuk menjalankannya pada alat sebenar:

1. Jalankan python3 make_docx_fixture.py (atau muat turun fail sumber).
2. DeepL: muat naik DOCX di penterjemah fail, pilih Inggeris→Jerman, gunakan glosari jika pelan anda membenarkannya, dan muat turun hasilnya.
3. ChatGPT: muat naik DOCX yang sama dan minta terjemahan Jerman yang menggunakan tiga istilah glosari. Simpan hasilnya seperti yang anda akan serahkan sebenarnya, sama ada fail yang ditawarkan oleh ChatGPT atau teks yang ditampal ke dalam Word.
4. Jalankan python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv pada setiap hasil.

Skrip ini mengira struktur, bukan kualiti. Baca kedua-dua output juga. Fail yang lulus setiap baris masih boleh mengandungi terjemahan yang salah, dan semakan glosari memadankan subrentetan, jadi kata majmuk Jerman seperti Administratorlizenz dikira sebagai Lizenz dan boleh menyembunyikan istilah yang hilang. Anggap penanda glosari, atau ketiadaan penanda, sebagai tempat untuk diperiksa, bukan keputusan muktamad.

Alat mana untuk dokumen mana

Aliran kerja gabungan untuk dokumen penting: terjemahkan fail dengan alat yang mengembalikan fail. Kemudian cari petikan yang maknanya diragui: definisi, amaran, permainan kata, apa-apa yang pembaca akan bertindak. Ambil hanya petikan itu ke ChatGPT bersama teks sumber dan terjemahan. Minta senarai masalah sebelum anda minta penulisan semula, supaya anda dapat lihat apa yang berubah dan mengapa. Panduan penyuntingan pasca menunjukkan cara merancang semakan ini.

Apabila dokumen itu sebuah buku penuh

Kedua-dua alat adalah serba guna. Untuk buku penuh, masalah praktikal adalah yang di atas pada skala lebih besar: had setiap fail dan bilangan fail bulanan pada DeepL, dan banyak giliran perbualan untuk menyusun pada ChatGPT. Menjaga nama dan istilah konsisten merentas bab juga sukar dalam kedua-duanya.

BookTranslator dibina untuk kes itu. Anda muat naik keseluruhan EPUB, DOCX atau PDF dan dapatkan semula fail terjemahan. Untuk tugasan EPUB dan DOCX anda boleh hidupkan glosari auto yang menjejak nama dan istilah utama merentas buku (ia tidak tersedia untuk tugasan PDF). Harga berdasarkan kiraan perkataan, dan anda lihat harga akhir sebelum bayar. Ia bukan pengganti semakan untuk teks berisiko tinggi, dan anda masih perlu semak hasilnya: skrip pergi-balik di atas juga berfungsi pada fail DOCX lain, termasuk output BookTranslator. Jika fail anda dokumen Word, mulakan di penterjemah DOCX. Untuk PDF, gunakan penterjemah PDF. Untuk mengekalkan susun atur Word secara amnya, lihat menterjemah dokumen Word tanpa kehilangan pemformatan.