DeepL vs ChatGPT voor het vertalen van documenten: bestandsuitvoer, woordenlijsten en review

De meeste vergelijkingen tussen DeepL en ChatGPT plakken dezelfde zinnen in beide tools en beoordelen de resultaten. Dat beantwoordt een vraag op zinsniveau. Als je een heel document hebt, is het eerste verschil wat je terugkrijgt. DeepL's bestandsvertaling levert een vertaalde kopie van je bestand in hetzelfde formaat op. ChatGPT leest je bestand en antwoordt standaard met tekst in het gesprek. Het kan aanbieden om een bestand te genereren, maar de uploads-help van OpenAI beschrijft niet dat er een vertaalde kopie van je originele bestand wordt teruggegeven. Dat ene verschil bepaalt het grootste deel van wat volgt: of koppen, tabellen, voetnoten en opmerkingen behouden blijven, hoe je terminologie afdwingt, en waar je reviewtijd naartoe gaat.

Kort antwoord, gecontroleerd op 21 oktober 2026:

• Gebruik DeepL wanneer het eindproduct het document zelf is (een DOCX, PPTX of PDF die iemand gaat openen en gebruiken), het binnen de limieten per bestand van je abonnement past, en je termen kunt afdwingen met een woordenlijst.
• Gebruik ChatGPT wanneer het eindproduct begrip of een beslissing is: een samenvatting van een anderstalig document, alternatieve formuleringen van een lastige alinea, een terminologiediscussie, of een second opinion op een vertaling die je al hebt.
• Gebruik beide voor de documenten die er het meest toe doen: vertaal het bestand met een bestandstool en neem alleen de moeilijke passages mee naar ChatGPT voor review.

We hebben voor dit artikel geen kwaliteitswedstrijd gehouden en we wijzen geen winnaar aan op het gebied van vertaalkwaliteit. De onderstaande vergelijking gaat over de mechanica. Die staat gedocumenteerd op de help-pagina's van elke leverancier en verandert minder vaak dan de modelkwaliteit. Aan het eind staat een kleine DOCX-test die je met je eigen accounts op beide tools kunt uitvoeren.

Wat elke tool doet met een geüpload document

Twee rijen zijn het belangrijkst bij je keuze.

De uitvoerrij. Een DeepL-bestandsvertaling behoudt het originele bestand rond je tekst. Stijlen, tabellen en de structuur van het document zitten in de geretourneerde kopie, dus je beoordeling gaat vooral over taal. Een ChatGPT-antwoord is tekst. Om een document te krijgen, moet iemand die tekst terugzetten in de oorspronkelijke lay-out. Bij die herbouw gaat structuur verloren, zoals de test hieronder laat zien. ChatGPT's uploadpagina beschrijft het werken met de inhoud van een bestand (samenvatten, vergelijken, extraheren, een kort document herschrijven). Het beschrijft niet het retourneren van een vertaalde kopie van het originele bestand.

De afbeeldingenrij. Als je PDF een scan is, of als belangrijke inhoud in afbeeldingen staat, leest ChatGPT op de meeste abonnementen de digitale tekstlaag en slaat de ingesloten afbeeldingen over. Een gescande PDF zonder tekstlaag geeft het bijna niets om mee te werken. Lees in dat geval eerst PDF-tekstextractie vs OCR en kies een tool die OCR uitvoert.

Limieten: welke je echt tegenkomt

Bij DeepL bepaalt de tekenlimiet per bestand meestal de gang van zaken, vóór de bestandsgrootte. Een gratis DeepL-account accepteert 100.000 tekens per Word- of PDF-bestand. Pro Individual en Team accepteren 1 miljoen, en het API Developer-abonnement 500.000. Een volledig boek gaat over de gratis limiet heen, dus het moet worden opgesplitst, en elk deel verbruikt een van je maandelijkse bestandsvertalingen. Onze gids over DeepL-documentvertaallimieten doorloopt een boek van 400 pagina's op elk abonnement, inclusief de minimale heffing van 50.000 tekens per PDF of DOCX van de API.

Let ook op: bij DeepL komt een bestand dat met een gratis account (geen abonnement) is vertaald niet bewerkbaar terug. Het artikel over bestandsformaten zegt dat je een Pro-abonnement nodig hebt om het vertaalde bestand te bewerken. Als je van plan bent de uitvoer in Word te corrigeren, test dan met het abonnement dat je daadwerkelijk gaat gebruiken.

Voor ChatGPT zijn de uploadlimieten ruim: 512 MB per bestand en 2 miljoen tokens per tekstdocument. De uploadlimiet is niet de beperking. De beperking is dat de vertaling terugkomt als chatantwoorden, en een lang document betekent veel beurten, die je vervolgens moet samenvoegen en controleren op hiaten. Dat is een workflowkostenpost die je op geen enkele limietenpagina ziet, en die groeit met de documentlengte. De ChatGPT voor vertaling-gids behandelt waar dit misgaat voor hele boeken.

Woordenlijsten: afgedwongen op een bestand vs aangevraagd in een prompt

Terminologie is waar de twee tools het meest verschillen, en tests op zinsniveau missen dat volledig.

Bij DeepL is een woordenlijst een termenlijst die aan de vertaling wordt gekoppeld. Je kunt tot vijf woordenlijsten toepassen op een bestandsvertaling. Een bestaande woordenlijst uploaden als CSV werkt op de Team-, Business- en Enterprise-abonnementen (en de legacy Advanced- en Ultimate-abonnementen), volgens DeepL's pagina over woordenlijsten uploaden. Het formaat is twee kolommen per regel, bijvoorbeeld seat,Lizenz. Het taalpaar van de woordenlijst moet overeenkomen met de vertaling die je uitvoert.

Bij ChatGPT krijg je hetzelfde effect door de termenlijst in je instructies te schrijven ("vertaal seat als Lizenz, nooit Sitz"). Dit is flexibel: je kunt uitleggen waarom een term vastligt, context geven en het model vragen om elke zin te markeren waarin de term niet past. Maar de instructie is een verzoek, geen bindende regel, en over een lang gesprek moet je controleren of die is nageleefd. Welke tool je ook gebruikt, controleer termen na de vertaling. De testkit hieronder telt ze voor je.

Als je nog geen termenlijst hebt, begin dan met een vertaalwoordenlijst opbouwen. Het helpt beide tools.

Een DOCX-round-triptest die je op beide tools kunt uitvoeren

In plaats van een kwaliteitsscore hebben we een klein bestand gebouwd dat laat zien waar een documentvertaling mis kan gaan, en een script dat controleert wat er terugkwam. Alles draait met de Python-standaardbibliotheek.

• make_docx_fixture.py bouwt docx-roundtrip-source.docx: een Engelstalige beheerdershandleiding van één pagina met twee kopniveaus, een 3×3-tabel, een vetgedrukte term, een hyperlink, een voetnoot, een opmerking van een reviewer, een koptekst en een voettekst.
• glossary-en-de.csv bevat drie termen Engels→Duits met een bekende valkuil: seat betekent hier een betaalde gebruikerslicentie, dus het moet Lizenz zijn, niet Sitz. Het bestand gebruikt de tweekoloms uploadindeling van DeepL.
• check_docx_roundtrip.py vergelijkt het bronbestand met een vertaald bestand. Het telt 12 structurele kenmerken en vergelijkt het aantal woorden uit de woordenlijst.

Om te controleren of de checker zelf werkt, hebben we een geconstrueerd voorbeeld gemaakt, docx-roundtrip-pasted-example.docx (gemaakt met make_pasted_example.py). Het bevat onze eigen Duitse vertaling van de pagina, geplakt als platte alinea's in een nieuw document. Zo belandt tekst die uit een chatvenster is gekopieerd meestal in Word. Het is geen uitvoer van DeepL of ChatGPT. In één zin hebben we expres Sitz geschreven. De opgenomen controle-uitvoer:

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

Alle bodytekst is aanwezig, maar alle 12 structurele kenmerken zijn verdwenen. De woordenlijstrijen worden ook gemarkeerd, en om verschillende redenen. Lizenz komt twee tekort: één seat werd Sitz, en de voetnoot die nog een seat bevatte is verdwenen. Arbeitsbereich komt één tekort omdat de koptekst verloren is gegaan, en Administrator komt één tekort omdat de voettekst verloren is gegaan. Dat is het punt van de test: een document kan perfect leesbaar zijn en toch het verkeerde eindproduct zijn.

Om het op de echte tools uit te voeren:

1. Voer python3 make_docx_fixture.py uit (of download het bronbestand).
2. DeepL: upload de DOCX bij de bestandsvertaler, kies Engels→Duits, pas de woordenlijst toe als je abonnement dat toestaat, en download het resultaat.
3. ChatGPT: upload dezelfde DOCX en vraag om een Duitse vertaling die de drie woordenlijsttermen gebruikt. Sla het resultaat op zoals je het daadwerkelijk zou opleveren, of dat nu een bestand is dat ChatGPT aanbiedt of tekst die je in Word plakt.
4. Voer python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv uit op elk resultaat.

Het script telt structuur, geen kwaliteit. Lees beide uitvoer ook. Een bestand dat elke rij doorstaat kan nog steeds een foute vertaling bevatten, en de woordenlijstcontrole vergelijkt substrings, dus een Duits samengesteld woord zoals Administratorlizenz telt mee voor Lizenz en kan een ontbrekende term verbergen. Beschouw een woordenlijstmarkering, of het ontbreken daarvan, als een plek om te kijken, niet als een verdict.

Welke tool voor welk document

De gecombineerde workflow voor belangrijke documenten: vertaal het bestand met een tool die het bestand teruggeeft. Zoek dan naar de passages waar de betekenis twijfelachtig is: definities, waarschuwingen, woordspelingen, alles waar een lezer naar zal handelen. Neem alleen die mee naar ChatGPT, samen met de bron- en de vertaalde tekst. Vraag om een lijst met problemen voordat je om een herschrijving vraagt, zodat je kunt zien wat er is veranderd en waarom. De post-editing gids laat zien hoe je deze controle plant.

Wanneer het document een heel boek is

Beide tools zijn algemeen bruikbaar. Voor een volledig boek zijn de praktische problemen dezelfde als hierboven, maar dan op grotere schaal: limieten per bestand en maandelijkse bestandsaantallen bij DeepL, en vele gespreksbeurten om samen te stellen bij ChatGPT. Het consistent houden van namen en termen over hoofdstukken heen is bij beide ook lastig.

BookTranslator is voor dat geval gebouwd. Je uploadt het hele EPUB-, DOCX- of PDF-bestand en krijgt een vertaald bestand terug. Voor EPUB- en DOCX-taken kun je een automatische woordenlijst inschakelen die namen en sleuteltermen door het hele boek volgt (deze is niet beschikbaar voor PDF-taken). De prijs is gebaseerd op het aantal woorden en je ziet de uiteindelijke prijs voordat je betaalt. Het is geen vervanging voor controle bij tekst met hoge inzet, en je controleert het resultaat nog steeds: het round-trip-script hierboven werkt ook op andere DOCX-bestanden, inclusief een BookTranslator-uitvoer. Als je bestand een Word-document is, begin dan bij de DOCX-vertaler. Voor een PDF gebruik je de PDF-vertaler. Voor het algemeen intact houden van de Word-lay-out, zie een Word-document vertalen zonder opmaak te verliezen.