DeepL vs ChatGPT do tłumaczenia dokumentów: pliki wyjściowe, glosariusze i przegląd

Większość porównań DeepL vs ChatGPT wkleja te same zdania do obu narzędzi i ocenia wyniki. To odpowiada na pytanie na poziomie zdania. Jeśli masz cały dokument, pierwszą różnicą jest to, co otrzymujesz z powrotem. Tłumaczenie plików w DeepL zwraca przetłumaczoną kopię twojego pliku w tym samym formacie. ChatGPT odczytuje twój plik i domyślnie odpowiada tekstem w rozmowie. Może zaproponować wygenerowanie pliku, ale pomoc OpenAI dotycząca przesyłania plików nie opisuje zwracania przetłumaczonej kopii oryginalnego pliku. Ta jedna różnica decyduje o większości tego, co następuje: czy nagłówki, tabele, przypisy i komentarze przetrwają, jak egzekwujesz terminologię i gdzie trafia twój czas na przegląd.

Krótka odpowiedź, sprawdzona 21 października 2026 r.:

• Użyj DeepL, gdy produktem końcowym jest sam dokument (DOCX, PPTX lub PDF, który ktoś otworzy i użyje), mieści się w limitach na plik twojego planu i możesz egzekwować terminy za pomocą glosariusza.
• Użyj ChatGPT, gdy produktem końcowym jest zrozumienie lub decyzja: streszczenie dokumentu w obcym języku, alternatywne warianty trudnego akapitu, dyskusja o terminologii lub druga opinia na temat tłumaczenia, które już masz.
• Użyj obu w przypadku dokumentów, które mają największe znaczenie: przetłumacz plik narzędziem do plików, a następnie przenieś tylko trudne fragmenty do ChatGPT w celu przeglądu.

Nie przeprowadziliśmy konkursu jakości dla tego artykułu i nie wskazujemy zwycięzcy pod względem jakości tłumaczenia. Poniższe porównanie obejmuje mechanikę. Jest ona udokumentowana na stronach pomocy każdego dostawcy i zmienia się rzadziej niż jakość modelu. Na końcu znajduje się mały test DOCX, który możesz uruchomić na obu narzędziach na własnych kontach.

Co każde narzędzie robi z przesłanym dokumentem

Przy wyborze najbardziej liczą się dwa wiersze.

Wiersz dotyczący wyników. Tłumaczenie pliku w DeepL zachowuje oryginalny plik wokół tekstu. Style, tabele i struktura dokumentu znajdują się w zwróconej kopii, więc recenzja dotyczy głównie języka. Odpowiedź ChatGPT to tekst. Aby otrzymać dokument, ktoś musi umieścić ten tekst z powrotem w oryginalnym układzie. To właśnie przy odtwarzaniu struktura ginie, co pokazuje poniższy test. Strona przesyłania ChatGPT opisuje pracę z zawartością pliku (podsumowywanie, porównywanie, wyodrębnianie, przepisywanie krótkiego dokumentu). Nie opisuje zwracania przetłumaczonej kopii oryginalnego pliku.

Wiersz dotyczący obrazów. Jeśli Twój PDF jest skanem lub kluczowa treść znajduje się na obrazach, ChatGPT w większości planów odczytuje cyfrową warstwę tekstową i pomija osadzone obrazy. Zeskanowany PDF bez warstwy tekstowej daje mu prawie nic do pracy. W takim przypadku najpierw przeczytaj Ekstrakcja tekstu z PDF vs OCR i wybierz narzędzie, które wykonuje OCR.

Limity: które faktycznie napotkasz

W DeepL limit znaków na plik zwykle decyduje przed rozmiarem pliku. Darmowe konto DeepL akceptuje 100 000 znaków na plik Word lub PDF. Plany Pro Individual i Team akceptują 1 milion, a plan API Developer 500 000. Pełna książka przekracza darmowy limit, więc trzeba ją podzielić, a każda część zużywa jedno z miesięcznych tłumaczeń plików. Nasz przewodnik po limitach tłumaczenia dokumentów DeepL analizuje 400-stronicową książkę w każdym planie, w tym minimalną opłatę API wynoszącą 50 000 znaków za PDF lub DOCX.

Uwaga: w DeepL plik przetłumaczony na darmowym koncie (bez subskrypcji) wraca nieedytowalny. Artykuł o formatach plików mówi, że do edycji przetłumaczonego pliku potrzebny jest plan Pro. Jeśli planujesz poprawiać wynik w Wordzie, przetestuj z planem, którego faktycznie będziesz używać.

W ChatGPT limity przesyłania są hojne: 512 MB na plik i 2 miliony tokenów na dokument tekstowy. Limit przesyłania nie jest ograniczeniem. Ograniczeniem jest to, że tłumaczenie wraca jako odpowiedzi czatu, a długi dokument oznacza wiele tur, które następnie trzeba złożyć i sprawdzić pod kątem luk. To koszt przepływu pracy, którego nie zobaczysz na żadnej stronie limitów, a rośnie on wraz z długością dokumentu. Przewodnik po ChatGPT do tłumaczeń omawia, gdzie to zawodzi w przypadku całych książek.

Glosariusze: wymuszane na pliku vs żądane w prompcie

Terminologia to obszar, w którym oba narzędzia różnią się najbardziej, a testy na poziomie zdania całkowicie to pomijają.

W DeepL glosariusz to lista terminów dołączona do tłumaczenia. Do tłumaczenia pliku można zastosować maksymalnie pięć glosariuszy. Przesyłanie istniejącego glosariusza jako CSV działa w planach Team, Business i Enterprise (oraz w starszych planach Advanced i Ultimate), zgodnie ze stroną przesyłania glosariuszy DeepL. Format to dwie kolumny w wierszu, na przykład seat,Lizenz. Para językowa glosariusza musi odpowiadać tłumaczeniu, które uruchamiasz.

W ChatGPT ten sam efekt uzyskujesz, wpisując listę terminów do instrukcji („tłumacz seat jako Lizenz, nigdy Sitz”). Jest to elastyczne: możesz wyjaśnić, dlaczego termin jest ustalony, podać kontekst i poprosić model o oznaczenie każdego zdania, w którym termin nie pasuje. Ale instrukcja jest prośbą, a nie wiążącą regułą, a przy długiej rozmowie musisz sprawdzić, czy została zachowana. Niezależnie od użytego narzędzia, sprawdź terminy po tłumaczeniu. Poniższy zestaw testowy policzy je za Ciebie.

Jeśli nie masz jeszcze listy terminów, zacznij od tworzenia glosariusza tłumaczeniowego. Pomaga to obu narzędziom.

Test round-trip DOCX, który możesz uruchomić na obu narzędziach

Zamiast oceny jakości zbudowaliśmy mały plik, który pokazuje, gdzie tłumaczenie dokumentu może pójść źle, oraz skrypt, który sprawdza, co wróciło. Wszystko działa z biblioteką standardową Pythona.

• make_docx_fixture.py tworzy docx-roundtrip-source.docx: jednostronicowy angielski przewodnik administracyjny z dwoma poziomami nagłówków, tabelą 3×3, pogrubionym terminem, hiperłączem, przypisem dolnym, komentarzem recenzenta, nagłówkiem i stopką.
• glossary-en-de.csv zawiera trzy terminy angielsko-niemieckie z pułapką: seat oznacza tutaj płatną licencję użytkownika, więc powinno być Lizenz, a nie Sitz. Plik używa dwukolumnowego układu wgrywania DeepL.
• check_docx_roundtrip.py porównuje plik źródłowy z plikiem przetłumaczonym. Zlicza 12 cech strukturalnych i porównuje liczbę wystąpień terminów ze słownika.

Aby sprawdzić, czy sam skrypt działa, przygotowaliśmy sztuczny przykład, docx-roundtrip-pasted-example.docx (utworzony przez make_pasted_example.py). Zawiera on nasze własne niemieckie tłumaczenie strony, wklejone jako zwykłe akapity do nowego dokumentu. W ten sposób tekst skopiowany z okna czatu zwykle trafia do Worda. To nie jest wynik działania DeepL ani ChatGPT. W jednym zdaniu celowo napisaliśmy Sitz. Zapisany wynik sprawdzenia:

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

Cały tekst główny jest obecny, ale wszystkie 12 cech strukturalnych zniknęło. Wiersze słownika również są oznaczone, i to z różnych powodów. Lizenz ma o dwa za mało: jedno seat zamieniło się w Sitz, a przypis zawierający drugie seat zniknął. Arbeitsbereich ma o jeden za mało, ponieważ nagłówek został utracony, a Administrator ma o jeden za mało, ponieważ stopka została utracona. Na tym polega sens testu: dokument może czytać się doskonale, a mimo to być niewłaściwym produktem.

Aby uruchomić go na prawdziwych narzędziach:

1. Uruchom python3 make_docx_fixture.py (lub pobierz plik źródłowy).
2. DeepL: prześlij plik DOCX w tłumaczu plików, wybierz angielski→niemiecki, zastosuj słownik, jeśli Twój plan na to pozwala, i pobierz wynik.
3. ChatGPT: prześlij ten sam plik DOCX i poproś o niemieckie tłumaczenie z użyciem trzech terminów ze słownika. Zapisz wynik w sposób, w jaki faktycznie byś go dostarczył — czy to jako plik oferowany przez ChatGPT, czy jako tekst wklejony do Worda.
4. Uruchom python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv na każdym wyniku.

Skrypt zlicza strukturę, a nie jakość. Przeczytaj także oba wyniki. Plik, który przechodzi wszystkie wiersze, wciąż może zawierać błędne tłumaczenie, a sprawdzanie słownika dopasowuje podciągi, więc niemiecki złożenie takie jak Administratorlizenz liczy się do Lizenz i może ukryć brakujący termin. Oznaczenie słownika lub jego brak traktuj jako miejsce do sprawdzenia, a nie wyrok.

Które narzędzie do którego dokumentu

Połączony przepływ pracy dla ważnych dokumentów: przetłumacz plik za pomocą narzędzia, które zwraca plik. Następnie poszukaj fragmentów, w których znaczenie jest wątpliwe: definicji, ostrzeżeń, gier słownych, wszystkiego, na co czytelnik podejmie działania. Tylko te fragmenty przenieś do ChatGPT wraz z tekstem źródłowym i przetłumaczonym. Poproś o listę problemów, zanim poprosisz o przepisanie, abyś zobaczył, co się zmieniło i dlaczego. Przewodnik po postedycji pokazuje, jak zaplanować tę weryfikację.

Gdy dokumentem jest cała książka

Oba narzędzia są ogólnego przeznaczenia. W przypadku pełnej książki praktyczne problemy to te same kwestie w większej skali: limity na plik i miesięczne limity plików w DeepL oraz wiele tur rozmowy do złożenia w ChatGPT. Zachowanie spójności nazw i terminów między rozdziałami jest również trudne w obu.

BookTranslator jest stworzony do tego przypadku. Przesyłasz cały plik EPUB, DOCX lub PDF i otrzymujesz z powrotem przetłumaczony plik. W zadaniach EPUB i DOCX możesz włączyć automatyczny glosariusz, który śledzi nazwy i kluczowe terminy w całej książce (nie jest dostępny dla zadań PDF). Cena opiera się na liczbie słów, a ostateczną cenę widzisz przed zapłatą. Nie zastępuje weryfikacji w przypadku tekstów o wysokiej stawce, a wynik nadal sprawdzasz: powyższy skrypt dwukierunkowy działa również na innych plikach DOCX, w tym na wynikach z BookTranslator. Jeśli twój plik jest dokumentem Word, zacznij od tłumacza DOCX. W przypadku pliku PDF użyj tłumacza PDF. Aby ogólnie zachować układ Worda, zobacz tłumaczenie dokumentu Word bez utraty formatowania.