DeepL vs ChatGPT para traduzir documentos: saída em arquivo, glossários e revisão

A maioria das comparações entre DeepL e ChatGPT cola as mesmas frases nas duas ferramentas e pontua os resultados. Isso responde a uma pergunta no nível da frase. Se você tem um documento inteiro, a primeira diferença está no que você recebe de volta. A tradução de arquivos do DeepL devolve uma cópia traduzida do seu arquivo no mesmo formato. O ChatGPT lê seu arquivo e, por padrão, responde com texto na conversa. Ele pode oferecer gerar um arquivo, mas a página de ajuda sobre uploads da OpenAI não descreve a devolução de uma cópia traduzida do seu arquivo original. Essa única diferença decide a maior parte do que vem a seguir: se títulos, tabelas, notas de rodapé e comentários sobrevivem, como você impõe terminologia e onde vai parar seu tempo de revisão.

Resposta curta, verificada em 21 de outubro de 2026:

• Use o DeepL quando o entregável for o próprio documento (um DOCX, PPTX ou PDF que alguém vai abrir e usar), ele couber nos limites por arquivo do seu plano e você puder impor termos com um glossário.
• Use o ChatGPT quando o entregável for compreensão ou uma decisão: um resumo de um documento em língua estrangeira, versões alternativas de um parágrafo difícil, uma discussão sobre terminologia ou uma segunda opinião sobre uma tradução que você já tem.
• Use os dois para os documentos mais importantes: traduza o arquivo com uma ferramenta de arquivos e depois leve apenas os trechos difíceis ao ChatGPT para revisão.

Não realizamos um concurso de qualidade para este artigo e não declaramos um vencedor em qualidade de tradução. A comparação abaixo cobre a mecânica. Ela está documentada nas próprias páginas de ajuda de cada fornecedor e muda com menos frequência do que a qualidade dos modelos. No final, há um pequeno teste com DOCX que você pode executar nas duas ferramentas com suas próprias contas.

O que cada ferramenta faz com um documento enviado

Duas linhas importam mais na hora de escolher.

A linha de saída. Uma tradução de arquivo do DeepL mantém o arquivo original ao redor do seu texto. Estilos, tabelas e a estrutura do documento estão na cópia retornada, então sua revisão é principalmente sobre o idioma. Uma resposta do ChatGPT é texto. Para terminar com um documento, alguém precisa colocar esse texto de volta no layout original. É nessa reconstrução que a estrutura se perde, como o teste abaixo mostra. A página de uploads do ChatGPT descreve o trabalho com o conteúdo de um arquivo (resumir, comparar, extrair, reescrever um documento curto). Ela não descreve retornar uma cópia traduzida do arquivo original.

A linha de imagens. Se o seu PDF for uma digitalização, ou se conteúdo importante estiver em imagens, o ChatGPT na maioria dos planos lê a camada de texto digital e ignora as imagens incorporadas. Um PDF digitalizado sem camada de texto não lhe dá quase nada com que trabalhar. Para esse caso, leia primeiro Extração de texto de PDF vs OCR e escolha uma ferramenta que execute OCR.

Limites: quais você realmente atinge

Para o DeepL, o limite de caracteres por arquivo geralmente decide as coisas antes do tamanho do arquivo. Uma conta gratuita do DeepL aceita 100.000 caracteres por arquivo Word ou PDF. Pro Individual e Team aceitam 1 milhão, e o plano API Developer aceita 500.000. Um livro completo ultrapassa o limite gratuito, então precisa ser dividido, e cada parte consome uma das suas traduções de arquivo mensais. Nosso guia de limites de tradução de documentos do DeepL analisa um livro de 400 páginas em cada plano, incluindo a cobrança mínima de 50.000 caracteres da API por PDF ou DOCX.

Observe também: no DeepL, um arquivo traduzido com uma conta gratuita (sem assinatura) volta não editável. O artigo sobre formatos de arquivo diz que você precisa de um plano Pro para editar o arquivo traduzido. Se você planeja corrigir a saída no Word, teste com o plano que realmente vai usar.

Para o ChatGPT, os limites de upload são generosos: 512 MB por arquivo e 2 milhões de tokens por documento de texto. O limite de upload não é a restrição. A restrição é que a tradução volta como respostas de chat, e um documento longo significa muitas interações, que você depois precisa montar e verificar em busca de lacunas. Esse é um custo de fluxo de trabalho que você não vê em nenhuma página de limites, e que cresce com o comprimento do documento. O guia do ChatGPT para tradução aborda onde isso quebra para livros inteiros.

Glossários: impostos em um arquivo vs solicitados em um prompt

Terminologia é onde as duas ferramentas mais diferem, e testes em nível de frase não captam isso de jeito nenhum.

No DeepL, um glossário é uma lista de termos anexada à tradução. Você pode aplicar até cinco glossários a uma tradução de arquivo. O upload de um glossário existente como CSV funciona nos planos Team, Business e Enterprise (e nos planos legados Advanced e Ultimate), de acordo com a página de upload de glossário do DeepL. O formato é duas colunas por linha, por exemplo seat,Lizenz. O par de idiomas do glossário precisa corresponder à tradução que você está executando.

No ChatGPT, você obtém o mesmo efeito escrevendo a lista de termos nas suas instruções ("traduza seat como Lizenz, nunca Sitz"). Isso é flexível: você pode explicar por que um termo é fixo, dar contexto e pedir ao modelo que sinalize qualquer frase em que o termo não se encaixe. Mas a instrução é um pedido, não uma regra vinculante, e ao longo de uma conversa longa você precisa verificar se ela foi mantida. Qualquer que seja a ferramenta, verifique os termos após a tradução. O kit de teste abaixo os conta para você.

Se você ainda não tem uma lista de termos, comece com criar um glossário de tradução. Isso ajuda as duas ferramentas.

Um teste de ida e volta de DOCX que você pode executar nas duas ferramentas

Em vez de uma pontuação de qualidade, criamos um pequeno arquivo que mostra onde uma tradução de documento pode dar errado, e um script que verifica o que voltou. Tudo roda com a biblioteca padrão do Python.

• make_docx_fixture.py cria docx-roundtrip-source.docx: um guia administrativo de uma página em inglês com dois níveis de título, uma tabela 3×3, um termo em negrito, um hiperlink, uma nota de rodapé, um comentário de revisor, um cabeçalho e um rodapé.
• O arquivo glossary-en-de.csv contém três termos de inglês→alemão com uma armadilha conhecida: seat aqui significa uma licença de usuário paga, então deve ser Lizenz, não Sitz. O arquivo usa o layout de upload em duas colunas do DeepL.
• O script check_docx_roundtrip.py compara o arquivo de origem com um arquivo traduzido. Ele conta 12 características estruturais e compara as contagens de termos do glossário.

Para verificar se o próprio verificador funciona, criamos um exemplo construído, docx-roundtrip-pasted-example.docx (gerado por make_pasted_example.py). Ele contém nossa própria tradução para o alemão da página, colada como parágrafos simples em um novo documento. É assim que o texto copiado de uma janela de chat geralmente chega ao Word. Não é uma saída do DeepL ou do ChatGPT. Em uma frase, escrevemos Sitz de propósito. A saída de verificação registrada:

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

Todo o texto do corpo está lá, mas todas as 12 características estruturais desapareceram. As linhas do glossário também são sinalizadas, e por motivos diferentes. Lizenz está faltando duas: um seat virou Sitz, e a nota de rodapé que continha outro seat desapareceu. Arbeitsbereich está faltando uma porque o cabeçalho foi perdido, e Administrator está faltando uma porque o rodapé foi perdido. Esse é o ponto do teste: um documento pode ser perfeitamente legível e ainda assim ser a entrega errada.

Para executá-lo nas ferramentas reais:

1. Execute python3 make_docx_fixture.py (ou baixe o arquivo de origem).
2. DeepL: faça upload do DOCX no tradutor de arquivos, escolha inglês→alemão, aplique o glossário se o seu plano permitir e baixe o resultado.
3. ChatGPT: faça upload do mesmo DOCX e peça uma tradução para o alemão que use os três termos do glossário. Salve o resultado da forma como você realmente o entregaria, seja um arquivo oferecido pelo ChatGPT ou texto colado no Word.
4. Execute python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv em cada resultado.

O script conta estrutura, não qualidade. Leia as duas saídas também. Um arquivo que passa em todas as linhas ainda pode conter uma tradução errada, e a verificação do glossário corresponde a substrings, então um composto alemão como Administratorlizenz conta para Lizenz e pode esconder um termo ausente. Trate um alerta de glossário, ou a ausência dele, como um ponto a investigar, não como um veredito.

Qual ferramenta para qual documento

O fluxo combinado para documentos importantes: traduza o arquivo com uma ferramenta que devolve o arquivo. Depois, procure os trechos em que o sentido é duvidoso: definições, avisos, trocadilhos, qualquer coisa sobre a qual o leitor vá agir. Leve apenas esses trechos ao ChatGPT, junto com o texto original e a tradução. Peça uma lista de problemas antes de pedir uma reescrita, para que você veja o que mudou e por quê. O guia de pós-edição mostra como planejar essa revisão.

Quando o documento é um livro inteiro

Ambas as ferramentas são de uso geral. Para um livro completo, os problemas práticos são os acima em maior escala: limites por arquivo e contagem mensal de arquivos no DeepL, e muitas interações de conversa para montar no ChatGPT. Manter nomes e termos consistentes entre capítulos também é difícil em ambas.

O BookTranslator foi feito para esse caso. Você envia o EPUB, DOCX ou PDF inteiro e recebe um arquivo traduzido de volta. Para tarefas de EPUB e DOCX, você pode ativar um glossário automático que acompanha nomes e termos-chave ao longo do livro (não está disponível para tarefas de PDF). O preço é baseado na contagem de palavras, e você vê o valor final antes de pagar. Não substitui a revisão em textos de alta criticidade, e você ainda confere o resultado: o script de ida e volta acima funciona em outros arquivos DOCX também, incluindo uma saída do BookTranslator. Se o seu arquivo for um documento do Word, comece pelo tradutor de DOCX. Para um PDF, use o tradutor de PDF. Para manter o layout do Word intacto em geral, veja traduzindo um documento do Word sem perder a formatação.