DeepL vs ChatGPT para Traduzir Documentos: Ficheiros de Saída, Glossários e Revisão

A maioria das comparações entre o DeepL e o ChatGPT cola as mesmas frases nas duas ferramentas e avalia os resultados. Isso responde a uma questão ao nível da frase. Se tiver um documento completo, a primeira diferença está no que recebe de volta. A tradução de ficheiros do DeepL devolve uma cópia traduzida do seu ficheiro no mesmo formato. O ChatGPT lê o seu ficheiro e, por predefinição, responde com texto na conversa. Pode propor gerar um ficheiro, mas a ajuda do OpenAI sobre carregamentos não descreve a devolução de uma cópia traduzida do seu ficheiro original. Essa única diferença determina a maior parte do que se segue: se os títulos, tabelas, notas de rodapé e comentários sobrevivem, como impõe a terminologia e onde vai parar o seu tempo de revisão.

Resposta curta, verificada a 21 de outubro de 2026:

• Use o DeepL quando o resultado for o próprio documento (um DOCX, PPTX ou PDF que alguém vai abrir e utilizar), esteja dentro dos limites por ficheiro do seu plano e possa impor termos com um glossário.
• Use o ChatGPT quando o resultado for a 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 já tem.
• Use ambos para os documentos mais importantes: traduza o ficheiro com uma ferramenta de ficheiros e depois leve apenas as passagens difíceis ao ChatGPT para revisão.

Não realizámos um concurso de qualidade para este artigo e não declaramos um vencedor em termos de qualidade de tradução. A comparação abaixo aborda os mecanismos. Estes estão documentados nas páginas de ajuda de cada fornecedor e mudam com menos frequência do que a qualidade dos modelos. No final, há um pequeno teste com DOCX que pode executar nas duas ferramentas com as suas próprias contas.

O que cada ferramenta faz com um documento carregado

Duas linhas são as mais importantes na sua escolha.

A linha do resultado. Uma tradução de ficheiro da DeepL mantém o ficheiro original à volta do seu texto. Os estilos, as tabelas e a estrutura do documento estão na cópia devolvida, pelo que a sua revisão incide sobretudo na língua. Uma resposta do ChatGPT é texto. Para obter um documento, alguém tem de voltar a colocar esse texto no esquema original. É nessa reconstrução que a estrutura se perde, como mostra o teste abaixo. A página de carregamentos do ChatGPT descreve o trabalho com o conteúdo de um ficheiro (resumir, comparar, extrair, reescrever um documento curto). Não descreve a devolução de uma cópia traduzida do ficheiro original.

A linha das imagens. Se o seu PDF for uma digitalização, ou se o conteúdo essencial 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 dá-lhe quase nada com que trabalhar. Nesse caso, leia primeiro Extração de texto de PDF vs OCR e escolha uma ferramenta que execute OCR.

Limites: quais os que realmente atingirá

Na DeepL, o limite de caracteres por ficheiro costuma decidir as coisas antes do tamanho do ficheiro. Uma conta DeepL gratuita aceita 100 000 caracteres por ficheiro Word ou PDF. O Pro Individual e o Team aceitam 1 milhão, e o plano API Developer aceita 500 000. Um livro completo ultrapassa o limite gratuito, pelo que tem de ser dividido, e cada parte consome uma das suas traduções de ficheiro mensais. O nosso guia sobre os limites de tradução de documentos da DeepL analisa um livro de 400 páginas em cada plano, incluindo o encargo mínimo de 50 000 caracteres da API por PDF ou DOCX.

Note também: na DeepL, um ficheiro traduzido com uma conta gratuita (sem subscrição) é devolvido não editável. O artigo sobre formatos de ficheiro indica que precisa de um plano Pro para editar o ficheiro traduzido. Se tenciona corrigir o resultado no Word, teste com o plano que vai realmente utilizar.

No ChatGPT, os limites de carregamento são generosos: 512 MB por ficheiro e 2 milhões de tokens por documento de texto. O limite de carregamento não é a restrição. A restrição é que a tradução é devolvida como respostas de chat, e um documento longo implica muitos turnos, que depois tem de reunir e verificar quanto a lacunas. É um custo de fluxo de trabalho que não verá em nenhuma página de limites, e que cresce com o comprimento do documento. O guia do ChatGPT para tradução aborda onde isto falha para livros completos.

Glossários: impostos num ficheiro vs pedidos num prompt

A terminologia é onde as duas ferramentas mais diferem, e os testes ao nível da frase não o detetam de todo.

Na DeepL, um glossário é uma lista de termos associada à tradução. Pode aplicar até cinco glossários a uma tradução de ficheiro. O carregamento de um glossário existente como CSV funciona nos planos Team, Business e Enterprise (e nos planos legados Advanced e Ultimate), segundo a página de carregamento de glossários da DeepL. O formato é de duas colunas por linha, por exemplo seat,Lizenz. O par de línguas do glossário tem de corresponder à tradução que está a executar.

No ChatGPT, obtém o mesmo efeito escrevendo a lista de termos nas suas instruções ("traduza seat como Lizenz, nunca Sitz"). Isto é flexível: pode explicar porquê um termo é fixo, dar contexto e pedir ao modelo que sinalize qualquer frase em que o termo não se adeque. Mas a instrução é um pedido, não uma regra vinculativa, e ao longo de uma conversa longa tem de verificar se foi cumprida. Independentemente da ferramenta que usar, verifique os termos após a tradução. O kit de teste abaixo conta-os por si.

Se ainda não tem uma lista de termos, comece por criar um glossário de tradução. Ajuda ambas as ferramentas.

Um teste de ida e volta com DOCX que pode executar em ambas as ferramentas

Em vez de uma pontuação de qualidade, criámos um pequeno ficheiro que mostra onde uma tradução de documento pode correr mal, e um script que verifica o que foi devolvido. Tudo funciona 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 cabeçalho, uma tabela 3×3, um termo a negrito, uma hiperligação, uma nota de rodapé, um comentário de revisor, um cabeçalho e um rodapé.
• glossary-en-de.csv contém três termos de inglês→alemão com uma armadilha conhecida: seat significa aqui uma licença de utilizador paga, pelo que deve ser Lizenz, e não Sitz. O ficheiro utiliza o formato de carregamento de duas colunas do DeepL.
• check_docx_roundtrip.py compara o ficheiro de origem com um ficheiro traduzido. Conta 12 características estruturais e compara as contagens de termos do glossário.

Para verificar que o próprio verificador funciona, criámos um exemplo construído, docx-roundtrip-pasted-example.docx (criado por make_pasted_example.py). Contém a nossa própria tradução alemã da página, colada como parágrafos simples num novo documento. É assim que o texto copiado de uma janela de chat costuma acabar no Word. Não é o resultado do DeepL nem do ChatGPT. Numa frase escrevemos Sitz de propósito. O resultado registado da verificação:

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 assinaladas, e por razões diferentes. Lizenz está duas unidades abaixo: um seat tornou-se Sitz, e a nota de rodapé que continha outro seat desapareceu. Arbeitsbereich está uma unidade abaixo porque o cabeçalho se perdeu, e Administrator está uma unidade abaixo porque o rodapé se perdeu. É este o objetivo do teste: um documento pode ler-se perfeitamente bem e ainda assim ser o entregável errado.

Para o executar nas ferramentas reais:

1. Execute python3 make_docx_fixture.py (ou descarregue o ficheiro de origem).
2. DeepL: carregue o DOCX no tradutor de ficheiros, escolha inglês→alemão, aplique o glossário se o seu plano o permitir e descarregue o resultado.
3. ChatGPT: carregue o mesmo DOCX e peça uma tradução para alemão que utilize os três termos do glossário. Guarde o resultado tal como o entregaria na realidade, quer seja um ficheiro que o ChatGPT oferece 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 também ambos os resultados. Um ficheiro que passa todas as linhas pode ainda conter uma tradução errada, e a verificação do glossário corresponde a subcadeias, pelo que um composto alemão como Administratorlizenz conta para Lizenz e pode ocultar um termo em falta. Trate um sinalizador do glossário, ou a sua ausência, como um local a inspecionar, não como um veredicto.

Que ferramenta para que documento

O fluxo de trabalho combinado para documentos importantes: traduza o ficheiro com uma ferramenta que devolve o ficheiro. Depois, procure as passagens em que o sentido é duvidoso: definições, avisos, jogos de palavras, tudo o que o leitor possa ter de pôr em prática. Leve apenas essas passagens ao ChatGPT, juntamente com o texto original e o texto traduzido. Peça uma lista de problemas antes de pedir uma reescrita, para poder ver o que mudou e porquê. O guia de pós-edição mostra como planear esta 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 referidos à escala maior: limites por ficheiro e contagens mensais de ficheiros no DeepL, e muitas interações de conversa para montar no ChatGPT. Manter nomes e termos consistentes ao longo dos capítulos também é difícil em ambas.

O BookTranslator foi concebido para esse caso. Carrega o EPUB, DOCX ou PDF completo e recebe um ficheiro traduzido. Para tarefas EPUB e DOCX, pode ativar um glossário automático que acompanha nomes e termos-chave ao longo do livro (não está disponível para tarefas PDF). O preço baseia-se na contagem de palavras e vê o preço final antes de pagar. Não substitui a revisão em textos de grande responsabilidade, e continua a ser necessário verificar o resultado: o script de ida e volta acima também funciona noutros ficheiros DOCX, incluindo um resultado do BookTranslator. Se o seu ficheiro for um documento do Word, comece pelo tradutor de DOCX. Para um PDF, utilize o tradutor de PDF. Para manter o esquema do Word intacto em geral, consulte traduzir um documento do Word sem perder a formatação.