DeepL vs ChatGPT pentru traducerea documentelor: fișiere rezultate, glosare și revizuire

Majoritatea comparațiilor dintre DeepL și ChatGPT lipesc aceleași propoziții în ambele instrumente și punctează rezultatele. Asta răspunde la o întrebare la nivel de propoziție. Dacă aveți un document întreg, prima diferență este ceea ce primiți înapoi. Traducerea de fișiere a DeepL returnează o copie tradusă a fișierului dvs. în același format. ChatGPT citește fișierul dvs. și, implicit, răspunde cu text în conversație. Poate oferi să genereze un fișier, dar ajutorul OpenAI pentru încărcări nu descrie returnarea unei copii traduse a fișierului original. Această singură diferență decide cea mai mare parte a celor ce urmează: dacă titlurile, tabelele, notele de subsol și comentariile supraviețuiesc, cum impuneți terminologia și unde se duce timpul de revizuire.

Răspuns scurt, verificat pe 21 octombrie 2026:

• Folosiți DeepL când livrabilul este documentul în sine (un DOCX, PPTX sau PDF pe care cineva îl va deschide și îl va folosi), se încadrează în limitele per fișier ale planului dvs. și puteți impune termeni cu un glosar.
• Folosiți ChatGPT când livrabilul este înțelegerea sau o decizie: un rezumat al unui document într-o limbă străină, redări alternative ale unui paragraf dificil, o discuție despre terminologie sau o a doua opinie despre o traducere pe care o aveți deja.
• Folosiți-le pe amândouă pentru documentele care contează cel mai mult: traduceți fișierul cu un instrument de fișiere, apoi duceți doar pasajele dificile la ChatGPT pentru revizuire.

Nu am organizat un concurs de calitate pentru acest articol și nu numim un câștigător la calitatea traducerii. Comparația de mai jos acoperă mecanica. Acestea sunt documentate pe paginile de ajutor ale fiecărui furnizor și se schimbă mai rar decât calitatea modelului. La final există un mic test DOCX pe care îl puteți rula pe ambele instrumente cu propriile conturi.

Ce face fiecare instrument cu un document încărcat

Două rânduri contează cel mai mult atunci când alegeți.

Rândul rezultatului. O traducere de fișier DeepL păstrează fișierul original în jurul textului dvs. Stilurile, tabelele și structura documentului se află în copia returnată, așa că verificarea dvs. se referă în principal la limbă. Un răspuns ChatGPT este text. Pentru a obține un document, cineva trebuie să pună acel text înapoi în aspectul original. Această reconstrucție este locul unde structura se pierde, după cum arată testul de mai jos. Pagina de încărcări a ChatGPT descrie lucrul cu conținutul unui fișier (rezumare, comparare, extragere, rescrierea unui document scurt). Nu descrie returnarea unei copii traduse a fișierului original.

Rândul imaginilor. Dacă PDF-ul dvs. este o scanare sau conținutul cheie se află în imagini, ChatGPT pe majoritatea planurilor citește stratul de text digital și omite imaginile încorporate. Un PDF scanat fără strat de text nu îi oferă aproape nimic cu care să lucreze. Pentru acest caz, citiți mai întâi Extragerea textului din PDF vs OCR și alegeți un instrument care rulează OCR.

Limite: pe care le atingeți de fapt

Pentru DeepL, limita de caractere per fișier decide de obicei înaintea dimensiunii fișierului. Un cont DeepL gratuit acceptă 100.000 de caractere per fișier Word sau PDF. Pro Individual și Team acceptă 1 milion, iar planul API Developer acceptă 500.000. O carte de lungime completă depășește limita gratuită, așa că trebuie împărțită, iar fiecare parte consumă una dintre traducerile lunare de fișiere. Ghidul nostru despre limitele traducerii documentelor DeepL analizează o carte de 400 de pagini pe fiecare plan, inclusiv taxa minimă de 50.000 de caractere per PDF sau DOCX a API-ului.

De asemenea, rețineți: pe DeepL, un fișier tradus cu un cont gratuit (fără abonament) revine needitabil. Articolul despre formatele de fișiere spune că aveți nevoie de un plan Pro pentru a edita fișierul tradus. Dacă intenționați să corectați rezultatul în Word, testați cu planul pe care îl veți folosi de fapt.

Pentru ChatGPT, limitele de încărcare sunt generoase: 512 MB per fișier și 2 milioane de tokenuri per document text. Limita de încărcare nu este constrângerea. Constrângerea este că traducerea revine ca răspunsuri în chat, iar un document lung înseamnă multe ture, pe care apoi trebuie să le asamblați și să verificați pentru lacune. Acesta este un cost de flux de lucru pe care nu îl veți vedea pe nicio pagină de limite și care crește cu lungimea documentului. Ghidul ChatGPT pentru traducere acoperă unde acest lucru se defectează pentru cărți întregi.

Glosare: impuse pe un fișier vs solicitate într-un prompt

Terminologia este locul unde cele două instrumente diferă cel mai mult, iar testele la nivel de propoziție nu surprind deloc acest aspect.

Pe DeepL, un glosar este o listă de termeni atașată traducerii. Puteți aplica până la cinci glosare unei traduceri de fișier. Încărcarea unui glosar existent ca CSV funcționează pe planurile Team, Business și Enterprise (și pe planurile legacy Advanced și Ultimate), conform paginii de încărcare a glosarelor DeepL. Formatul este de două coloane pe linie, de exemplu seat,Lizenz. Perechea de limbi a glosarului trebuie să corespundă traducerii pe care o rulați.

Pe ChatGPT, obțineți același efect scriind lista de termeni în instrucțiuni („traduceți seat ca Lizenz, niciodată Sitz”). Acest lucru este flexibil: puteți explica de ce un termen este fixat, puteți oferi context și puteți cere modelului să semnaleze orice propoziție în care termenul nu se potrivește. Dar instrucțiunea este o cerere, nu o regulă obligatorie, iar pe o conversație lungă trebuie să verificați dacă a fost respectată. Indiferent de instrumentul pe care îl folosiți, verificați termenii după traducere. Kitul de testare de mai jos îi numără pentru dvs.

Dacă nu aveți încă o listă de termeni, începeți cu crearea unui glosar de traducere. Ajută ambele instrumente.

Un test de round-trip DOCX pe care îl puteți rula pe ambele instrumente

În loc de un scor de calitate, am construit un fișier mic care arată unde poate merge greșit o traducere de document și un script care verifică ce a revenit. Totul rulează cu biblioteca standard Python.

• make_docx_fixture.py construiește docx-roundtrip-source.docx: un ghid administrativ în engleză de o pagină, cu două niveluri de titluri, un tabel 3×3, un termen îngroșat, un hyperlink, o notă de subsol, un comentariu al recenzentului, un antet și un subsol.
• glossary-en-de.csv conține trei termeni engleză→germană cu o capcană cunoscută: seat înseamnă aici o licență de utilizator plătită, deci ar trebui să fie Lizenz, nu Sitz. Fișierul folosește formatul de încărcare pe două coloane al DeepL.
• check_docx_roundtrip.py compară fișierul sursă cu un fișier tradus. Numără 12 caracteristici structurale și compară numărul de termeni din glosar.

Pentru a verifica dacă verificatorul în sine funcționează, am creat un exemplu construit, docx-roundtrip-pasted-example.docx (generat de make_pasted_example.py). Acesta conține propria noastră traducere în germană a paginii, lipită ca paragrafe simple într-un document nou. Așa ajunge de obicei textul copiat dintr-o fereastră de chat în Word. Nu este rezultatul DeepL sau ChatGPT. Într-o propoziție am scris intenționat Sitz. Rezultatul verificării înregistrat:

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

Tot textul corpului este acolo, dar toate cele 12 caracteristici structurale lipsesc. Rândurile din glosar sunt și ele semnalate, din motive diferite. Lizenz este cu doi mai puțin: un seat a devenit Sitz, iar nota de subsol care conținea un alt seat a dispărut. Arbeitsbereich este cu unul mai puțin pentru că antetul a fost pierdut, iar Administrator este cu unul mai puțin pentru că subsolul a fost pierdut. Acesta este scopul testului: un document poate fi perfect lizibil și totuși să fie livrabilul greșit.

Pentru a-l rula pe instrumentele reale:

1. Rulați python3 make_docx_fixture.py (sau descărcați fișierul sursă).
2. DeepL: încărcați DOCX-ul în traducătorul de fișiere, alegeți engleză→germană, aplicați glosarul dacă planul dvs. permite acest lucru și descărcați rezultatul.
3. ChatGPT: încărcați același DOCX și cereți o traducere în germană care folosește cei trei termeni din glosar. Salvați rezultatul așa cum l-ați livra de fapt, fie că este un fișier oferit de ChatGPT, fie text lipit în Word.
4. Rulați python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv pe fiecare rezultat.

Scriptul numără structura, nu calitatea. Citiți ambele rezultate. Un fișier care trece toate rândurile poate conține totuși o traducere greșită, iar verificarea glosarului potrivește subșiruri, așa că un compus german precum Administratorlizenz este luat în calcul pentru Lizenz și poate ascunde un termen lipsă. Tratați un semnal din glosar, sau absența lui, ca pe un loc de investigat, nu ca pe un verdict.

Ce instrument pentru ce document

Fluxul combinat pentru documentele importante: traduce fișierul cu un instrument care returnează fișierul. Apoi caută pasajele în care sensul este incert: definiții, avertismente, jocuri de cuvinte, orice lucru pe care cititorul va acționa. Du doar acele pasaje la ChatGPT, împreună cu textul sursă și cel tradus. Cere o listă de probleme înainte de a cere o rescriere, ca să vezi ce s-a schimbat și de ce. Ghidul de post-editare arată cum să planifici această verificare.

Când documentul este o carte întreagă

Ambele instrumente sunt generaliste. Pentru o carte întreagă, problemele practice sunt cele de mai sus la scară mai mare: limitele pe fișier și numărul lunar de fișiere la DeepL, și multele replici de conversație pentru asamblare la ChatGPT. Păstrarea consecventă a numelor și termenilor de-a lungul capitolelor este de asemenea dificilă în ambele.

BookTranslator este construit pentru acest caz. Încarci întregul EPUB, DOCX sau PDF și primești înapoi un fișier tradus. Pentru sarcinile EPUB și DOCX poți activa un glosar automat care urmărește numele și termenii-cheie de-a lungul cărții (nu este disponibil pentru sarcinile PDF). Prețul se bazează pe numărul de cuvinte și vezi prețul final înainte de a plăti. Nu înlocuiește verificarea pentru textele cu miză mare și tot trebuie să verifici rezultatul: scriptul de round-trip de mai sus funcționează și pe alte fișiere DOCX, inclusiv pe un rezultat BookTranslator. Dacă fișierul tău este un document Word, începe cu traducătorul DOCX. Pentru un PDF, folosește traducătorul PDF. Pentru păstrarea aspectului Word în general, vezi traducerea unui document Word fără a pierde formatarea.