DeepL vs ChatGPT для перевода документов: вывод файлов, глоссарии и проверка

Большинство сравнений DeepL и ChatGPT вставляют одни и те же предложения в оба инструмента и оценивают результаты. Это отвечает на вопрос уровня предложения. Если у вас целый документ, первое различие — это то, что вы получаете обратно. Перевод файлов в DeepL возвращает переведённую копию вашего файла в том же формате. ChatGPT читает ваш файл и по умолчанию отвечает текстом в беседе. Он может предложить сгенерировать файл, но справка OpenAI по загрузкам не описывает возврат переведённой копии вашего исходного файла. Это единственное различие определяет большую часть того, что следует далее: сохраняются ли заголовки, таблицы, сноски и комментарии, как вы обеспечиваете соблюдение терминологии и на что уходит время проверки.

Краткий ответ по состоянию на 21 октября 2026 года:

• Используйте DeepL, когда результат — это сам документ (DOCX, PPTX или PDF, который кто-то откроет и будет использовать), он укладывается в ограничения на файл вашего тарифа, и вы можете обеспечить соблюдение терминов с помощью глоссария.
• Используйте ChatGPT, когда результат — это понимание или решение: резюме документа на иностранном языке, альтернативные варианты перевода сложного абзаца, обсуждение терминологии или второе мнение о переводе, который у вас уже есть.
• Используйте оба, для самых важных документов: переведите файл с помощью инструмента для работы с файлами, затем передайте только сложные фрагменты в ChatGPT для проверки.

Мы не проводили конкурс качества для этой статьи и не называем победителя по качеству перевода. Сравнение ниже охватывает механику. Она описана на справочных страницах каждого поставщика и меняется реже, чем качество моделей. В конце есть небольшой тест с DOCX, который вы можете провести на обоих инструментах со своими учётными записями.

Что каждый инструмент делает с загруженным документом

При выборе наиболее важны две строки.

Строка вывода. При переводе файла в DeepL исходный файл сохраняется вокруг вашего текста. Стили, таблицы и структура документа присутствуют в возвращённой копии, поэтому ваша проверка в основном касается языка. Ответ ChatGPT — это текст. Чтобы получить документ, кто-то должен вставить этот текст обратно в исходную вёрстку. Именно при такой пересборке теряется структура, как показывает тест ниже. На странице загрузок ChatGPT описана работа с содержимым файла (суммирование, сравнение, извлечение, переписывание короткого документа). Там не описано возвращение переведённой копии исходного файла.

Строка изображений. Если ваш PDF — это скан или ключевой контент находится в изображениях, ChatGPT на большинстве тарифов читает цифровой текстовый слой и пропускает встроенные изображения. Сканированный PDF без текстового слоя даёт ему почти ничего для работы. В этом случае сначала прочитайте Извлечение текста из PDF vs OCR и выберите инструмент, который выполняет OCR.

Ограничения: какие вы действительно достигнете

Для DeepL ограничение символов на файл обычно решает дело раньше, чем размер файла. Бесплатный аккаунт DeepL принимает 100 000 символов на файл Word или PDF. Pro Individual и Team принимают 1 миллион, а тариф API Developer — 500 000. Полноформатная книга превышает бесплатный лимит, поэтому её приходится разбивать, и каждая часть расходует один из ваших ежемесячных переводов файлов. Наше руководство по ограничениям перевода документов DeepL рассматривает книгу на 400 страниц для каждого тарифа, включая минимальную плату API в 50 000 символов за PDF или DOCX.

Также обратите внимание: в DeepL файл, переведённый с бесплатным аккаунтом (без подписки), возвращается нередактируемым. В статье о форматах файлов сказано, что для редактирования переведённого файла нужен тариф Pro. Если вы планируете исправлять вывод в Word, тестируйте с тем тарифом, который будете фактически использовать.

Для ChatGPT ограничения загрузки щедрые: 512 МБ на файл и 2 миллиона токенов на текстовый документ. Ограничение загрузки не является проблемой. Проблема в том, что перевод возвращается в виде ответов в чате, а длинный документ означает множество ходов, которые затем нужно собрать и проверить на пропуски. Это стоимость рабочего процесса, которую вы не увидите ни на одной странице ограничений, и она растёт с длиной документа. Руководство по ChatGPT для перевода описывает, где это ломается для целых книг.

Глоссарии: принудительно применяются к файлу vs запрашиваются в промпте

Терминология — это область, где два инструмента различаются больше всего, и тесты на уровне предложений полностью это упускают.

В DeepL глоссарий — это список терминов, прикреплённый к переводу. Вы можете применить до пяти глоссариев к переводу файла. Загрузка существующего глоссария в формате CSV работает на тарифах Team, Business и Enterprise (а также на устаревших тарифах Advanced и Ultimate), согласно странице загрузки глоссариев DeepL. Формат — две колонки на строку, например seat,Lizenz. Языковая пара глоссария должна совпадать с выполняемым переводом.

В ChatGPT вы получаете тот же эффект, записав список терминов в свои инструкции («переводи seat как Lizenz, никогда Sitz»). Это гибко: вы можете объяснить, почему термин фиксирован, дать контекст и попросить модель отметить любое предложение, где термин не подходит. Но инструкция — это просьба, а не обязательное правило, и в длинной беседе вам придётся проверять, что оно соблюдалось. Какой бы инструмент вы ни использовали, проверяйте термины после перевода. Набор тестов ниже подсчитывает их за вас.

Если у вас ещё нет списка терминов, начните с создания глоссария перевода. Это поможет обоим инструментам.

Тест кругового преобразования DOCX, который можно запустить на обоих инструментах

Вместо оценки качества мы создали небольшой файл, который показывает, где перевод документа может пойти не так, и скрипт, который проверяет, что вернулось. Всё работает со стандартной библиотекой Python.

• make_docx_fixture.py создаёт docx-roundtrip-source.docx: одностраничное английское административное руководство с двумя уровнями заголовков, таблицей 3×3, жирным термином, гиперссылкой, сноской, комментарием рецензента, верхним и нижним колонтитулами.
• Файл glossary-en-de.csv содержит три термина для перевода с английского на немецкий с известной ловушкой: seat здесь означает платную пользовательскую лицензию, поэтому переводить нужно как Lizenz, а не Sitz. Файл использует двухколоночный формат загрузки DeepL.
• check_docx_roundtrip.py сравнивает исходный файл и переведённый файл. Он подсчитывает 12 структурных особенностей и сравнивает количество вхождений терминов глоссария.

Чтобы проверить, что сам скрипт проверки работает, мы создали искусственный пример — docx-roundtrip-pasted-example.docx (создан с помощью make_pasted_example.py). В нём содержится наш собственный перевод страницы на немецкий, вставленный как простые абзацы в новый документ. Именно так текст, скопированный из окна чата, обычно попадает в Word. Это не вывод DeepL или ChatGPT. В одном предложении мы намеренно написали Sitz. Записанный вывод проверки:

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

Весь основной текст на месте, но все 12 структурных особенностей исчезли. Строки глоссария также отмечены, причём по разным причинам. Для Lizenz не хватает двух вхождений: одно seat стало Sitz, а сноска, содержавшая ещё одно seat, исчезла. Для Arbeitsbereich не хватает одного вхождения, потому что верхний колонтитул был потерян, а для Administrator — одного, потому что был потерян нижний колонтитул. В этом и смысл теста: документ может прекрасно читаться, но при этом быть неправильным результатом.

Чтобы запустить проверку на реальных инструментах:

1. Запустите python3 make_docx_fixture.py (или скачайте исходный файл).
2. DeepL: загрузите DOCX в переводчик файлов, выберите направление с английского на немецкий, примените глоссарий, если ваш тарифный план это позволяет, и скачайте результат.
3. ChatGPT: загрузите тот же DOCX и попросите перевести на немецкий с использованием трёх терминов из глоссария. Сохраните результат так, как вы бы его на самом деле сдавали: будь то файл, который предлагает ChatGPT, или текст, вставленный в Word.
4. Запустите python3 check_docx_roundtrip.py docx-roundtrip-source.docx <translated>.docx glossary-en-de.csv для каждого результата.

Скрипт подсчитывает структуру, а не качество. Прочитайте также оба вывода. Файл, прошедший все строки, всё равно может содержать неправильный перевод, а проверка глоссария сопоставляет подстроки, поэтому немецкое сложное слово, такое как Administratorlizenz, засчитывается как вхождение Lizenz и может скрыть отсутствующий термин. Относитесь к отметке глоссария или её отсутствию как к месту, на которое стоит обратить внимание, а не как к окончательному вердикту.

Какой инструмент для какого документа

Комбинированный подход для важных документов: переведите файл с помощью инструмента, который возвращает файл. Затем найдите фрагменты, где смысл вызывает сомнения: определения, предупреждения, языковая игра, всё, на что читатель будет опираться. Возьмите только их в ChatGPT вместе с исходным и переведённым текстом. Попросите список проблем, прежде чем просить переписать, чтобы видеть, что изменилось и почему. Руководство по постредактированию показывает, как спланировать такую проверку.

Когда документ — целая книга

Оба инструмента универсальны. Для целой книги практические проблемы — те же, что выше, но в большем масштабе: ограничения на файл и месячное количество файлов в DeepL и множество ходов диалога для сборки в ChatGPT. Сохранять единообразие имён и терминов по главам тоже сложно в обоих случаях.

BookTranslator создан для такого случая. Вы загружаете целый EPUB, DOCX или PDF и получаете переведённый файл обратно. Для задач EPUB и DOCX можно включить авто-глоссарий, который отслеживает имена и ключевые термины по всей книге (для задач PDF он недоступен). Цена зависит от количества слов, и вы видите итоговую стоимость до оплаты. Это не заменяет проверку для ответственных текстов, и результат всё равно нужно проверять: скрипт кругового перевода выше работает и с другими файлами DOCX, включая результат BookTranslator. Если ваш файл — документ Word, начните с переводчика DOCX. Для PDF используйте переводчик PDF. О том, как сохранить вёрстку Word в целом, см. перевод документа Word без потери форматирования.