# General Translation Knowledge Base: La traduction par IA est-elle assez précise pour une application en production ? URL: https://generaltranslation.com/fr/kb/is-ai-translation-accurate.mdx Docs index: https://generaltranslation.com/llms.txt Description: Souvent, pour les langues les plus parlées, mais seulement après une évaluation concluante sur vos propres langues, vos chaînes de caractères d’IU et vos contenus plus sensibles. Lors du WMT25, Gemini 2.5 Pro a égalé ou surpassé les traductions humaines de référence pour 10 des 16 paires de langues, mais un benchmark portant sur des documents ne permet pas de savoir si de courtes chaînes de caractères d’interface sont prêtes à être livrées. Category: Traduction Last updated: 2026-10-20 Authors: Kevin Wu, Jackie Chen Published: 2026-10-20 Un moteur performant sur des documents peut malgré tout mal traduire le libellé d’un bouton. Employé seul, « Save » peut aussi bien signifier enregistrer un fichier qu’économiser de l’argent. Comparez les moteurs sur les chaînes de caractères, le contexte et les langues dont votre produit a réellement besoin. ## Quelle est la précision de la traduction par IA aujourd’hui ? La tâche partagée General Machine Translation, organisée chaque année par le WMT (Conference on Machine Translation), compare des systèmes de traduction à l’aide d’annotateurs humains professionnels. Dans les [résultats du WMT25](https://aclanthology.org/2025.wmt-1.22/) (Kocmi et al., 2025), les organisateurs ont soumis 60 systèmes, dont 20 LLM et trois services de traduction en ligne, à des documents volontairement difficiles, puis des annotateurs professionnels ont évalué les systèmes les mieux classés automatiquement (avec un objectif de 18 par paire) sur 16 paires de langues. Quatre résultats intéressent directement une équipe qui développe une application : * **Les meilleurs systèmes ont égalé ou dépassé les références humaines sur une partie de ce benchmark.** Gemini 2.5 Pro s’est classé dans le groupe de tête pour 14 des 16 paires, à égalité avec la traduction humaine, voire meilleur qu’elle, dans 10 d’entre elles. Les traductions humaines de référence n’ont figuré dans le groupe de tête que pour 6 des 15 paires où elles étaient disponibles. Les auteurs signalent de possibles préférences stylistiques dans l’annotation, et précisent que les références n’ont pas bénéficié de toutes les finitions apportées à certains livrables professionnels. * **La terminologie et la grammaire restent des points faibles.** Les suites de tests de la tâche ont montré que les meilleurs systèmes peinent encore avec la terminologie spécialisée, les entrées non standard, ainsi que le choix du genre et l’accord dans certaines paires de langues. * **Les langues peu dotées, c’est une tout autre affaire.** Les traductions vers le maasaï étaient « en grande partie inutilisables », les systèmes produisant souvent du swahili à la place, et ceux à qui l’on demandait de l’arabe égyptien avaient tendance à produire de l’arabe standard moderne. * **Les scores automatiques sont trompeurs.** Le système arrivé en tête des métriques automatiques a été nettement moins bien classé par les annotateurs humains, et les auteurs concluent que l’évaluation humaine doit rester l’arbitre final de la qualité. Ces résultats comportent toutefois deux limites. Le WMT anonymise les services commerciaux sous les noms ONLINE-B, ONLINE-G et ONLINE-W ; il ne permet donc pas de trancher le match « DeepL contre Google Translate ». Par ailleurs, il évalue des documents complets (actualités, publications sur les réseaux sociaux, transcriptions orales, textes littéraires et pédagogiques), qui offrent à un modèle bien plus de matière qu’une chaîne de caractères d’IU de deux mots. ## Comment se comparent les moteurs de TA, les LLM et les traducteurs humains ? Tous trois peuvent produire des traductions exactes. Ils se distinguent par le contexte qu’ils acceptent et par ce qu’ils laissent à votre charge. | Approche | Points forts | Contexte exploitable | Ce qui reste à votre charge | | --------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------ | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------ | | Moteurs de traduction automatique neuronale (Google Translate, DeepL) | Traduction rapide, cohérente et peu coûteuse de phrases et de documents | Glossaires ; DeepL ajoute un champ de contexte, le niveau de formalité et des instructions personnalisées ; l’édition Advanced de Google ajoute des paires de phrases d’exemple | Contexte des chaînes de caractères courtes, espaces réservés, formes du pluriel, relecture et livraison | | LLM appelés directement (OpenAI API, Claude API, Gemini API) | Résultat fluide qui respecte les consignes de ton, de terminologie et de format | Tout ce que vous incluez dans le prompt | Rassembler le contexte de chaque chaîne de caractères, garantir la cohérence terminologique d’une exécution à l’autre, valider le résultat et assurer la livraison | | General Translation | Produit les traductions de l’application et des fichiers au fil des livraisons | Structure JSX balisée ou contexte de fichier, glossaire partagé et instructions personnalisées | Relire la formulation dans son éditeur et tester le produit traduit | | Traducteurs humains professionnels | Discernement en matière d’expressions idiomatiques, de culture, de voix de marque et de textes juridiques ou réglementés | Le produit lui-même, un guide de style et les questions qu’ils vous posent | Délais et coût au mot, qui augmentent à chaque livraison | Pour départager DeepL et Google Translate : le WMT ne les évalue pas nommément, comparez donc ce que chaque API accepte. L’[API de traduction](https://developers.deepl.com/api-reference/translate) de DeepL propose un paramètre `context` qui oriente la traduction sans être lui-même traduit ni facturé, un réglage `formality` pour les langues prises en charge, des glossaires et jusqu’à 10 instructions personnalisées. L’édition Advanced de [Cloud Translation](https://docs.cloud.google.com/translate/docs/overview) de Google propose un Translation LLM en complément de son modèle neuronal, des glossaires et la traduction adaptative, qui apprend à partir d’un petit ensemble de paires de phrases d’exemple. Avant de faire votre choix, testez les deux sur un échantillon de vos propres chaînes de caractères, dans vos langues cibles. ## D'où viennent les erreurs de traduction par IA Le manque de contexte, les limites des modèles et les erreurs d'intégration peuvent chacun provoquer des erreurs en production. Vérifiez ces sources de défaillance : * **Chaînes de caractères courtes ambiguës.** « Save » se traduit en allemand par *speichern* (enregistrer sur le disque) ou *sparen* (économiser de l'argent). Un modèle qui ne reçoit que le mot isolé doit deviner. * **Dérive terminologique.** Un nom de produit ou un terme de fonctionnalité est traduit d'une façon dans l'application et d'une autre dans la documentation, ou varie d'une livraison à l'autre. * **Formalité et registre.** *du* ou *Sie* en allemand, *tu* ou *vous* en français, niveaux de politesse en japonais. Sans règle explicite, un modèle tranche chaîne de caractères par chaîne de caractères, et un même écran peut mélanger les deux. * **Espaces réservés et balisage.** Renommer ou supprimer `{{name}}`, `{count}` ou `<1>terms` peut casser l'interpolation à l'exécution. En revanche, réordonner des espaces réservés intacts peut s'avérer nécessaire selon la langue cible. * **Formes du pluriel.** L'anglais compte deux catégories de pluriel, alors que le polonais en utilise quatre et l'arabe six ([règles de pluriel CLDR](https://www.unicode.org/cldr/charts/latest/supplemental/language_plural_rules.html)). Se contenter de traduire les chaînes de caractères anglaises `one` et `other` laisse les autres formes manquantes. (Voir [Comment gérer les formes plurielles dans React ?](/kb/how-to-handle-plurals-in-react)). * **Limites de longueur.** Une traduction peut déborder d'un bouton ou d'un onglet à largeur fixe, même si son sens est correct. Mesurez le texte réel avec votre police et votre mise en page ; une limite de caractères ne garantit pas à elle seule qu'il tiendra. * **Langues peu dotées et dialectes.** Comme l'a montré WMT25, la qualité chute fortement en dehors des langues les plus parlées, et les dialectes risquent de se fondre dans la variété standard. ## Comment les équipes rendent la traduction par IA prête pour la production Les équipes qui mettent la traduction par IA en production encadrent le modèle de cinq façons : 1. **Envoyer du contexte avec chaque chaîne de caractères** : où elle apparaît, à quoi elle sert, et une note pour tout élément ambigu. 2. **Fixer les termes dans un glossaire**, y compris les noms qui ne doivent jamais être traduits. 3. **Rédiger les règles de style une fois pour toutes** : niveau de formalité, public et conventions propres à chaque langue. 4. **Faire relire les interfaces à haut risque par des relecteurs qualifiés** : tarifs, paiement, textes juridiques, messages de sécurité et tout contenu réglementé. Pour les chaînes de caractères à moindre risque, définissez une politique de relecture fondée sur les résultats mesurés dans chaque langue, plutôt que de considérer les vérifications automatisées comme une évaluation de la qualité de traduction. 5. **Exécuter des contrôles qualité automatisés** pour détecter les erreurs mécaniques avant la livraison : mise en correspondance des familles de messages et des espaces réservés, catégories de pluriel obligatoires et limites de mise en page. Le [guide de traduction JSON](/kb/translate-json-files) répertorie ces contrôles pour les fichiers i18next et ICU. Ces contrôles n'évaluent ni le sens ni la fluidité. Lancez une évaluation avec de vraies étiquettes, des phrases complètes, des messages d'erreur, des valeurs interpolées, des formes plurielles et des termes métier. Conservez ensemble la source, le contexte, la version du modèle, le résultat et les constats des relecteurs. Comparez les résultats à l'aveugle, sans indiquer aux relecteurs quel système les a produits, et ventilez les erreurs par langue et par gravité. Revérifiez les mêmes cas chaque fois que le modèle ou les instructions de traduction changent. Vous disposerez ainsi d'éléments concrets pour fonder votre politique de livraison, ce que les résultats du WMT ne peuvent offrir à eux seuls. Utilisez directement un moteur de traduction automatique ou un LLM pour des textes ponctuels, du contenu interne ou un prototype que vous vérifierez vous-même. Faites appel à des traducteurs professionnels pour les textes juridiques, médicaux et réglementés, ainsi que pour les contenus de marque où les nuances sont primordiales. Choisissez General Translation lorsque ces traductions doivent rester à jour au fil des livraisons du produit : la plateforme relie le contexte source, la terminologie partagée, la génération et la relecture, au lieu de vous laisser assembler ce pipeline autour de chaque appel au modèle. Le WMT25 n'a pas évalué General Translation ; ses classements ne constituent donc pas une preuve de la qualité de traduction de GT. ## Comment General Translation apporte contexte et cohérence Dans une application React, le composant [``](/docs/react/reference/components/t) de General Translation délimite un bloc de JSX à traduire. La CLI en extrait le texte et la structure des éléments, le service de GT génère les traductions, puis le SDK les affiche. La prop [`context`](/docs/react/reference/components/t#context) permet d'ajouter une note pour lever toute ambiguïté : ```tsx title="SaveButton.tsx" import { T } from 'gt-react'; export function SaveButton() { return ( ); } ``` La note indique au modèle que ce « Save » correspond à *speichern*, et non au *sparen* qu'exigerait un sélecteur de tarifs (« Save 20% »). Pour les fichiers JSON et YAML traduits avec la CLI, un fichier associé de [métadonnées associées aux clés](/docs/cli/reference/keyed-metadata) remplit le même rôle, clé par clé, avec une limite de longueur `maxChars` facultative. La cohérence repose sur les groupes de contexte du tableau de bord : un glossaire fixe certains termes, comme les noms de produits, dans chaque langue, et des instructions personnalisées définissent des règles, comme le vouvoiement « Sie » en allemand. Ces groupes sont partagés entre tous les projets auxquels vous les attribuez. (Voir [Définir le contexte des traductions](/docs/platform/dashboard/guides/defining-context-for-translations)). Les relecteurs peuvent ensuite vérifier et modifier n'importe quelle traduction depuis la page **Traductions** du tableau de bord, en comparant les paramètres régionaux côte à côte. (Voir [Relire et modifier les traductions](/docs/platform/dashboard/guides/reviewing-translations)). Pour comprendre en quoi cette approche diffère d'un appel à Google Translate pour chaque chaîne de caractères, consultez [General Translation vs. Google Translate](/kb/general-translation-vs-google-translate). ## Points clés * Lors de WMT25, Gemini 2.5 Pro a égalé ou dépassé les traductions humaines de référence dans 10 paires de langues sur 16, mais vers les langues peu dotées comme le maasaï, la qualité était en grande partie inexploitable. * Testez les chaînes de caractères courtes, la terminologie, la formalité, les espaces réservés, les catégories de pluriel et la mise en page dans chaque langue cible : un benchmark sur des documents ne couvre pas votre interface. * Le contexte, un glossaire et des règles de style améliorent les données d'entrée. Les vérifications automatisées valident la structure ; des relecteurs qualifiés évaluent le sens et déterminent si le contenu est prêt pour la livraison. * WMT anonymise les moteurs commerciaux : comparez donc DeepL et Google Translate sur vos propres chaînes de caractères et selon ce que leurs API acceptent. DeepL propose un champ de contexte et un réglage du niveau de formalité, tandis que Google offre la traduction adaptative à partir de paires d'exemples. ## Related questions - [Alternatives à Google Translate : General Translation vs Google Translate](https://generaltranslation.com/fr/kb/general-translation-vs-google-translate.mdx): Google Translate permet de traduire rapidement un texte ponctuel, mais pour livrer un produit dans une autre langue, il faut aussi traduire chaque chaîne de caractères dans son contexte, garantir la cohérence des termes, gérer correctement les variables et les formes plurielles, prévoir une relecture et mettre en place un processus de livraison. General Translation comprend le contexte de chaque chaîne de caractères dans votre code et automatise l’ensemble du workflow de localisation, du code à la relecture, jusqu’à chaque livraison. - [Comment traduire des fichiers JSON i18n ?](https://generaltranslation.com/fr/kb/translate-json-files.mdx): Traduisez uniquement les valeurs de type chaîne de caractères d’un fichier JSON de paramètres régionaux. Conservez telles quelles les clés non plurielles, les espaces réservés comme {{name}} et les balises, mais attendez-vous à ce que les clés de pluriel varient selon la langue : le polonais exige inbox_few et inbox_many. Utilisez un outil ou une API qui prend en charge le format, puis analysez et validez le résultat avant la relecture. - [Qu’est-ce qu’un système de gestion de la traduction (TMS) ?](https://generaltranslation.com/fr/kb/what-is-a-translation-management-system.mdx): Un système de gestion de la traduction (TMS) est un logiciel qui stocke votre contenu source et ses traductions, et qui pilote le workflow de traduction : mémoire de traduction, glossaires, relecture, traduction automatique et intégrations. Sa mémoire de traduction réutilise les traductions existantes par correspondance exacte ou approximative (fuzzy match). Crowdin, Lokalise, Phrase, Smartling et Transifex en sont des exemples courants. - [General Translation ou un TMS (Crowdin, Lokalise, Phrase)](https://generaltranslation.com/fr/kb/general-translation-vs-tms.mdx): Choisissez General Translation lorsque les développeurs veulent que la génération des traductions, le contexte tiré du code et la relecture soient liés aux livraisons du produit. Conservez vos catalogues et votre bibliothèque de rendu existants, ou rédigez du JSX intégré sans clés de traduction. Un TMS convient aux programmes centrés sur les prestataires linguistiques, les outils de TAO et l’échange XLIFF ; ses intégrations peuvent automatiser les transferts de fichiers. - [Comment gérer les formes plurielles dans React ?](https://generaltranslation.com/fr/kb/how-to-handle-plurals-in-react.mdx): Pour gérer les formes plurielles dans React, fournissez à chaque langue une phrase par forme du pluriel et sélectionnez-la selon les règles de pluriel de cette langue, car l’anglais compte 2 formes, le russe 4 et l’arabe 6. Le composant `` de General Translation, disponible dans gt-react et gt-next, prend vos formes source, et General Translation génère les formes requises par chaque langue cible. ## Previous and next questions - Previous question: [Internationalisation et localisation (i18n et l10n)](https://generaltranslation.com/fr/kb/internationalization-vs-localization.mdx) - Next question: [Qu’est-ce qu’un système de gestion de la traduction (TMS) ?](https://generaltranslation.com/fr/kb/what-is-a-translation-management-system.mdx) ## Sitemap See the [Knowledge Base sitemap](https://generaltranslation.com/fr/kb/sitemap.md) for every article.