La traduction automatique s'est nettement améliorée après le passage à des systèmes basés sur les réseaux de neurones à partir de 2016, et les grands modèles de langage produisent désormais des traductions qui préservent mieux le style et le contexte. Aujourd'hui, vous pouvez comprendre une page Web, un e-mail ou un menu en quelques secondes. Mais il existe toujours un décalage important entre « assez bien pour comprendre » et « prêt à être publié ».
Quel outil pour quoi ?
- Outils de traduction classiques : Google Translate, DeepL et Microsoft Translator sont rapides, prennent en charge de nombreuses langues et traduisent des documents.
- Assistants conversationnels : Vous pouvez indiquer aux assistants tels que ChatGPT, Claude ou Gemini le style, le public cible et les termes privilégiés, et leur demander d'expliquer la traduction ou de proposer des alternatives.
- Traduction vocale et par caméra : Lire des panneaux et traduire des conversations s'avère pratique en voyage.
Conseils pour de meilleurs résultats
- Donner du contexte : par exemple « Il s'agit d'un e-mail formel destiné à un client ».
- Ajouter un glossaire : Listez les termes spécifiques de votre marque ou de votre domaine ainsi que leurs traductions privilégiées.
- Utiliser des phrases courtes et claires : Les phrases longues et ambigües augmentent les erreurs.
- Rétrotraduire : Traduisez le résultat dans la langue source pour vérifier que le sens est préservé.
- Faire relire par un locuteur natif : Surtout pour les textes qui seront publiés.
Erreurs courantes
- Idiomes et proverbes traduits mot à mot
- Niveau de formalité inapproprié
- Formats de nombres, de dates et d'unités mélangés
- Ajout d'informations absentes de la source ou omission d'une phrase
Quand un traducteur humain est-il indispensable ?
Le coût des erreurs est élevé dans les contrats, les documents judiciaires, les rapports médicaux, les notices de médicaments, les demandes officielles ainsi que les livres ou les textes publicitaires destinés à la publication. Pour ceux-ci, faites appel à un traducteur professionnel et, si nécessaire, assermenté. L'utilisation de la traduction automatique comme brouillon corrigé par un expert (post-édition) est également une méthode courante.
Comment la traduction automatique s'est-elle développée ?
Les tentatives de traduction informatique remontent aux années 1950, mais les méthodes sont passées par plusieurs grandes étapes :
- Systèmes basés sur des règles : Les linguistes ont rédigé des dictionnaires et des règles de grammaire un par un ; les résultats étaient souvent rudimentaires et mot à mot.
- Traduction statistique : Dans les années 2000, les systèmes ont commencé à apprendre, par le biais de probabilités, quelle expression correspond à quelle autre à partir de millions de paires de phrases traduites par des humains.
- Traduction automatique neuronale : En 2016, Google a annoncé son passage à un système de réseau de neurones qui traite la phrase dans son ensemble, et la fluidité s'est nettement améliorée.
- Transformers et grands modèles de langage : L'architecture Transformer introduite en 2017 constitue la base des outils de traduction et des assistants conversationnels d'aujourd'hui.
Pourquoi les langues moins parlées sont-elles plus difficiles ?
Les systèmes de traduction ont besoin d'une grande quantité de textes bilingues pour apprendre. La qualité est élevée pour des langues telles que l'anglais, l'espagnol ou le français car ces données sont abondantes ; pour les langues disposant de peu de textes sur Internet, les erreurs augmentent sensiblement. On les appelle les « langues à faible ressource ». Des recherches telles que le projet NLLB-200 de Meta, annoncé en 2022, tentent de combler cet écart avec des modèles couvrant 200 langues. Malgré tout, si vous traduisez un texte important dans une langue à faible ressource, faire vérifier le résultat par un locuteur natif est plus important que jamais.
Les fonctionnalités, les abonnements et les prix des outils d'IA changent souvent. Consultez toujours la page officielle de l'outil pour obtenir des informations actualisées.
Sources et lectures complémentaires
- Yonghui Wu et al., « Google’s Neural Machine Translation System », arXiv, 2016.
- ISO 18587:2017, « Translation services — Post-editing of machine translation output ».
- Commission européenne, service eTranslation et guide de traduction automatique.
- Wu, Y. et al. (2016), « Google’s Neural Machine Translation System », arXiv:1609.08144
- Vaswani, A. et al. (2017), « Attention Is All You Need », NeurIPS
- NLLB Team (2022), « No Language Left Behind: Scaling Human-Centered Machine Translation », arXiv:2207.04672
Laisser un commentaire
Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont marqués *