Google Translate vs DeepL: diferencias reales y cuál te compensa

Hoy en día traducir textos ya no es cosa exclusiva de traductores profesionales, al menos para un primer borrador. Entre webs, apps y asistentes con IA, tenemos traductores por todas partes. Pero cuando toca elegir entre Google Translate y DeepL, dos de los grandes nombres del sector, la cosa ya no es tan obvia.

Ambos servicios usan traducción automática basada en inteligencia artificial, han mejorado una barbaridad en pocos años y son gratuitos en su versión básica. Aun así, difieren en calidad, número de idiomas, funciones extra y, sobre todo, en cómo se comportan con distintos tipos de textos: coloquiales, literarios, periodísticos o científicos.

Qué son exactamente Google Translate y DeepL

Google Translate lleva años siendo el traductor automático por defecto de medio planeta. Nació mucho antes que DeepL y está integrado en el ecosistema de Google: navegador (puedes activar la traducción automática de páginas), Android, Chrome, Google Docs, búsquedas… Durante bastante tiempo era la referencia casi indiscutible para traducir cualquier cosa en segundos, sobre todo por su enorme cobertura de idiomas.

En 2016 Google anunció un gran salto tecnológico con Google Neural Machine Translation (GNMT), su sistema de traducción automática neuronal basado en redes neuronales recurrentes (RNN). Estas redes ya no traducen palabra por palabra, sino que tienen en cuenta el contexto de la frase y de las palabras cercanas, lo que dio un salto notable en fluidez y precisión frente a los sistemas estadísticos anteriores.

Poco después llegó otro avance interno, la llamada Zero-Shot Translation, que permitió a Google traducir entre pares de idiomas aunque no hubiera tantos ejemplos directos. Lo consigue mediante representaciones vectoriales comunes, donde frases de distintos idiomas se proyectan en un mismo espacio semántico y la red aprende a relacionarlas sin necesidad de ejemplos exhaustivos para cada combinación de lenguas.

En el otro lado está DeepL, un traductor más joven (se lanzó en 2017) pero que se ganó muy rápido la fama de ofrecer traducciones más naturales, sobre todo entre idiomas europeos. A diferencia de Google, su motor se basa principalmente en redes neuronales de convolución y otras arquitecturas modernas de deep learning, especialmente optimizadas para captar matices y estructuras complejas de las frases.

La gran baza de DeepL es su estrecha relación con Linguee, un diccionario y buscador de traducciones multilingüe muy conocido entre traductores. Durante años, Linguee recopiló millones de pares de frases de fuentes fiables (como instituciones europeas o documentos oficiales) y clasificó la calidad de esas traducciones. Ese gigantesco repositorio de segmentos de traducción de alta calidad se convirtió en el material de entrenamiento ideal para DeepL.

No es casualidad que DeepL derive su nombre de “Deep Learning” (consulta el glosario de términos sobre IA). Su red neuronal se alimenta de miles de millones de segmentos de traducción cuidadosamente curados, procedentes de fuentes como el Parlamento Europeo, patentes de organismos internacionales o textos literarios. Es decir, no solo importa la tecnología, sino la calidad del material didáctico con el que se entrena la IA.

La traducción automática y la inteligencia artificial: cómo piensan estas máquinas

Tanto Google Translate como DeepL se basan en redes neuronales profundas entrenadas con cantidades masivas de texto. La idea general es relativamente sencilla de explicar: el sistema ve millones (o miles de millones) de frases en un idioma junto a su traducción en otro idioma y aprende patrones estadísticos entre ambas.

En el caso de DeepL, sus redes neuronales se inspiran en el funcionamiento del cerebro: “neuronas” artificiales conectadas que reciben estímulos (palabras, posiciones, características lingüísticas), se activan y propagan esa activación por la red. Cada neurona decide con qué señales se enciende. Al pasar una frase por el sistema, se transforma en un patrón de activaciones que viaja por la red y termina generando la secuencia de palabras traducidas en el idioma de destino.

Al principio, como explican desde la propia empresa, la calidad de las traducciones es bastante pobre. Pero a medida que la red se entrena con miles de millones de ejemplos, va ajustando pesos y conexiones, de forma que cada iteración mejora ligeramente la salida. Con el tiempo, esa mejora incremental se traduce en resultados que muchas veces parecen redactados por una persona.

Google, por su parte, recurre también a redes neuronales masivas entrenadas con montañas de datos, muchos de ellos extraídos de textos y traducciones disponibles en la web. Según Macduff Hughes, director de ingeniería de Google Translate, la cantidad y variedad de datos entre dos idiomas condiciona la calidad. Entre idiomas muy diferentes (por ejemplo, inglés y chino o japonés) se necesita mucha más información para lograr el mismo nivel de precisión que entre idiomas más cercanos, como inglés y español.

Microsoft Bing Translator, aunque aquí es menos protagonista (ver Microsoft Teams con IA), también se ha sumado a esta ola neuronal. La compañía asegura que sus redes neuronales permiten captar mejor el contexto global de la frase antes de generar la traducción, algo en lo que históricamente los sistemas automáticos flojeaban.

Idiomas soportados: cantidad frente a calidad

Uno de los grandes puntos de fricción entre Google Translate y DeepL es el número de idiomas disponibles. Aquí, Google juega con mucha ventaja: su traductor admite más de 100 idiomas, incluyendo lenguas mayoritarias y minoritarias, dialectos y variantes regionales. Es el traductor ideal cuando necesitas algo “raro” como maorí, euskera o lenguas de Asia y África.

DeepL, en cambio, soporta bastantes menos idiomas. Durante sus primeros años solo ofrecía traducción entre unas pocas lenguas europeas, y aunque ha ido ampliando poco a poco el catálogo, sigue muy por detrás de los más de cien idiomas de Google. En su lanzamiento apenas traducía 7 lenguas; más tarde superó la decena, y continúa creciendo, pero sin acercarse aún al abanico de Google.

Esta desventaja cuantitativa se compensa en parte con la calidad. Según diversas pruebas internas y externas, cuando DeepL soporta el par de idiomas que te interesa, es frecuente que ofrezca un resultado más natural y fluido que el de Google, sobre todo en combinaciones como inglés-alemán, inglés-francés o inglés-español.

Por ejemplo, en un banco de pruebas llamado BLEU (Bilingual Evaluation Understudy), una métrica estándar para evaluar traducción automática comparando la salida de la máquina con traducciones humanas, DeepL llegó a obtener puntuaciones sensiblemente superiores a las de Google en ciertos pares de idiomas. En inglés-alemán, se citaron valores en torno a 31,1 puntos para DeepL frente a 28,4 para Google, una diferencia relevante en este tipo de test.

Además, DeepL ha realizado evaluaciones a ciegas con traductores profesionales: se les mostraban traducciones generadas por distintos sistemas (incluyendo Google, Microsoft y otros) sin indicar cuál era cuál, y debían escoger la mejor. Según la propia empresa, las salidas de DeepL fueron elegidas tres o cuatro veces más a menudo que las de sus competidores en estas comparativas.

Pruebas con textos reales: de Don Quijote al coronavirus

Más allá de métricas automáticas, lo que realmente pone a prueba un traductor automático es cómo se comporta con textos reales y variados. Diversos medios y expertos han enfrentado a Google Translate y DeepL (y a otros sistemas) en condiciones bastante exigentes: literatura, noticias, refranes, textos científicos, etc.

Un ejemplo clásico que se ha utilizado es el inicio de “Don Quijote de la Mancha”, de Miguel de Cervantes. Se trata de un texto rebosante de matices, giros antiguos y estructuras complejas. Tanto Google como DeepL tienen serios problemas para trasladarlo correctamente al inglés: ninguno brilla especialmente, aunque se aprecian diferencias curiosas en la forma en que cada uno resuelve expresiones como “vivía no ha mucho tiempo” o “galgo corredor”.

Algo parecido ocurre con el arranque de “Cien años de soledad”, de Gabriel García Márquez. En una comparativa conocida, DeepL ofrecía una opción que podía considerarse ligeramente mejor en tiempos verbales y tono —por ejemplo, algo más preciso en el equivalente de “había de recordar”—, mientras que Google resultaba algo más literal. Son matices que, en literatura, pueden marcar la diferencia entre una traducción aceptable y una que “suena rara”.

Cuando bajamos al terreno de textos periodísticos, la cosa cambia un poco. En análisis de noticias de medios como The New York Times o The Verge, se ha observado que DeepL suele escoger expresiones más naturales en contexto (“consiguió un respiro” frente a “tuvo un respiro”, “en un partido repleto” en lugar de “en un juego lleno”), mientras que Google tiende más a una literalidad que desentona en español.

Sin embargo, también hay casos en los que Google saca pecho en detalles concretos, por ejemplo respetando correctamente mayúsculas de marcas como “Model 3” de Tesla, o manejando bien ciertos formatos numéricos. En textos tecnológicos o informativos, las diferencias de calidad se difuminan y a veces ambas traducciones son muy parecidas.

Textos literarios: estilo, naturalidad y tropiezos

Una de las pruebas más duras para un traductor automático es la traducción literaria. Obras como Harry Potter y la piedra filosofal se han utilizado para comparar Google, Bing y DeepL desde el punto de vista de traductores profesionales y académicos.

En una evaluación específica, se analizó cómo los tres sistemas traducían al español un fragmento con diálogos, descripciones y expresiones idiomáticas. Google ofrecía un resultado bastante comprensible, pero con problemas de puntuación (espacios, mayúsculas erróneas, acentos), y con un estilo poco literario: expresiones como “se veía” en vez de “parecía”, repeticiones tipo “docenas de fiestas y fiestas” o giros algo torpes.

La propuesta de Bing resultó más problemática: errores de concordancia (usar “profesor” en masculino cuando se habla de “profesora”), palabras sin traducir como “tabby”, frases incoherentes y literalidades que rozan el sinsentido (“disparar a estrellas” en lugar de “estrellas fugaces”). En conjunto, el texto era menos natural y más confuso.

DeepL, por su parte, generó una traducción globalmente comprensible, pero con fallos de registro y mezcla de variantes (giros propios del español latinoamericano, como “¿cómo supo?”), además de expresiones poco naturales del tipo “se veía claramente arrugada”, “olfateó con rabia” o “sacudió su cabeza hacia atrás”. De nuevo, se nota que el motor no termina de dominar la sutileza estilística que exige la literatura.

En esa prueba concreta, la valoración profesional fue que la versión de Google era la “menos mala”, seguida por DeepL, y que la de Bing se llevaba la peor nota. El mensaje de fondo es claro: incluso con IA y redes neuronales, la traducción literaria sigue siendo terreno muy difícil para las máquinas.

Noticias y lenguaje informativo: naturalidad frente a errores clave

Con textos periodísticos de actualidad, como una noticia sobre evacuaciones en cruceros por brotes de coronavirus, las diferencias entre traductores se hacen más sutiles pero no menos importantes.

En una comparativa, Google Translate ofrecía una traducción que transmitía correctamente el mensaje general, aunque con expresiones poco propias del español de España, como “luego de” en lugar de “después de”, y algún detalle de precisión mejorable, como traducir “cruise ship” en plural cuando en realidad se hablaba de un único crucero concreto.

Bing, de nuevo, mostraba problemas de naturalidad y de construcción: “bajo el cierre” frente a “bajo encierro”, “fue probada de nuevo” en vez de “se le hicieron pruebas de nuevo”, o frases mal armadas como “atraque por coronavirus” donde debería haber sido “afectado por el coronavirus”. Son pequeños desajustes que, sumados, dan la sensación de texto claramente automático.

La traducción de DeepL en ese caso tenía un punto a favor importante: mantenía el singular correcto para “crucero”. Sin embargo, cometía un error casi demoledor para una noticia sanitaria: traducía “coronavirus” como “virus coronario”, un término médico distinto y que cambia por completo el foco informativo. Además, usaba “americanos” para referirse a ciudadanos de Estados Unidos, algo que en un texto periodístico formal en español peninsular suele evitarse.

En conjunto, los expertos concluyeron que ninguna de las tres traducciones era realmente publicable sin revisión humana. Se podían entender, sí, pero todas acusaban problemas de estilo, matices y terminología que un redactor profesional tendría que pulir antes de llevarlas a un periódico.

Texto científico: cuando la terminología no puede fallar

El siguiente nivel de exigencia llega con los textos científicos, donde una mínima desviación en un término puede cambiar el significado entero. En una prueba con un artículo sobre acidificación de los océanos y arrecifes de coral, se compararon de nuevo las salidas de Google, Bing y DeepL.

En este contexto, Google Translate hizo un trabajo razonablemente sólido: la traducción era fluida, se entendía bien y la terminología clave (aragonita, biomineralización, calcificación, etc.) estaba bien trasladada. Los fallos detectados se limitaban principalmente al orden de algunos elementos en la frase o a estructuras demasiado pegadas al inglés, que un corrector humano podría retocar sin demasiada complicación.

Bing ofreció un resultado similar: estilo algo rígido y calcado del original inglés, pero con terminología científica mayormente correcta. Había frases que pedían una revisión de estilo para ganar claridad, pero no se apreciaban errores graves de contenido.

DeepL, en cambio, patinó precisamente donde no debía. Por ejemplo, en el enunciado central traducía algo equivalente a “la adición de dióxido de carbono suprime la calcificación de la comunidad neta”, alterando el orden de los elementos y generando un enredo conceptual. Además, introducía expresiones como “reducciones casi futuras del estado de saturación de la aragonita”, una construcción extraña que un científico o revisor tendría que rehacer prácticamente desde cero.

En documentos científicos, donde las consecuencias de un malentendido son mayores, los expertos fueron muy tajantes: ninguna de estas traducciones debería publicarse sin una posedición profesional. Para informes, papers o contenidos de alta responsabilidad, el traductor automático solo puede ser el punto de partida.

Expresiones coloquiales, refranes y mezcla de idiomas

Si la literatura es complicada, el lenguaje coloquial y los refranes son directamente un campo de minas. Locuciones como “llevarse el gato al agua”, “no hay tu tía” o “ni pa ti ni pa mí” son el ejemplo perfecto de cómo una traducción literal puede destrozar el significado.

En expresiones como “llevarse el gato al agua”, cuyo sentido real es “salir victorioso” o “conseguir algo complicado”, Google Translate tiende a traducir palabra por palabra, dando como resultado frases que un nativo inglés no entendería. DeepL y otros sistemas más avanzados, como Kagi, son capaces de proponer frases hechas equivalentes en el idioma destino, logrando una traducción mucho más natural.

Sin embargo, ante frases como “lo intenté, pero no hay tu tía”, casi todos los sistemas fallan y ofrecen salidas sin sentido, salvo motores de IA más recientes que combinan modelos de lenguaje grandes con traducción automática. En otra locución coloquial, “ni pa ti ni pa mí”, Google y algunos competidores aciertan con un “Neither for you nor for me”, mientras que DeepL propone algo distinto (“no soy yo, no eres tú”) que no respeta ese significado de solución intermedia.

Cuando se incluyen lenguas menos frecuentes o no soportadas, como el euskera, el panorama se complica. Un refrán como “zozoak beleari ipurbeltz” (equivalente a “la sartén le dijo al cazo”) ejemplifica varias cosas a la vez: por un lado, que DeepL ni siquiera reconoce el idioma, y por otro que, aunque Google y otros motores sean capaces de identificar el euskera, tienden a ofrecer una traducción literal donde se pierde por completo el valor proverbial.

La prueba se vuelve todavía más divertida (y compleja) cuando se mezclan varios idiomas en la misma frases, como en “Me estoy hypeando con este traductor que dice ser el fucking mejor de todos” o “Tienes un je ne sais quoi que me vuelves fucking loca, maitia”. Este tipo de frases, muy frecuentes en el habla cotidiana y en redes sociales (por ejemplo, la traducción de comentarios en Instagram), obligan al sistema a identificar palabras sueltas en inglés, francés o euskera, adaptar conjugaciones inventadas (“hypeando”) y resolverlo todo en un mismo texto coherente.

En estos escenarios, sistemas con modelos de lenguaje de última generación como el traductor de Kagi o herramientas basadas en IA tipo ChatGPT tienden a manejar mejor la mezcla de idiomas y el tono coloquial, mientras que Google y DeepL se muestran más rígidos. DeepL, además, queda fuera de juego cuando aparece un idioma no soportado, como el propio “maitia” en euskera, que ni siquiera identifica correctamente.

Más allá de Google Translate y DeepL: Kagi, Taia y la IA generativa

En los últimos años han surgido nuevos actores que compiten directamente con Google y DeepL. Uno de ellos es Kagi Translate, un traductor basado en una combinación de grandes modelos de lenguaje que presume de cubrir más de 200 idiomas, ofrecer mayor calidad en expresiones coloquiales y, además, respetar la privacidad del usuario sin rastreo ni publicidad.

En pruebas comparativas, Kagi ha salido claramente ganador frente a Google Translate y DeepL en tareas donde lo importante no es solo traducir, sino interpretar correctamente el contexto, entender el tono, resolver chistes, refranes o mezclas idiomáticas. Mientras Google y DeepL caen en literalidades sin sentido o interpretaciones pobres, Kagi suele dar una traducción más cercana al habla natural.

Otro tipo de solución son plataformas de traducción profesional asistidas por IA, como Taia. En lugar de centrarse solo en traducir texto (por ejemplo, traducción instantánea dentro de Word), integran memorias de traducción, gestión de glosarios, trabajo en equipo y seguimiento de proyectos. De este modo, combinan la velocidad de la máquina con la revisión humana, ideal para empresas que trabajan con grandes volúmenes de contenido en muchos formatos.

Y, por supuesto, no podemos olvidar que la IA generativa (como ChatGPT) se ha convertido también en un rival serio de los traductores tradicionales. Al estar entrenada para comprender y generar lenguaje de forma muy flexible, puede adaptar registros, reformular textos, explicar decisiones de traducción y resolver ambigüedades de una forma que los motores clásicos aún no alcanzan, especialmente cuando se le guía con buenas instrucciones.

Limitaciones, usos recomendados y papel del traductor humano

Con todo lo anterior en mente, queda claro que ni Google Translate ni DeepL son infalibles. Ambos pueden ofrecer resultados espectaculares en textos sencillos e informativos, y a la vez cometer errores graves de matiz o terminología en textos literarios, jurídicos, médicos o científicos.

Para usos cotidianos —viajes, entender un correo, traducir un tuit, captar la idea general de una noticia—, Google Translate y DeepL son más que suficientes. Google brilla por su abanico de idiomas y modos de entrada (texto, traducción por voz, imagen, webs completas), y DeepL convence por la naturalidad en muchos pares de idiomas europeos. Aquí, el usuario medio pocas veces se jugará nada crítico.

Cuando se trata de trabajo profesional —marketing, documentación corporativa, publicaciones académicas, contenidos legales—, la película cambia. En estos casos, lo razonable es usar la traducción automática como primer borrador y luego recurrir a una posedición profesional, es decir, que un traductor humano revise, corrija y adapte el texto a su propósito y a su público.

Los propios expertos que han evaluado estos sistemas insisten en que ninguna traducción automática está lista para publicarse tal cual en ámbitos donde la precisión, el estilo y la responsabilidad importan de verdad. Por mucha IA que haya detrás, los traductores siguen siendo indispensables para garantizar calidad, coherencia terminológica y adecuación cultural.

Todo apunta a que el futuro de la traducción será híbrido: las máquinas se encargarán de lo repetitivo y masivo, mientras que los humanos se centrarán en lo creativo, especializado y delicado. Entender dónde brilla cada herramienta y dónde se queda corta es la mejor forma de sacarles partido sin llevarse sorpresas desagradables.