Google Translate vs DeepL: Perbedaan nyata dan mana yang tepat untuk Anda

Saat ini, menerjemahkan teks bukan lagi domain eksklusif penerjemah profesional , setidaknya bukan untuk draf pertama. Antara situs web, aplikasi , dan asisten AI , kita memiliki penerjemah di mana-mana. Tetapi ketika harus memilih antara Google Translate dan DeepL , dua nama terbesar di industri ini, pilihannya tidak begitu mudah.

Kedua layanan tersebut menggunakan terjemahan mesin bertenaga AI , telah meningkat secara dramatis hanya dalam beberapa tahun, dan gratis dalam versi dasarnya. Meskipun demikian, keduanya berbeda dalam kualitas, jumlah bahasa, fitur tambahan, dan, yang terpenting, dalam cara mereka menangani berbagai jenis teks: percakapan sehari-hari, sastra, jurnalistik, atau ilmiah.

Apa sebenarnya Google Translate dan DeepL?

Google Translate telah menjadi penerjemah otomatis bawaan bagi separuh penduduk planet ini selama bertahun-tahun. Aplikasi ini dibuat jauh sebelum DeepL dan terintegrasi ke dalam ekosistem Google : browser (Anda dapat mengaktifkan terjemahan halaman otomatis ), Android , Chrome, Google Docs , pencarian… Untuk waktu yang cukup lama, aplikasi ini hampir tak tertandingi sebagai pilihan utama untuk menerjemahkan apa pun dalam hitungan detik, terutama karena dukungan bahasanya yang sangat luas.

Pada tahun 2016, Google mengumumkan lompatan teknologi besar dengan Google Neural Machine Translation (GNMT) , sistem penerjemahan mesin sarafnya yang berbasis pada jaringan saraf berulang (RNN) . Jaringan ini tidak lagi menerjemahkan kata demi kata, tetapi mempertimbangkan konteks kalimat dan kata-kata di sekitarnya , sehingga menghasilkan peningkatan signifikan dalam kelancaran dan akurasi dibandingkan dengan sistem statistik sebelumnya.

Tak lama kemudian, kemajuan internal lainnya hadir: Zero-Shot Translation . Ini memungkinkan Google untuk menerjemahkan antar pasangan bahasa bahkan tanpa banyak contoh langsung. Hal ini dicapai melalui representasi vektor bersama , di mana frasa dari berbagai bahasa diproyeksikan ke ruang semantik yang sama, dan jaringan belajar untuk menghubungkannya tanpa memerlukan contoh lengkap untuk setiap kombinasi bahasa.

Di sisi lain, ada DeepL , penerjemah yang lebih baru (diluncurkan pada tahun 2017) yang dengan cepat mendapatkan reputasi karena menawarkan terjemahan yang lebih alami , terutama antara bahasa-bahasa Eropa. Tidak seperti Google, mesinnya terutama didasarkan pada jaringan saraf konvolusional dan arsitektur pembelajaran mendalam modern lainnya , yang secara khusus dioptimalkan untuk menangkap nuansa dan struktur kalimat yang kompleks.

Kekuatan terbesar DeepL terletak pada hubungannya yang erat dengan Linguee, sebuah kamus multibahasa dan mesin pencari terjemahan yang terkenal di kalangan penerjemah. Selama bertahun-tahun, Linguee telah mengumpulkan jutaan pasangan kalimat dari sumber yang andal (seperti lembaga-lembaga Eropa dan dokumen resmi) dan memberi peringkat kualitas terjemahan tersebut . Kumpulan besar segmen terjemahan berkualitas tinggi ini menjadi materi pelatihan yang ideal untuk DeepL.

Bukan kebetulan bahwa DeepL mengambil namanya dari "Deep Learning" (lihat glosarium istilah AI ). Jaringan sarafnya diberi miliaran segmen terjemahan yang dikurasi dengan cermat dari berbagai sumber seperti Parlemen Eropa, paten internasional, dan teks sastra. Dengan kata lain, bukan hanya teknologi yang penting, tetapi juga kualitas materi pelatihan yang digunakan untuk mengembangkan AI.

Terjemahan mesin dan kecerdasan buatan: bagaimana mesin-mesin ini berpikir

Baik Google Translate maupun DeepL didasarkan pada jaringan saraf dalam yang dilatih menggunakan sejumlah besar teks . Gagasan umumnya relatif mudah dijelaskan: sistem melihat jutaan (atau miliaran) kalimat dalam satu bahasa beserta terjemahannya dalam bahasa lain dan mempelajari pola statistik di antara keduanya.

Dalam kasus DeepL , jaringan sarafnya terinspirasi oleh cara kerja otak: "neuron" buatan yang terhubung menerima rangsangan (kata, posisi, fitur linguistik), aktif, dan menyebarkan aktivasi tersebut ke seluruh jaringan. Setiap neuron memutuskan sinyal mana yang akan diaktifkan. Ketika sebuah kalimat melewati sistem, kalimat tersebut diubah menjadi pola aktivasi yang berjalan melalui jaringan dan akhirnya menghasilkan urutan kata yang diterjemahkan ke dalam bahasa target.

Awalnya, seperti yang dijelaskan oleh perusahaan itu sendiri, kualitas terjemahannya cukup buruk . Tetapi karena jaringan tersebut dilatih dengan miliaran contoh, ia menyesuaikan bobot dan koneksi, sehingga setiap iterasi sedikit meningkatkan hasilnya . Seiring waktu , peningkatan bertahap ini menghasilkan hasil yang seringkali tampak seperti ditulis oleh manusia.

Google, di sisi lain, juga menggunakan jaringan saraf besar yang dilatih dengan tumpukan data , sebagian besar diekstrak dari teks dan terjemahan yang tersedia di web. Menurut Macduff Hughes, direktur teknik di Google Translate, kuantitas dan variasi data antara dua bahasa menentukan kualitasnya . Antara bahasa yang sangat berbeda (misalnya, Inggris dan Cina atau Jepang), dibutuhkan lebih banyak informasi untuk mencapai tingkat akurasi yang sama seperti antara bahasa yang lebih terkait erat, seperti Inggris dan Spanyol.

Microsoft Bing Translator, meskipun kurang menonjol di sini (lihat Microsoft Teams dengan AI ), juga telah bergabung dengan tren jaringan saraf ini. Perusahaan tersebut mengklaim bahwa jaringan sarafnya memungkinkan pemahaman yang lebih baik tentang konteks keseluruhan sebuah kalimat sebelum menghasilkan terjemahan, sesuatu yang secara historis sulit dilakukan oleh sistem otomatis.

Bahasa yang didukung: kuantitas versus kualitas

Salah satu poin utama perselisihan antara Google Translate dan DeepL adalah jumlah bahasa yang tersedia . Di sini, Google memiliki keunggulan signifikan: penerjemahnya mendukung lebih dari 100 bahasa , termasuk bahasa utama dan minoritas, dialek, dan variasi regional. Ini adalah penerjemah ideal ketika Anda membutuhkan sesuatu yang "tidak biasa," seperti bahasa Maori, Basque, atau bahasa-bahasa dari Asia dan Afrika.

Sebaliknya, DeepL mendukung jauh lebih sedikit bahasa . Pada tahun-tahun awalnya, DeepL hanya menawarkan terjemahan antara beberapa bahasa Eropa, dan meskipun secara bertahap memperluas katalognya, DeepL masih jauh tertinggal dari Google yang mendukung lebih dari seratus bahasa. Saat diluncurkan, DeepL hanya menerjemahkan tujuh bahasa; kemudian melampaui sepuluh bahasa, dan terus berkembang, tetapi masih belum mendekati jangkauan Google.

Kekurangan kuantitatif ini sebagian diimbangi oleh kualitas . Menurut berbagai tes internal dan eksternal, ketika DeepL mendukung pasangan bahasa yang Anda minati, DeepL sering kali menawarkan hasil yang lebih alami dan lancar daripada Google, terutama dalam kombinasi seperti Inggris-Jerman, Inggris-Prancis, atau Inggris-Spanyol.

Sebagai contoh, dalam tolok ukur yang disebut BLEU (Bilingual Evaluation Understudy) , sebuah metrik standar untuk mengevaluasi terjemahan mesin dengan membandingkan keluaran mesin dengan terjemahan manusia, DeepL mencapai skor yang jauh lebih tinggi daripada Google dalam pasangan bahasa tertentu. Dalam bahasa Inggris-Jerman, skor sekitar 31,1 poin diberikan kepada DeepL dibandingkan dengan 28,4 untuk Google , perbedaan yang signifikan dalam jenis pengujian ini.

Selain itu, DeepL telah melakukan evaluasi buta dengan penerjemah profesional : mereka diperlihatkan terjemahan yang dihasilkan oleh berbagai sistem (termasuk Google, Microsoft, dan lainnya) tanpa diberi tahu sistem mana yang mana, dan mereka harus memilih yang terbaik. Menurut perusahaan itu sendiri, hasil terjemahan DeepL dipilih tiga atau empat kali lebih sering daripada hasil terjemahan pesaingnya dalam perbandingan ini.

Tes dengan teks asli: dari Don Quixote hingga virus corona

Di luar metrik otomatis, yang benar-benar menguji penerjemah otomatis adalah bagaimana kinerjanya dengan teks nyata dan beragam . Berbagai media dan pakar telah menguji Google Translate dan DeepL (dan sistem lainnya) secara ketat dalam kondisi yang menuntut: sastra, artikel berita, peribahasa, teks ilmiah, dan sebagainya.

Contoh klasik yang telah digunakan adalah pembukaan "Don Quixote de la Mancha" karya Miguel de Cervantes . Teks ini penuh dengan nuansa, ungkapan kuno, dan struktur yang kompleks. Baik Google maupun DeepL memiliki masalah serius dalam menerjemahkannya dengan benar ke dalam bahasa Inggris: keduanya tidak terlalu unggul , meskipun perbedaan yang menarik dapat dilihat dalam cara masing-masing menangani ungkapan seperti "lived not long ago" atau "greyhound runner."

Hal serupa terjadi pada pembukaan novel "One Hundred Years of Solitude" karya Gabriel García Márquez . Dalam perbandingan yang terkenal, DeepL menawarkan pilihan yang dapat dianggap sedikit lebih baik dalam hal tenses dan intonasi kata kerja—misalnya, padanan yang lebih tepat untuk "harus mengingat"—sementara Google agak lebih literal. Nuansa-nuansa inilah yang, dalam sastra, dapat membuat perbedaan antara terjemahan yang dapat diterima dan terjemahan yang "terdengar aneh."

Ketika kita beralih ke ranah teks jurnalistik , keadaan sedikit berubah. Dalam analisis berita dari media seperti The New York Times atau The Verge, telah diamati bahwa DeepL cenderung memilih ekspresi yang lebih alami dalam konteksnya (“he got a break” versus “he had a break”, “in a packed match” alih-alih “in a full game”), sementara Google cenderung lebih menggunakan literalitas yang terdengar tidak pada tempatnya dalam bahasa Spanyol.

Namun, ada juga contoh di mana Google unggul dalam detail spesifik , seperti menghormati penggunaan huruf kapital dengan benar pada merek seperti "Model 3" milik Tesla , atau menangani format angka tertentu dengan baik. Dalam teks teknis atau informatif, perbedaan kualitas menjadi kurang kentara, dan terkadang kedua terjemahan tersebut sangat mirip.

Teks sastra: gaya, kealamian dan kesalahan

Salah satu ujian terberat bagi penerjemahan mesin adalah penerjemahan sastra . Karya-karya seperti Harry Potter and the Philosopher's Stone telah digunakan untuk membandingkan Google, Bing, dan DeepL dari perspektif penerjemah profesional dan akademis.

Dalam evaluasi khusus, ketiga sistem tersebut dianalisis bagaimana mereka menerjemahkan sebuah fragmen yang berisi dialog, deskripsi, dan ungkapan idiomatik ke dalam bahasa Spanyol. Google menawarkan hasil yang cukup mudah dipahami , tetapi dengan masalah tanda baca (spasi, penggunaan huruf kapital yang salah, aksen), dan dengan gaya yang kurang sastra: ungkapan seperti "se veía" alih-alih "parecía ," pengulangan seperti "docenas de fiestas y fiestas," atau ungkapan yang agak canggung.

Usulan Bing terbukti lebih bermasalah: kesalahan tata bahasa (menggunakan bentuk maskulin dari "profesor" ketika merujuk pada profesor perempuan), kata-kata yang tidak diterjemahkan seperti "tabby," kalimat yang tidak koheren, dan interpretasi literal yang hampir tidak masuk akal ("bintang jatuh" alih-alih "bintang jatuh"). Secara keseluruhan, teks tersebut kurang alami dan lebih membingungkan.

DeepL , di sisi lain, menghasilkan terjemahan yang umumnya mudah dipahami, tetapi dengan kesalahan register dan campuran varian (ungkapan khas bahasa Spanyol Amerika Latin, seperti “¿cómo supo?”), serta ekspresi yang tidak alami seperti “se veía clara arrugada” (dia tampak jelas keriput), “olfateó con rabia” (dia mengendus dengan marah), atau “sacudió su cabeza hacia atrás” (dia menggelengkan kepalanya ke belakang). Sekali lagi, jelas bahwa mesin tersebut belum sepenuhnya menguasai kehalusan gaya yang dibutuhkan dalam sastra.

Dalam pengujian khusus itu, penilaian profesional menunjukkan bahwa versi Google adalah yang "paling tidak buruk ," diikuti oleh DeepL, dan Bing menerima skor terburuk. Pesan yang tersirat jelas: bahkan dengan AI dan jaringan saraf, penerjemahan sastra tetap merupakan bidang yang sangat sulit bagi mesin.

Berita dan bahasa informatif: kealamian versus kesalahan utama

Dengan artikel berita terkini, seperti berita tentang evakuasi kapal pesiar akibat wabah virus corona , perbedaan antara penerjemah menjadi lebih halus tetapi tidak kalah penting.

Sebagai perbandingan, Google Translate menawarkan terjemahan yang secara tepat menyampaikan pesan umum , meskipun dengan ungkapan yang tidak lazim dalam bahasa Spanyol dari Spanyol, seperti "luego de" alih-alih "después de", dan beberapa detail ketelitian yang dapat ditingkatkan, seperti menerjemahkan "cruise ship" dalam bentuk jamak padahal sebenarnya yang dimaksud adalah satu pelayaran tertentu.

Sekali lagi, Bing menunjukkan masalah dengan kealamian dan konstruksi kalimat: "under the lockdown" (di bawah karantina) alih-alih "under confinement " (di bawah kurungan), "was tested again" (diuji lagi) alih-alih "was tested again" (diuji lagi), atau frasa yang disusun dengan buruk seperti "coronavirus docking" (berlabuh karena virus corona) padahal seharusnya "affected by coronavirus" (terkena virus corona). Ini adalah inkonsistensi kecil yang, jika digabungkan, memberikan kesan teks yang jelas-jelas dibuat secara otomatis.

Terjemahan DeepL dalam kasus tersebut memiliki satu poin penting yang menguntungkannya: terjemahan tersebut mempertahankan bentuk tunggal yang benar untuk "kapal pesiar ". Namun, terjemahan tersebut membuat kesalahan yang hampir fatal untuk berita kesehatan: terjemahan tersebut menerjemahkan "coronavirus" sebagai "coronary virus ", istilah medis yang berbeda yang sepenuhnya mengubah fokus informasi. Lebih jauh lagi, terjemahan tersebut menggunakan "orang Amerika" untuk merujuk pada warga negara Amerika Serikat, sesuatu yang umumnya dihindari dalam penulisan jurnalistik formal dalam bahasa Spanyol Semenanjung.

Secara keseluruhan, para ahli menyimpulkan bahwa tidak satu pun dari ketiga terjemahan tersebut benar-benar layak dipublikasikan tanpa peninjauan manusia . Terjemahan tersebut memang mudah dipahami, tetapi semuanya memiliki masalah dengan gaya, nuansa, dan terminologi yang perlu disempurnakan oleh seorang penulis profesional sebelum dikirimkan ke surat kabar.

Teks ilmiah: ketika terminologi tidak bisa gagal

Tingkat ketelitian selanjutnya terdapat pada teks-teks ilmiah , di mana bahkan sedikit penyimpangan dalam suatu istilah dapat mengubah seluruh maknanya. Dalam sebuah pengujian dengan artikel tentang pengasaman laut dan terumbu karang , hasil dari Google, Bing, dan DeepL dibandingkan lagi.

Dalam konteks ini, Google Translate melakukan pekerjaan yang cukup baik: terjemahannya lancar, mudah dipahami, dan terminologi kunci (aragonit, biomineralisasi, kalsifikasi, dll.) diterjemahkan dengan baik . Kesalahan yang terdeteksi sebagian besar terbatas pada urutan beberapa elemen dalam kalimat atau struktur yang terlalu mirip dengan bahasa Inggris, yang dapat dengan mudah diperbaiki oleh pemeriksa naskah manusia.

Bing memberikan hasil yang serupa: gaya yang agak kaku, disalin kata demi kata dari bahasa Inggris aslinya, tetapi dengan sebagian besar terminologi ilmiah yang benar . Ada beberapa kalimat yang perlu direvisi gaya penulisannya agar lebih jelas, tetapi tidak ada kesalahan isi yang serius yang terlihat.

Sebaliknya, DeepL melakukan kesalahan tepat di tempat yang seharusnya tidak terjadi. Misalnya, dalam pernyataan utama, ia menerjemahkan sesuatu yang setara dengan "penambahan karbon dioksida menekan kalsifikasi komunitas bersih ," mengubah urutan elemen dan menciptakan kekacauan konseptual. Lebih jauh lagi, ia memperkenalkan ungkapan seperti "pengurangan dalam keadaan jenuh aragonit di masa mendatang ," sebuah konstruksi aneh yang harus ditulis ulang oleh seorang ilmuwan atau peninjau dari awal.

Dalam dokumen ilmiah, di mana konsekuensi kesalahpahaman jauh lebih besar, para ahli sangat tegas: tidak satu pun terjemahan ini boleh dipublikasikan tanpa penyuntingan profesional . Untuk laporan, makalah, atau konten penting lainnya, terjemahan mesin hanya dapat menjadi titik awal.

Ungkapan sehari-hari, peribahasa, dan pencampuran bahasa

Jika sastra itu rumit, bahasa sehari-hari dan peribahasa adalah ladang ranjau yang sesungguhnya. Ungkapan seperti "untuk mendapatkan keuntungan," "tidak ada jalan lain," atau "baik untukmu maupun untukku" adalah contoh sempurna bagaimana terjemahan harfiah dapat sepenuhnya merusak maknanya.

Dalam ungkapan seperti “llevarse el gato al agua” (memenangkan hari itu) , yang arti sebenarnya adalah “menjadi pemenang” atau “mencapai sesuatu yang sulit,” Google Translate cenderung menerjemahkan kata demi kata , sehingga menghasilkan frasa yang tidak akan dipahami oleh penutur asli bahasa Inggris. DeepL dan sistem yang lebih canggih lainnya, seperti Kagi, mampu menyarankan idiom yang setara dalam bahasa target, sehingga menghasilkan terjemahan yang jauh lebih alami.

Namun, ketika dihadapkan dengan frasa seperti "Saya sudah mencoba, tetapi tidak ada gunanya," hampir semua sistem gagal dan menawarkan keluaran yang tidak masuk akal, kecuali mesin AI yang lebih baru yang menggabungkan model bahasa besar dengan terjemahan mesin. Dalam ungkapan sehari-hari lainnya, "bukan untukmu atau untukku ," Google dan beberapa pesaingnya berhasil dengan "Bukan untukmu atau untukku," sementara DeepL mengusulkan sesuatu yang berbeda ("bukan salahku, bukan salahmu") yang tidak menghormati makna solusi perantara tersebut.

Ketika bahasa yang kurang umum atau tidak didukung , seperti bahasa Basque, disertakan , situasinya menjadi lebih rumit. Sebuah peribahasa seperti “zozoak beleari ipurbeltz” (setara dengan “orang yang menuduh orang lain melakukan kesalahan yang sama”) menggambarkan beberapa hal sekaligus: pertama, bahwa DeepL bahkan tidak mengenali bahasa tersebut , dan kedua, bahwa meskipun Google dan mesin pencari lainnya mampu mengidentifikasi bahasa Basque, mereka cenderung menawarkan terjemahan harfiah di mana nilai peribahasa tersebut hilang sepenuhnya.

Tes ini menjadi lebih menyenangkan (dan kompleks) ketika beberapa bahasa dicampur dalam kalimat yang sama , seperti dalam "Saya sangat bersemangat tentang penerjemah ini yang mengklaim sebagai yang terbaik dari semuanya" atau "Kamu memiliki sesuatu yang sulit dijelaskan yang membuatku gila, maitia." Kalimat-kalimat seperti ini, yang sangat umum dalam percakapan sehari-hari dan di media sosial (misalnya, menerjemahkan komentar di Instagram ), memaksa sistem untuk mengidentifikasi kata-kata individual dalam bahasa Inggris, Prancis, atau Basque , menyesuaikan konjugasi yang dibuat ("hyping"), dan menyelesaikannya dalam satu teks yang koheren.

Dalam skenario ini, sistem dengan model bahasa mutakhir , seperti penerjemah Kagi atau alat berbasis AI seperti ChatGPT , cenderung menangani bahasa campuran dan nada percakapan dengan lebih baik, sementara Google dan DeepL lebih kaku. Selain itu, DeepL gagal ketika muncul bahasa yang tidak didukung , seperti "maitia" dalam bahasa Basque, yang bahkan tidak dapat diidentifikasi dengan benar.

Melebihi Google Translate dan DeepL: Kagi, Taia, dan AI generatif

Dalam beberapa tahun terakhir, pemain baru telah muncul yang bersaing langsung dengan Google dan DeepL . Salah satunya adalah Kagi Translate , penerjemah yang berbasis pada kombinasi model bahasa besar yang menawarkan cakupan lebih dari 200 bahasa, kualitas lebih tinggi dalam ekspresi sehari-hari , dan, terlebih lagi, menghormati privasi pengguna tanpa pelacakan atau iklan.

Dalam uji perbandingan, Kagi jelas mengungguli Google Translate dan DeepL dalam tugas-tugas di mana kuncinya bukan hanya terjemahan, tetapi juga menafsirkan konteks dengan benar , memahami nada, dan menguraikan lelucon, peribahasa, dan bahasa campuran. Sementara Google dan DeepL cenderung melakukan terjemahan literal yang tidak bermakna atau interpretasi yang buruk, Kagi biasanya memberikan terjemahan yang lebih mendekati ucapan alami.

Jenis solusi lainnya adalah platform penerjemahan profesional yang dibantu AI , seperti Taia. Alih-alih hanya berfokus pada penerjemahan teks (misalnya, terjemahan instan di dalam Word ), mereka mengintegrasikan memori terjemahan, manajemen glosarium, kerja tim, dan pelacakan proyek . Dengan cara ini, mereka menggabungkan kecepatan mesin dengan tinjauan manusia, yang ideal untuk perusahaan yang bekerja dengan volume konten besar dalam berbagai format.

Dan, tentu saja, kita tidak boleh melupakan bahwa AI generatif ( seperti ChatGPT) juga telah menjadi saingan serius bagi penerjemah tradisional. Karena dilatih untuk memahami dan menghasilkan bahasa dengan sangat fleksibel, ia dapat menyesuaikan ragam bahasa, menyusun ulang teks, menjelaskan keputusan penerjemahan , dan menyelesaikan ambiguitas dengan cara yang masih belum bisa dilakukan oleh mesin penerjemah klasik, terutama jika dipandu dengan instruksi yang baik.

Keterbatasan, penggunaan yang disarankan, dan peran penerjemah manusia

Dengan mempertimbangkan semua hal di atas, jelas bahwa baik Google Translate maupun DeepL tidaklah sempurna . Keduanya dapat memberikan hasil yang luar biasa dengan teks sederhana dan informatif, sementara pada saat yang sama membuat kesalahan serius dalam nuansa atau terminologi dengan teks sastra, hukum, medis, atau ilmiah.

Untuk penggunaan sehari-hari —perjalanan, memahami email, menerjemahkan tweet, memahami gagasan umum sebuah berita—Google Translate dan DeepL lebih dari cukup. Google unggul dalam jangkauan bahasa dan metode inputnya (teks, terjemahan suara , gambar, seluruh situs web), dan DeepL mengesankan dengan naturalitasnya dalam banyak pasangan bahasa Eropa . Di sini, pengguna rata-rata jarang akan mengambil risiko kesalahan yang fatal.

Dalam hal pekerjaan profesional —pemasaran, dokumentasi perusahaan, publikasi akademis, konten hukum—situasinya berubah. Dalam kasus ini, pendekatan yang masuk akal adalah menggunakan terjemahan mesin sebagai draf pertama dan kemudian menggunakan penyuntingan akhir profesional , yang berarti penerjemah manusia meninjau, mengoreksi, dan menyesuaikan teks dengan tujuan dan audiensnya.

Para ahli yang telah mengevaluasi sistem-sistem ini sendiri menegaskan bahwa tidak ada terjemahan mesin yang siap dipublikasikan begitu saja dalam konteks di mana akurasi, gaya, dan akuntabilitas benar-benar penting. Seberapa pun besar keterlibatan AI, penerjemah manusia tetap penting untuk menjamin kualitas, konsistensi terminologi, dan kesesuaian budaya.

Semua indikasi menunjukkan masa depan penerjemahan yang bersifat hibrida : mesin akan menangani tugas-tugas yang berulang dan bervolume tinggi, sementara manusia akan fokus pada aspek-aspek kreatif, khusus, dan bernuansa . Memahami di mana setiap alat unggul dan di mana kekurangannya adalah cara terbaik untuk memanfaatkannya secara efektif tanpa kejutan yang tidak menyenangkan.