Google Translate vs DeepL: echte verschillen en welke het beste bij u past

Het vertalen van teksten is tegenwoordig niet langer het exclusieve domein van professionele vertalers , althans niet voor een eerste versie. Tussen websites, apps en AI- assistenten zijn er overal vertalers te vinden. Maar als het aankomt op de keuze tussen Google Translate en DeepL , twee van de grootste namen in de branche, is de keuze niet zo eenvoudig.

Beide diensten maken gebruik van door AI aangedreven machinevertaling , zijn in slechts enkele jaren tijd enorm verbeterd en zijn in hun basisversies gratis. Toch verschillen ze in kwaliteit, aantal talen, extra functies en, vooral, in de manier waarop ze verschillende soorten teksten verwerken: spreektaal, literaire teksten, journalistieke teksten of wetenschappelijke teksten.

Wat zijn Google Translate en DeepL precies?

Google Translate is al jaren de standaard automatische vertaler voor de helft van de wereldbevolking. Het werd lang voor DeepL ontwikkeld en is geïntegreerd in het Google-ecosysteem : browser (je kunt automatische paginavertaling inschakelen ), Android , Chrome, Google Docs , zoeken, enzovoort. Lange tijd was het vrijwel onbetwist de beste keuze om binnen enkele seconden alles te vertalen, voornamelijk dankzij de enorme taalondersteuning.

In 2016 kondigde Google een grote technologische sprong voorwaarts aan met Google Neural Machine Translation (GNMT) , een neuraal machinevertalingssysteem gebaseerd op terugkerende neurale netwerken (RNN's) . Deze netwerken vertalen niet langer woord voor woord, maar houden rekening met de context van de zin en woorden in de omgeving , wat resulteert in een aanzienlijke verbetering van de vloeiendheid en nauwkeurigheid in vergelijking met eerdere statistische systemen.

Kort daarna volgde een andere interne doorbraak: Zero-Shot Translation . Hiermee kon Google vertalen tussen taalparen, zelfs zonder veel directe voorbeelden. Dit wordt bereikt door middel van gedeelde vectorrepresentaties , waarbij zinnen uit verschillende talen worden geprojecteerd op dezelfde semantische ruimte. Het netwerk leert vervolgens de verbanden tussen deze zinnen te leggen zonder dat er voor elke taalcombinatie uitgebreide voorbeelden nodig zijn.

Aan de andere kant is er DeepL , een nieuwere vertaler (gelanceerd in 2017) die snel een reputatie verwierf voor het leveren van meer natuurlijke vertalingen , met name tussen Europese talen. In tegenstelling tot Google is de vertaalengine voornamelijk gebaseerd op convolutionele neurale netwerken en andere moderne deep learning-architecturen , specifiek geoptimaliseerd om nuances en complexe zinsstructuren vast te leggen.

De grootste kracht van DeepL ligt in de nauwe samenwerking met Linguee, een bekend meertalig woordenboek en zoekmachine voor vertalingen onder vertalers. Linguee heeft jarenlang miljoenen zinnenparen verzameld uit betrouwbare bronnen (zoals Europese instellingen en officiële documenten) en de kwaliteit van die vertalingen beoordeeld . Deze enorme verzameling hoogwaardige vertaalfragmenten vormde het ideale trainingsmateriaal voor DeepL.

Het is geen toeval dat DeepL zijn naam ontleent aan "Deep Learning" (zie de verklarende woordenlijst met AI-termen ). Het neurale netwerk wordt gevoed met miljarden zorgvuldig samengestelde vertaalfragmenten uit bronnen zoals het Europees Parlement, internationale patenten en literaire teksten. Met andere woorden, niet alleen de technologie is van belang, maar ook de kwaliteit van het trainingsmateriaal dat gebruikt wordt om de AI te ontwikkelen.

Machinevertaling en kunstmatige intelligentie: hoe deze machines denken

Zowel Google Translate als DeepL zijn gebaseerd op diepe neurale netwerken die getraind zijn op enorme hoeveelheden tekst . Het algemene idee is relatief eenvoudig uit te leggen: het systeem ziet miljoenen (of miljarden) zinnen in de ene taal naast hun vertaling in een andere taal en leert statistische patronen tussen de twee.

In het geval van DeepL zijn de neurale netwerken geïnspireerd op de werking van de hersenen: verbonden kunstmatige "neuronen" ontvangen stimuli (woorden, posities, taalkundige kenmerken), activeren en verspreiden die activering door het hele netwerk. Elk neuron bepaalt op welke signalen het reageert. Wanneer een zin het systeem passeert, wordt deze omgezet in een patroon van activaties dat door het netwerk reist en uiteindelijk de reeks woorden genereert die in de doeltaal vertaald worden.

Aanvankelijk is de kwaliteit van de vertalingen , zoals het bedrijf zelf uitlegt, vrij slecht . Maar naarmate het netwerk wordt getraind op miljarden voorbeelden, past het de gewichten en verbindingen aan, waardoor de output bij elke iteratie iets verbetert . Na verloop van tijd vertaalt deze incrementele verbetering zich in resultaten die vaak lijken alsof ze door een mens zijn geschreven.

Google gebruikt op zijn beurt ook enorme neurale netwerken die getraind zijn op bergen data , waarvan een groot deel afkomstig is uit teksten en vertalingen die online beschikbaar zijn. Volgens Macduff Hughes, directeur engineering bij Google Translate, bepalen de hoeveelheid en variëteit aan data tussen twee talen de kwaliteit . Tussen zeer verschillende talen (bijvoorbeeld Engels en Chinees of Japans) is veel meer informatie nodig om dezelfde nauwkeurigheid te bereiken als tussen meer verwante talen, zoals Engels en Spaans.

Microsoft Bing Translator, hoewel hier minder prominent aanwezig (zie Microsoft Teams met AI ), heeft zich ook aangesloten bij deze trend van neurale netwerken. Het bedrijf beweert dat zijn neurale netwerken een beter begrip van de algehele context van een zin mogelijk maken voordat een vertaling wordt gegenereerd, iets waar geautomatiseerde systemen historisch gezien moeite mee hebben gehad.

Ondersteunde talen: kwantiteit versus kwaliteit

Een van de belangrijkste twistpunten tussen Google Translate en DeepL is het aantal beschikbare talen . Hier heeft Google een aanzienlijk voordeel: de vertaler ondersteunt meer dan 100 talen , waaronder belangrijke en minderheidstalen, dialecten en regionale varianten. Het is de ideale vertaler wanneer je iets 'ongewoons' nodig hebt, zoals Maori, Baskisch of talen uit Azië en Afrika.

DeepL ondersteunt daarentegen veel minder talen . In de beginjaren bood het slechts vertalingen aan tussen een paar Europese talen, en hoewel het zijn catalogus geleidelijk heeft uitgebreid, blijft het ver achter bij de meer dan honderd talen van Google. Bij de lancering vertaalde het slechts zeven talen; later werden dat er meer dan tien, en het aanbod blijft groeien, maar het komt nog steeds niet in de buurt van dat van Google.

Dit kwantitatieve nadeel wordt gedeeltelijk gecompenseerd door de kwaliteit . Volgens diverse interne en externe tests levert DeepL, wanneer het de gewenste taalcombinatie ondersteunt, vaak een natuurlijker en vloeiender resultaat op dan Google, met name bij combinaties zoals Engels-Duits, Engels-Frans of Engels-Spaans.

In een benchmark genaamd BLEU (Bilingual Evaluation Understudy) , een standaardmethode voor het evalueren van machinevertalingen door de output van de machine te vergelijken met menselijke vertalingen, behaalde DeepL bijvoorbeeld significant hogere scores dan Google in bepaalde taalparen. Voor Engels-Duits behaalde DeepL een score van ongeveer 31,1 punten, tegenover 28,4 voor Google , een significant verschil in dit type test.

Bovendien heeft DeepL blinde evaluaties uitgevoerd met professionele vertalers : ze kregen vertalingen te zien die door verschillende systemen (waaronder Google, Microsoft en andere) waren gegenereerd, zonder te weten welke vertaling van welk systeem afkomstig was, en ze moesten de beste kiezen. Volgens het bedrijf zelf werden de vertalingen van DeepL in deze vergelijkingen drie tot vier keer vaker gekozen dan die van de concurrenten.

Tests met echte teksten: van Don Quichot tot het coronavirus

Naast geautomatiseerde statistieken, wordt een automatische vertaler pas echt op de proef gesteld door de prestaties met echte en gevarieerde teksten . Diverse media en experts hebben Google Translate en DeepL (en andere systemen) aan strenge tests onderworpen onder veeleisende omstandigheden: literatuur, nieuwsartikelen, spreekwoorden, wetenschappelijke teksten, enzovoort.

Een klassiek voorbeeld dat is gebruikt, is de opening van "Don Quixote de la Mancha" van Miguel de Cervantes . Het is een tekst vol nuances, archaïsche uitdrukkingen en complexe structuren. Zowel Google als DeepL hebben grote moeite om het correct naar het Engels te vertalen: geen van beide blinkt er echt in uit , hoewel er opmerkelijke verschillen te zien zijn in hoe ze uitdrukkingen als "lived not long ago" of "greyhound runner" verwerken.

Iets soortgelijks gebeurt met de opening van Gabriel García Márquez' "Honderd jaar eenzaamheid ". In een bekende vergelijking bood DeepL een optie die qua werkwoordstijden en toon iets beter was – bijvoorbeeld een preciezere vertaling van "moest het me herinneren" – terwijl Google wat letterlijker was. Dit zijn nuances die in de literatuur het verschil kunnen maken tussen een acceptabele vertaling en een vertaling die "vreemd klinkt".

Als we naar journalistieke teksten kijken , verandert de situatie enigszins. Bij analyses van nieuws van media zoals The New York Times of The Verge is gebleken dat DeepL de neiging heeft om meer natuurlijke uitdrukkingen in de context te kiezen ("he got a break" in plaats van "he had a break", "in a packed match" in plaats van "in a full game"), terwijl Google meer neigt naar een letterlijke vertaling die in het Spaans misplaatst klinkt.

Er zijn echter ook gevallen waarin Google uitblinkt in specifieke details , zoals het correct respecteren van hoofdletters in merknamen zoals Tesla 's "Model 3 ", of het goed verwerken van bepaalde numerieke formaten. In technische of informatieve teksten worden de kwaliteitsverschillen minder uitgesproken en soms zijn beide vertalingen erg vergelijkbaar.

Literaire teksten: stijl, natuurlijkheid en struikelblokken

Een van de zwaarste tests voor machinevertaling is literaire vertaling . Werken zoals Harry Potter en de Steen der Wijzen zijn gebruikt om Google, Bing en DeepL te vergelijken vanuit het perspectief van professionele en academische vertalers.

In een specifieke evaluatie werden de drie systemen geanalyseerd op hoe ze een fragment met dialoog, beschrijvingen en idiomatische uitdrukkingen naar het Spaans vertaalden. Google leverde een redelijk begrijpelijk resultaat op , maar met interpunctieproblemen (spaties, onjuiste hoofdletters, accenten) en een minder literaire stijl: uitdrukkingen zoals "se veía" in plaats van "parecía ", herhalingen zoals "docenas de fiestas y fiestas" of ietwat onhandige formuleringen.

Het voorstel van Bing bleek problematischer: grammaticale fouten (het gebruik van de mannelijke vorm van "professor" terwijl het over een vrouwelijke professor ging), onvertaalde woorden zoals "tabby", onsamenhangende zinnen en letterlijke interpretaties die grensden aan onzin ("vallende sterren" in plaats van "vallende sterren"). Al met al was de tekst minder natuurlijk en verwarrender.

DeepL genereerde op zijn beurt een over het algemeen begrijpelijke vertaling, maar met registerfouten en een mix van varianten (uitdrukkingen die typisch zijn voor Latijns-Amerikaans Spaans, zoals "¿cómo supo?"), evenals onnatuurlijke uitdrukkingen zoals "se veía clara arrugada" (ze zag er duidelijk gerimpeld uit), "olfateó con rabia" (hij snoof boos) of "sacudió su cabeza hacia atrás" (hij schudde zijn hoofd achterover). Het is wederom duidelijk dat de engine de stilistische subtiliteit die literatuur vereist, nog niet helemaal onder de knie heeft.

In die specifieke test was de professionele beoordeling dat de versie van Google het "minst slecht " was, gevolgd door DeepL, en dat die van Bing de slechtste score kreeg. De onderliggende boodschap is duidelijk: zelfs met AI en neurale netwerken blijft literaire vertaling een zeer moeilijk vakgebied voor machines.

Nieuws- en informatieve taal: natuurlijkheid versus sleutelfouten

Bij actuele nieuwsartikelen, zoals een bericht over de evacuatie van cruiseschepen vanwege coronavirusuitbraken , worden de verschillen tussen vertalers subtieler, maar niet minder belangrijk.

Ter vergelijking: Google Translate gaf een vertaling die de algemene boodschap correct weergaf , zij het met uitdrukkingen die niet typisch zijn voor Spaans uit Spanje, zoals "luego de" in plaats van "después de", en enkele details die voor verbetering vatbaar waren, zoals het vertalen van "cruiseschip" in het meervoud terwijl het in werkelijkheid om één specifieke cruise ging.

Bing vertoonde wederom problemen met natuurlijkheid en zinsbouw: "onder de lockdown" in plaats van "onder opsluiting ", "werd opnieuw getest" in plaats van "werd opnieuw getest", of slecht geformuleerde zinnen zoals "coronavirus docking" waar "beïnvloed door coronavirus" had moeten staan. Dit zijn kleine inconsistenties die, bij elkaar opgeteld, de indruk wekken van duidelijk geautomatiseerde tekst.

De vertaling van DeepL had in dat geval één belangrijk pluspunt: de correcte enkelvoudsvorm van "cruiseschip " werd behouden. Echter, voor een gezondheidsnieuwsbericht maakte het een bijna fatale fout: "coronavirus" werd vertaald als "coronair virus ", een andere medische term die de focus van de informatie volledig verandert. Bovendien werd "Amerikanen" gebruikt om te verwijzen naar burgers van de Verenigde Staten, iets wat in formele journalistieke teksten in het Spaans van het Iberisch schiereiland over het algemeen wordt vermeden.

Al met al concludeerden de experts dat geen van de drie vertalingen echt geschikt was voor publicatie zonder menselijke revisie . Ze waren weliswaar begrijpelijk, maar kampten alle drie met problemen op het gebied van stijl, nuance en terminologie. Een professionele copywriter zou deze problemen moeten aanpakken voordat ze naar een krant gestuurd konden worden.

Wetenschappelijke tekst: wanneer de terminologie niet kan falen

Een nog grotere mate van nauwkeurigheid komt kijken bij wetenschappelijke teksten , waar zelfs een kleine afwijking in een term de hele betekenis kan veranderen. In een test met een artikel over oceaanverzuring en koraalriffen werden de resultaten van Google, Bing en DeepL opnieuw vergeleken.

In deze context heeft Google Translate redelijk goed werk geleverd: de vertaling was vloeiend, gemakkelijk te begrijpen en de belangrijkste terminologie (aragoniet, biomineralisatie, verkalking, enz.) werd goed vertaald . De gevonden fouten beperkten zich voornamelijk tot de volgorde van sommige elementen in de zin of zinsstructuren die te veel overeenkwamen met het Engels, wat een menselijke proeflezer gemakkelijk zou kunnen corrigeren.

Bing leverde een vergelijkbaar resultaat op: een ietwat stijve stijl, letterlijk overgenomen uit het originele Engels, maar met grotendeels correcte wetenschappelijke terminologie . Er waren zinnen die stilistisch aangepast moesten worden voor de duidelijkheid, maar er waren geen ernstige inhoudelijke fouten te vinden.

DeepL ging daarentegen precies de mist in waar het niet had gemoeten. Zo vertaalde het in de centrale zin iets dat neerkomt op "de toevoeging van koolstofdioxide onderdrukt de verkalking van de nettogemeenschap ", waardoor de volgorde van de elementen veranderde en er een conceptuele chaos ontstond. Bovendien introduceerde het uitdrukkingen zoals "verminderingen in de verzadigingstoestand van aragoniet in de nabije toekomst ", een vreemde constructie die een wetenschapper of recensent praktisch volledig opnieuw zou moeten formuleren.

In wetenschappelijke documenten, waar de gevolgen van een misverstand groter zijn, waren experts zeer duidelijk: geen van deze vertalingen mag worden gepubliceerd zonder professionele nabewerking . Voor rapporten, artikelen of andere inhoud met een hoge impact kan machinale vertaling slechts een beginpunt zijn.

Spreekwoorden, spreekwoorden en taalvermenging

Als literatuur al ingewikkeld is, dan vormen spreektaal en spreekwoorden een waar mijnenveld. Uitdrukkingen zoals "de overhand krijgen", "er is geen ontkomen aan" of "het maakt niet uit" zijn perfecte voorbeelden van hoe een letterlijke vertaling de betekenis volledig kan verpesten.

Bij uitdrukkingen zoals "llevarse el gato al agua" (de dag winnen) , die eigenlijk "als overwinnaar uit de strijd komen" of "iets moeilijks bereiken" betekenen, vertaalt Google Translate vaak woord voor woord , met als resultaat zinnen die een moedertaalspreker van het Engels niet zou begrijpen. DeepL en andere geavanceerdere systemen, zoals Kagi, kunnen equivalente uitdrukkingen in de doeltaal voorstellen, wat resulteert in een veel natuurlijker vertaling.

Wanneer systemen echter geconfronteerd worden met zinnen als "Ik heb het geprobeerd, maar het heeft geen zin", falen bijna alle systemen en leveren ze onzinnige resultaten op, met uitzondering van nieuwere AI-systemen die grote taalmodellen combineren met machinale vertaling. In een andere alledaagse uitdrukking, "noch voor jou, noch voor mij ", hebben Google en sommige concurrenten het goed met "Noch voor jou, noch voor mij", terwijl DeepL iets anders voorstelt ("het ligt niet aan mij, het ligt niet aan jou") dat geen rekening houdt met de betekenis van een tussenoplossing.

Wanneer minder gangbare of niet-ondersteunde talen , zoals het Baskisch, worden meegenomen , wordt de situatie complexer. Een spreekwoord als "zozoak beleari ipurbeltz" (wat neerkomt op "de pot verwijt de ketel dat hij zwart is") illustreert meerdere dingen tegelijk: ten eerste dat DeepL de taal niet eens herkent , en ten tweede dat hoewel Google en andere zoekmachines het Baskisch wel kunnen herkennen, ze vaak een letterlijke vertaling geven waarbij de spreekwoordelijke waarde volledig verloren gaat.

De test wordt nog leuker (en complexer) wanneer meerdere talen in dezelfde zin worden gemengd , zoals in "Ik ben zo enthousiast over deze vertaler die beweert de allerbeste te zijn" of "Je hebt een bepaalde je ne sais quoi die me helemaal gek maakt, maitia." Dit soort zinnen, die veel voorkomen in het dagelijks spraakgebruik en op sociale media (bijvoorbeeld bij het vertalen van reacties op Instagram ), dwingen het systeem om individuele woorden in het Engels, Frans of Baskisch te herkennen , verzonnen vervoegingen aan te passen ("hyping") en dit alles te verwerken tot één samenhangende tekst.

In deze scenario's kunnen systemen met geavanceerde taalmodellen , zoals de vertaler van Kagi of AI-gebaseerde tools zoals ChatGPT , beter omgaan met gemengde talen en spreektaal, terwijl Google en DeepL minder flexibel zijn. Bovendien faalt DeepL wanneer een niet-ondersteunde taal verschijnt , zoals "maitia" in het Baskisch, dat het systeem zelfs niet correct herkent.

Verder dan Google Translate en DeepL: Kagi, Taia en generatieve AI

De afgelopen jaren zijn er nieuwe spelers op de markt gekomen die rechtstreeks concurreren met Google en DeepL . Een daarvan is Kagi Translate , een vertaler die gebruikmaakt van een combinatie van grote taalmodellen en die meer dan 200 talen ondersteunt, een hogere kwaliteit biedt in spreektaal en bovendien de privacy van gebruikers respecteert door geen tracking of advertenties te tonen.

In vergelijkende tests heeft Kagi duidelijk beter gepresteerd dan Google Translate en DeepL bij taken waarbij niet alleen vertalen belangrijk is, maar ook het correct interpreteren van de context , het begrijpen van de toon en het ontcijferen van grappen, spreekwoorden en mengtalen. Waar Google en DeepL vaak vervallen in betekenisloze letterlijke vertalingen of slechte interpretaties, levert Kagi doorgaans een vertaling die dichter bij natuurlijke spraak ligt.

Een ander type oplossing zijn AI-ondersteunde professionele vertaalplatformen , zoals Taia. In plaats van zich uitsluitend te richten op het vertalen van tekst (bijvoorbeeld directe vertaling binnen Word ), integreren ze vertaalgeheugens, woordenlijstbeheer, teamwerk en projectbewaking . Op deze manier combineren ze de snelheid van machines met menselijke controle, ideaal voor bedrijven die werken met grote hoeveelheden content in diverse formaten.

En natuurlijk mogen we niet vergeten dat generatieve AI ( zoals ChatGPT) ook een serieuze concurrent is geworden voor traditionele vertalers. Omdat het getraind is om taal zeer flexibel te begrijpen en te genereren, kan het registers aanpassen, teksten herformuleren, vertaalbeslissingen toelichten en ambiguïteiten oplossen op manieren die klassieke zoekmachines nog steeds niet kunnen, vooral niet met goede instructies.

Beperkingen, aanbevolen toepassingen en de rol van de menselijke vertaler

Gezien al het bovenstaande is het duidelijk dat noch Google Translate, noch DeepL onfeilbaar is . Beide kunnen spectaculaire resultaten leveren met eenvoudige, informatieve teksten, terwijl ze tegelijkertijd ernstige fouten maken in nuance of terminologie bij literaire, juridische, medische of wetenschappelijke teksten.

Voor dagelijks gebruik – reizen, e-mails begrijpen, tweets vertalen, de algemene strekking van een nieuwsbericht vatten – zijn Google Translate en DeepL meer dan voldoende. Google blinkt uit in het brede scala aan talen en invoermethoden (tekst, spraakvertaling , afbeeldingen, complete websites), en DeepL maakt indruk met de natuurlijke weergave in veel Europese taalcombinaties . De gemiddelde gebruiker loopt hierbij zelden risico op een kritieke fout.

Bij professioneel werk – marketing, bedrijfsdocumentatie, academische publicaties, juridische teksten – ligt de situatie anders. In deze gevallen is het verstandig om machinevertaling als eerste versie te gebruiken en vervolgens over te gaan op professionele nabewerking . Dit houdt in dat een menselijke vertaler de tekst controleert, corrigeert en aanpast aan het doel en de doelgroep.

De experts die deze systemen zelf hebben geëvalueerd, benadrukken dat geen enkele machinevertaling klaar is voor publicatie in contexten waar nauwkeurigheid, stijl en betrouwbaarheid er echt toe doen. Hoeveel AI er ook bij betrokken is, menselijke vertalers blijven essentieel om kwaliteit, terminologische consistentie en culturele relevantie te garanderen.

Alles wijst op een hybride toekomst voor vertalingen : machines zullen repetitieve taken met een hoog volume afhandelen, terwijl mensen zich zullen concentreren op de creatieve, gespecialiseerde en genuanceerde aspecten . Inzicht in de sterke en zwakke punten van elk instrument is de beste manier om ze effectief in te zetten en onaangename verrassingen te voorkomen.