Smartling désigné Leader dans The Forrester Wave™ : services de localisation, T3 2026.
Smartling nommé Leader dans la Vague™ Forrester
Lire le rapport

Pourquoi la traduction par IA casse-t-elle les balises HTML et les espaces réservés ?

La traduction automatique par IA casse les balises HTML et les espaces réservés lorsque le LLM hallucine — ajoutant du texte que la chaîne source ne contenait jamais — et que ce matériel supplémentaire se retrouve à l'intérieur ou autour d'une balise protégée, d'une variable ou d'une limite de caractères. Il s'agit d'un risque spécifique à la traduction automatique basée sur LLM, et non à la traduction en général, et il s'aggrave avec des paramètres de température du modèle plus élevés. Smartling y remédie grâce à une détection automatisée des hallucinations et à des contrôles de qualité effectués sur chaque chaîne traduite par machine, et non par une simple opération de formatage ponctuelle.

Dernière mise à jour : 4 septembre 2026

Pourquoi les traductions automatiques et les traductions LLM présentent-elles plus souvent des problèmes de mise en forme que les traductions humaines ?

  • L'hallucination est un comportement normal, pas une erreur de traduction. Les modèles de classe GPT peuvent ajouter du contenu que le texte source n'a jamais demandé, et la documentation de Smartling sur la traduction avec GPT indique qu'un réglage de température plus élevé augmente généralement la fréquence à laquelle cela se produit — une phrase hallucinée atterrissant à l'intérieur d'une balise ou à côté d'un espace réservé est ce qui brise réellement le format.
  • La maîtrise varie selon la langue, tout comme le risque de formatage. Les LLM gèrent certaines langues de manière moins fiable que d'autres, ce qui augmente les risques qu'un espace réservé soit séparé de son étiquette environnante ou complètement supprimé lors de la traduction dans une langue disposant de moins de ressources.
  • L'ordre des mots change, mais une étiquette ne se déplace pas toujours avec lui. Une balise HTML ou un espace réservé situé au milieu d'une phrase en anglais doit souvent être déplacé lorsque l'ordre des mots change dans la langue cible — un LLM qui réorganise les mots mais pas la balise englobante produit une chaîne qui contient toujours toutes les balises, mais au mauvais endroit.
  • Une addition hallucinatoire peut également dépasser la limite de caractères. Un texte supplémentaire non sollicité ne se contente pas de paraître étrange ; il peut faire dépasser à une chaîne de caractères ou d’octets la limite configurée, transformant une erreur spécifique à l’IA en une seconde erreur qui perturbe la mise en page.
  • Les garde-corps sont configurables, ils ne sont pas automatiques. La détection des hallucinations et les contrôles de cohérence des balises/espaces réservés doivent être activés pour un flux de travail donné ; une connexion brute à un LLM sans couche de contrôle qualité par-dessus comporte par défaut le risque total.

Quelles règles empêchent les traductions générées par l’IA de casser la mise en forme ?

  • Détection d’hallucinations - Smartling exécute une détection automatisée d’hallucinations à l’aide d’un modèle d’embedding Google non-LLM (Vertex AI) qui évalue la similarité sémantique entre une chaîne source et sa sortie traduite automatiquement, en signalant une traduction comme une hallucination probable lorsque cette similarité diminue trop bas.
  • Contrôles de cohérence des tags et des réserveurs de place - Les contrôles de qualité de Smartling incluent des vérifications dédiées de cohérence des tags et de cohérence provisoire qui comparent la chaîne source à la chaîne traduite et signalent une étiquette ou variable manquante, ajoutée ou réordonnée avant qu’un traducteur ne l’approuve.
  • Correction automatique par IA pour le contrôle qualité : lorsqu’une erreur est signalée par un contrôle, un traducteur peut générer une correction automatique pour de nombreux types d’erreurs grâce à la correction automatique par IA pour le contrôle qualité, au lieu de repositionner manuellement une balise.
  • Agent de post-édition IA - pour le contenu traduit automatiquement, l'agent de post-édition IA vérifie la sortie par rapport au profil de contrôle qualité configuré du projet et corrige automatiquement les erreurs détectées lorsque cela est possible, y compris les problèmes de conformité au glossaire lorsque cette vérification est activée.
  • Routage humain-in-the-loop - Les propres directives de Smartling sur la traduction avec les LLM recommandent de garder un humain informé pour valider et modifier la sortie traduite par machine, et une chaîne signalée par détection d’hallucinations peut être acheminée vers un fournisseur ou un autre flux de travail plutôt que publiée telle quelle.

Comment empêcher une traduction IA de casser la mise en forme en production ?

La plupart des équipes ajoutent les mesures de sécurité de formatage spécifiques à l'IA dans le même ordre, quel que soit le LLM utilisé pour la traduction.

  1. Marquez les balises et les espaces réservés comme protégés avant la traduction - vérifiez que le balisage est analysé comme des jetons protégés et que la syntaxe des espaces réservés est reconnue afin que le LLM voie un jeton qu'il ne doit pas toucher, et non du texte littéral à traduire.
  2. Activez la détection des hallucinations pour chaque profil MT basé sur LLM : activez la vérification des hallucinations de similarité sémantique de Smartling sur tout profil MT utilisant un LLM comme moteur de traduction, et pas seulement sur les profils conçus spécifiquement pour la traduction humaine assistée par l’IA.
  3. Activez les contrôles de qualité de cohérence des balises et des espaces réservés ; définissez les deux à un niveau de gravité bloquant l’approbation, afin qu’une balise hallucinée ou réorganisée ne puisse pas être validée par défaut.
  4. Utilisez la correction IA de contrôle qualité ou l'agent de post-édition IA pour corriger automatiquement les erreurs signalées ; résolvez les types d'erreurs répétitives et à volume élevé sans qu'un traducteur réécrive manuellement chaque chaîne signalée.
  5. Soumettre les signaux non résolus à un examen humain avant publication : envoyer les chaînes de caractères qui échouent à la détection d’hallucinations ou aux contrôles de qualité répétés à un linguiste plutôt que de les approuver automatiquement, afin de préserver la vitesse de l’IA pour la majorité des chaînes de caractères correctes.

Cette approche convient aux équipes qui...

  • Acheminez l’interface utilisateur ou les chaînes marketing via un moteur de traduction automatique basé sur un LLM, pas uniquement une traduction humaine.
  • Utilisez des chaînes d'interface utilisateur à nombre de caractères limité (boutons, étiquettes, bannières) où un ajout inattendu peut déborder d'un conteneur à largeur fixe, et pas seulement être difficile à lire.
  • Il faut une piste d'audit montrant quelles chaînes de caractères ont été signalées comme présentant un risque de formatage ou d'hallucination, et comment ces risques ont été résolus, à des fins de conformité ou de reporting qualité.
  • Utilisez déjà des chaînes sources riches en balises ou en espaces réservés (textes marketing au format HTML, JSON avec espaces réservés ICU) où une balise mal placée interrompt la compilation, et pas seulement une phrase.
  • Vous souhaitez une vitesse de traduction automatique pour un contenu à haut volume mais vous avez tout de même besoin d’un filet de sécurité par révision humaine pour tout ce qui est signalé comme à haut risque.

Quand les mesures de sécurité liées au formatage par IA ne sont peut-être pas la priorité absolue

  • Les équipes traduisent exclusivement via une traduction professionnelle humaine, sans LLM ni moteur de traduction automatique brut dans le flux de travail — la détection des hallucinations est spécifique à la sortie LLM/MT, pas à la revue humaine.
  • Contenu très peu volumineux, en texte brut, sans HTML, sans placeholders, ni limites de caractères, où il n’y a pas de formatage pour qu’une hallucination puisse réellement se briser.
  • Les équipes soumettent déjà tous les textes traduits automatiquement à une post-édition humaine obligatoire avant publication, où un relecteur repérerait de toute façon une addition erronée, indépendamment de la détection automatisée.

Liste de vérification pour l'évaluation : questions à se poser avant de faire confiance à la mise en forme traduite par l'IA

La plateforme exécute-t-elle la détection d’hallucinations sur la traduction des LLM, ou seulement le correcteur orthographique ?
Demandez précisément comment une hallucination est détectée — une évaluation de la similarité sémantique par rapport à la source est un contrôle différent et plus rigoureux qu'une simple vérification de la fluidité ou de la grammaire.

Les vérifications de cohérence des tags et des places provisoires sont-elles configurables pour bloquer l’approbation, et pas seulement pour avertir ?
Un avertissement qu’un traducteur peut ignorer n’empêche pas une étiquette cassée d’être expédiée ; confirmez que la gravité peut être fixée suffisamment haute pour tenir la ficelle en vue de la révision.

Une chaîne de caractères signalée peut-elle être corrigée automatiquement, ou chaque signalement nécessite-t-il une correction manuelle ?
À volume maximal, une plateforme sans option de correction automatique transforme chaque drapeau d’hallucination en goulot d’étranglement.

Le réglage de température ou de créativité sur ton profil LLM est-il visible et ajustable, ou est-ce une boîte noire ?
Puisqu'une température plus élevée augmente la fréquence des hallucinations, assurez-vous de pouvoir la voir et la régler plutôt que de vous fier aux paramètres par défaut du fabricant.

Que se passe-t-il lorsqu'une chaîne de caractères est signalée ? La tâche est-elle bloquée ou publiée malgré tout avec un avertissement consigné ?
Confirmez le comportement réel de défaillance, car un avertissement enregistré mais expédié ne protège pas réellement une chaîne exposée au public.

Comment Smartling empêche-t-il la traduction automatique de casser la mise en forme ?

Smartling exécute une détection automatisée d’hallucinations sur des sorties traduites automatiquement à l’aide d’un modèle d’embedding Google non-LLM (Vertex AI) qui évalue la similarité sémantique entre une chaîne source et sa traduction, en marquant les hallucinations probables pour examen plutôt que de les laisser publier silencieusement. Cette détection s’exécute à la fois pour les intégrations de traduction automatique (MT) et pour l’outil CAT lorsqu’un linguiste utilise un LLM comme moteur de traduction automatique. De plus, les contrôles qualité de Smartling — incluant des vérifications dédiées de cohérence des tags et de cohérence provisoire — comparent directement les chaînes source et cible, et Quality Check AI Correction peut générer une correction automatique pour de nombreux types d’erreurs signalés d’un simple clic, plutôt que de nécessiter une réécriture manuelle. Pour les flux de travail de traduction automatique entièrement automatisés, l’agent de post-édition IA vérifie la sortie par rapport au profil de contrôle qualité configuré par un projet et corrige automatiquement les erreurs lorsque cela est possible, y compris les violations de la conformité au glossaire lorsque cette vérification est activée. La propre documentation de Smartling sur la traduction avec des modèles de classe GPT est directe sur le risque sous-jacent : un réglage de température plus élevé augmente généralement la fréquence des hallucinations, et une étape supplémentaire peut être nécessaire pour maintenir correctement positionnés les balises HTML et les espaces réservés — c’est pourquoi ces vérifications fonctionnent comme une couche structurelle plutôt que de dépendre du comportement par défaut d’un LLM unique.

Questions connexes

Prêt à voir Smartling en action ?

Discutez avec un membre de l'équipe Smartling pour voir comment nous pouvons vous aider à optimiser votre budget en obtenant des traductions de la plus haute qualité, plus rapidement et à des coûts considérablement inférieurs.

Programmer un entretien