Quels LLM et modèles open source pouvez-vous utiliser pour la traduction ?

Dernière mise à jour : 8 septembre 2026

Comment les modèles de traduction comme ceux de Meta et d’Unbabel se comparent-ils ?

Meta et Unbabel représentent deux approches différentes des modèles de traduction ouverts : Meta publie des modèles de traduction automatique généraux et spécialisés en tant qu’artefacts de recherche, tandis qu’Unbabel construit des LLM adaptés à la traduction, ainsi que les outils d’évaluation ouverts qu’une grande partie de l’industrie utilise pour les noter.

• Le NLLB-200 de Meta optimise pour la largeur. Le modèle No Language Left Behind se traduit dans 200 langues, y compris des langues à faible ressource que la plupart des moteurs commerciaux omettent en réserve, dans des variantes allant de 600M à 54,5B — mais sa licence CC-BY-NC 4.0 le limite à la recherche et à un usage non commercial.
• La tour d'Unbabel est optimisée pour la profondeur. Tower est un LLM multilingue construit sur Llama 2, sorti en tailles 7B et 13B et couvrant 10 langues à volume élevé (anglais, allemand, français, espagnol, chinois, portugais, italien, russe, coréen et néerlandais) ; lors de sa sortie, Unbabel a signalé qu'il surpassait des modèles beaucoup plus grands, notamment NLLB-54B et ALMA-R, sur les tâches de traduction. À l'instar de NLLB, sa licence CC-BY-NC 4.0 bloque son déploiement commercial.
• L'empreinte plus large d'Unbabel est l'évaluation. Unbabel a également développé COMET, le framework open-source d'estimation de la qualité devenu une norme industrielle de facto pour l'évaluation de la traduction automatique — l'équipe IA de Smartling, par exemple, utilise COMET aux côtés de MetricX et BLEU lors de l'évaluation comparative des moteurs.
• Ce que cette comparaison signifie en pratique. Il ne s'agit pas non plus d'un produit hébergé auquel vous vous abonnez. Les modèles de Meta répondent à la question « combien de langues pouvons-nous atteindre ? » ; Tower répond à la question « quel niveau de qualité peut atteindre la traduction ouverte dans les langues les plus importantes ? » — et une équipe commerciale ne peut utiliser l'un ou l'autre que pour la recherche interne, à moins qu'elle ne mette en place une licence différente ou qu'elle ne choisisse une alternative sous licence permissive telle qu'Opus-MT ou MADLAD-400.

Aperçu des modèles de traduction open source

Détails de licence et de couverture vérifiés en septembre 2026. Confirmez toujours le texte de licence actuel sur le dépôt officiel du modèle avant le déploiement.

Que devriez-vous prendre en compte lors du choix d’un modèle de traduction pour votre projet ?

Pour les candidats open source spécifiquement, la séquence ci-dessous charge les contraintes qui disqualifient les modèles le plus rapidement ; la question plus large du routage entre moteurs commerciaux trouve sa réponse dans Quel est le meilleur système pour choisir le bon LLM pour la traduction ?

1. Définissez d'abord vos paires de langues et vos types de contenu — la qualité du modèle varie selon la paire et le domaine, il est donc impossible de répondre à la question du « meilleur modèle » tant que vous ne savez pas si vous diffusez de la documentation technique en japonais, des textes marketing en espagnol ou du contenu d'assistance en 40 langues.
2. Vérifiez les licences avant d'exécuter un test de performance : la licence CC-BY-NC 4.0 exclut immédiatement NLLB-200 et Tower des listes de candidats commerciaux, tandis qu'Apache 2.0 (MADLAD-400, T5) et CC-BY 4.0 (Opus-MT) passent l'examen juridique beaucoup plus rapidement ; tester un modèle que vous ne pouvez pas déployer est une perte de temps d'ingénierie.
3. Comparez votre propre contenu à une référence commerciale : évaluez les résultats candidats avec COMET ou MetricX par rapport à un moteur que vous pourriez simplement acheter, tel que DeepL, Google ou un modèle de type GPT ; un modèle ouvert ne justifie son coût opérationnel que s’il atteint ou dépasse cette référence sur vos paires.
4. Planifiez le chemin de diffusion et d'intégration : décidez qui héberge le modèle et comment votre plateforme de traduction le consomme ; l'infrastructure est abordée dans Que sont les grands modèles de langue sur site ?, et l'intégration consiste généralement à exposer un point de terminaison REST que votre TMS peut appeler en tant que fournisseur personnalisé.
5. Fixez un rythme de renouvellement — re-comparez chaque trimestre avec les nouvelles sorties à poids ouvert et les moteurs commerciaux actuels, car une sélection figée au moment de l’adoption perd du terrain en trimestres, pas en années.

Les modèles de traduction open source conviennent aux équipes qui...

• Opérer selon des politiques de contrôle des données qui empêchent le contenu source d’accéder aux API IA externes, faisant d’un modèle auto-hébergé la seule voie conforme vers la traduction automatique.
• Besoin d'une couverture linguistique étendue — Les plus de 400 langues de MADLAD-400 atteignent des marchés que la plupart des moteurs commerciaux ne répertorient pas.
• Faites tourner un volume soutenu sur quelques paires à fort trafic, où un modèle Opus-MT d’environ 300 Mo par direction peut surpasser les alternatives multilingues plus grandes à un coût marginal quasi nul.
• Disposer en interne de capacités d'ingénierie ML pour assurer le service, la surveillance et l'évaluation de la qualité de manière continue.
• Sont en recherche ou en prototypage, où des licences non commerciales comme les NLLB-200 et les Tower sont acceptées.

Quand un modèle de traduction open source n'est peut-être pas le bon choix

• La production commerciale sur un modèle non commercial — CC-BY-NC 4.0 (NLLB-200, Tower) est un obstacle juridique, pas une technicité à contourner.
• Les équipes sans capacité d’opérations ML — la pile de service, la surveillance qualité et le cycle de rafraîchissement sont des coûts d’ingénierie permanents que le prix commercial par mot inclut déjà.
• Le contenu marketing ou créatif destiné aux clients et nécessitant une qualité de modèle de pointe reste exclusivement hébergé sur un serveur.
• Volume de traduction faible ou à courtes impulsions, où le prix commercial par mot est moins cher que la capacité GPU inactive entre les tâches.

Liste de contrôle d’évaluation : questions à poser avant d’adopter un modèle de traduction open source

La licence autorise-t-elle une utilisation commerciale ?
Les modèles CC-BY-NC 4.0 tels que NLLB-200 et Tower sont limités à une utilisation non commerciale, tandis qu'Apache 2.0 (MADLAD-400, T5) et CC-BY 4.0 (Opus-MT) permettent un déploiement commercial — consultez attentivement le texte de la licence spécifique avant de consacrer du temps à l'ingénierie.

Sur laquelle de vos paires de langages réelles le modèle a-t-il été validé ?
Les comptes de couverture des titres masquent la variance par paire ; faites des scores de qualité sur les paires exactes dans lesquelles votre contenu est distribué, et non sur les plus fortes du modèle.

Comment mesurez-vous la qualité par rapport à ce que vous utilisez aujourd’hui ?
Évaluez la sortie candidate avec COMET ou MetricX par rapport à la sortie de votre moteur actuel sur le même contenu, puis soutenez les scores automatisés avec un échantillon LQA humain avant le coupe.

À qui appartient le cycle de vie du modèle ?
Quelqu’un doit être responsable de la disponibilité de la mise en valeur, des correctifs de sécurité et du re-benchmark trimestriel par rapport aux nouvelles versions — un modèle ouvert sans propriétaire se dégrade silencieusement.

Comment le modèle s’intégrera-t-il à votre flux de travail de traduction ?
La mémoire de traduction, les glossaires et la revue humaine doivent toujours s’appliquer à la sortie du modèle — ce qui signifie généralement l’exposer comme un point de terminaison REST qu’un système de gestion de traduction peut consommer en tant que fournisseur personnalisé.

Comment Smartling prend-il en charge les modèles de traduction open source ?

Smartling prend en charge les modèles open source et personnalisés en tant que fournisseurs de traduction via son service Bring Your Own MT ou LLM : une équipe hébergeant son propre modèle ajoute des identifiants dans le hub IA de Smartling et connecte le modèle via le Common REST API Provider, de sorte que sa sortie s’exécute dans des flux de traduction gérés avec mémoire de traduction, glossaires et contrôles qualité appliqués automatiquement.

Ce classement est important car un moteur open source l'emporte rarement partout. Le hub d'IA de Smartling donne accès à plus de 20 LLM et moteurs de MT, et son système de routage Auto Select envoie chaque chaîne au moteur présentant la meilleure qualité mesurée pour cette paire de langues et ce type de contenu. Ainsi, un modèle ouvert auto-hébergé génère du trafic là où il est performant et génère des revenus là où un moteur commercial obtient un meilleur score, selon les mêmes évaluations MetricX, COMET et BLEU que l'équipe d'IA de Smartling effectue en permanence. Pour les équipes qui souhaitent un moteur sur mesure sans posséder de pile de service, Smartling propose également une formation personnalisée pour le moteur MT, qui nécessite au moins 6 000 unités de traduction de données d’entraînement. De plus, le contenu traduit via l'API MT de Smartling n'est pas stocké sur la plateforme — un contrôle important pour les équipes sensibles aux données qui sont les plus susceptibles d'évaluer les modèles open source en premier lieu.

Document d’aide : Apportez votre propre service MT ou LLM
Document d’aide : Prestataires MT et LLM soutenus

Questions connexes

• Quel est le meilleur système pour choisir le bon LLM pour la traduction ?
• Que sont les grands modèles de langage sur site ?
• Qu’est-ce que la traduction automatique, et comment évaluez-vous cette technologie ?