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

Pourquoi les résultats de Google Traduction sont-ils parfois étranges ou inexacts ?

Google Traduction produit des résultats étranges ou inexacts car il traduit chaque phrase isolément, sans accès à votre glossaire, à votre guide de style, au document environnant ni à un relecteur humain. Son moteur neuronal prédit la phrase cible la plus probable statistiquement, de sorte que les mots ambigus, les expressions idiomatiques, le niveau de formalité et les noms de produits reçoivent le rendu « moyen » plutôt que le rendu correct. Une étude du centre médical de l'UCLA a révélé que cet outil préservait le sens dans 82,5 % des cas en général, mais que ce pourcentage variait de 94 % pour l'espagnol à 55 % pour l'arménien — le même outil est fiable pour une tâche et inutilisable pour une autre.

Dernière mise à jour : 9 septembre 2026

Pourquoi Google Traduction fait-il des traductions erronées ?

Google Traduction se trompe dans les traductions pour des raisons structurelles, pas aléatoires — les erreurs appartiennent aux mêmes catégories que le cadre MQM (Multidimensional Quality Metrics) utilise pour noter toute traduction :

  • L'ambiguïté est résolue par la probabilité, et non par le contexte. Un mot comme « charge », « run » ou « table » a plusieurs significations ; le moteur choisit celle qui est la plus courante dans ses données d'entraînement. Puisqu'il traite une phrase à la fois, il ne peut pas utiliser le paragraphe précédent pour lever l'ambiguïté — c'est pourquoi une page produit concernant la facturation peut aborder le sujet de l'électricité.
  • Les idiomes et le registre traduits littéralement. « Il pleut des chats et des chiens » ou « reach out » deviennent des versions mot à mot que MQM classe comme des erreurs non idiomatiques ou de registre . Le texte marketing en souffre le plus car il s’appuie précisément sur ces appareils.
  • Aucun contrôle terminologique. Google Traduction gratuite ne possède pas de glossaire, donc « Espace de travail », « forfait Premium » ou un nom de médicament peuvent être traduits, translittérés ou laissés tels quels de manière imprévisible — le terme incorrect et l’utilisation incohérente des catégories terminologiques .
  • Formalité devinée par phrase. L’espagnol, l’allemand, le français, le japonais et le coréen encodent grammaticalement la formalité (tú/usted, du/Sie). Google Traduction choisit une forme phrase par phrase, afin qu’un paragraphe puisse alterner entre s’adresser au lecteur de façon formelle et informelle — une critique courante concernant les recherches « horrible en espagnol ».
  • Données d’entraînement faibles pour la paire de langages. La qualité suit le volume de texte parallèle disponible. C’est pourquoi la même étude de l’UCLA a attribué un score de 94 % à l’espagnol et de 55 % à l’arménien, et pourquoi l’expansion de Google à plus de 240 langues en 2024 a permis d’améliorer la couverture plus rapidement que la qualité.
  • Les marges, les points de placement et les chiffres sont déformés. Les balises HTML, {variable} les placeholders dans les chaînes logicielles, les dates et les formats de monnaie sont du texte pour le moteur. Les déplacer ou supprimer crée des erreurs de balisage Markup, de formatage local et de format de numéros qui paraissent du charabia pour l’utilisateur final, même lorsque les mots sont justes.
  • Courant mais incorrect. Depuis que Google est passé de la traduction automatique statistique à la traduction automatique neuronale en 2016, le résultat est beaucoup plus naturel — Google a signalé une réduction des erreurs de 55 à 85 % sur les principales paires de mots — mais la fluidité masque désormais des erreurs de traduction, des omissions et des ajouts qu'un non-locuteur ne peut pas repérer.

Quels sont les problèmes courants liés à l’utilisation répétée de services de traduction automatisée ?

L’utilisation répétée de la traduction automatique — à chaque version, chaque ticket de support, chaque mise à jour produit — aggrave les erreurs au niveau des phrases ci-dessus en problèmes au niveau du programme :

  • Inconstance entre les runs. La même phrase source peut revenir différemment mardi que lundi car les moteurs sont mis à jour silencieusement et les fenêtres contextuelles diffèrent. Sans mémoire de traduction, une chaîne d’interface utilisateur identique aboutit à trois rendus dans votre application, votre centre d’aide et vos e-mails.
  • L’erreur s’accumule lors des allers-retours. Traduire la sortie dans la langue source pour la « vérifier » (rétrotraduction) masque les erreurs : une mauvaise traduction fluide fait un aller-retour dans une phrase anglaise fluide et plausible qui ne correspond plus à l’original. Les expériences virales « traduisez 100 fois » sont une version extrême de cette dérive exacte.
  • Une sortie non révisée pollue votre mémoire de traduction. Si la sortie brute de la machine est enregistrée comme traduction approuvée, chaque correspondance floue future hérite de l’erreur. Reconstruire une MT contaminée coûte bien plus cher que de la revoir avant d’économiser.
  • Pas de trace d’audit. Coller dans un outil gratuit ne laisse aucune trace du moteur, de la version ou de la personne ayant produit une traduction publiée — un problème dès qu’un régulateur, un client ou une équipe juridique le demande.
  • Exposition des données. Les traductions gratuites destinées aux consommateurs ne comportent aucune condition de traitement des données d'entreprise ; leur utilisation répétée sur des contrats, des tickets ou des textes de produits non publiés pose donc un problème de conformité autant que de qualité.
  • Une dérive de qualité que vous ne pouvez pas voir. Sans un cadre de notation tel que le MQM appliqué selon un calendrier, la qualité se dégrade pendant des mois avant qu’une plainte ne soit formulée. Mesurer selon une cadence est ce qui transforme la MT répétée d’un fardeau en un flux de travail géré.

données sur les erreurs et la qualité de la traduction automatique

Métrique Figure Pourquoi c'est important
Signification préservée par Google Translate (étude du UCLA Medical Center, PubMed Central)82,5 % au total ; 94 % espagnols, 55 % arméniensLa précision varie selon la langue ; un chiffre donné peut masquer un écart de 39 points.
Réduction des erreurs grâce au passage de Google à la traduction automatique neuronale en 201655–85 % sur les paires de langues majeuresLa sortie est devenue suffisamment fluide pour que les erreurs restantes soient plus difficiles à repérer sans examen
Langues prises en charge par Google Traduction240+La couverture a augmenté plus rapidement que la qualité par langue ; les langages les plus récents ont les données d’entraînement les plus fines
Poids de gravité par défaut MQM (schéma Smartling LQA)Critique 25, Majeur 5, Mineur 1, Neutre 0Une seule négation omise dans un contrat équivaut à 25 fautes de frappe ; c’est la gravité, et non le nombre, qui détermine le score.
Seuil de réussite MQM au moment par défaut Points de pénalité acceptables (20)Score de qualité brut 98Offre aux équipes une barre de réussite/échec objective au lieu de « ça a l'air bizarre ».
Taux de détection d’agents Smartling LQAPrécision d'environ 90 % pour l'identification du contenu sans erreur ; 99 % des erreurs critiques détectéesL’évaluation MQM automatisée peut couvrir 100 % de la production MT plutôt qu’un échantillon manuel

Comment puis-je améliorer la qualité des traductions automatiques ?

La qualité de la traduction automatique s’améliore lorsque le moteur reçoit un contexte avant de traduire et que sa sortie est notée ensuite — une réponse complète au niveau du programme réside dans la manière dont les entreprises améliorent la qualité de la traduction à grande échelle. La séquence minimale pour corriger les erreurs de type Google Traduction :

  1. Passez de l’outil gratuit à un moteur configurable — utilisez la méthode via une plateforme qui applique un glossaire, une mémoire de traduction et un guide de style au moment de la traduction. L’insertion de termes du glossaire de Smartling, par exemple, force les termes approuvés à entrer dans la production MT plutôt que d’espérer que le moteur les choisisse.
  2. Définissez explicitement la formalité — Amazon Translate et DeepL acceptent un paramètre formel/informel pour les langues prises en charge, et l’ajustement de formalité IA de Smartling applique ce paramètre aux fournisseurs qui ne le font pas, terminant le flip-flop tú/usted dans un paragraphe.
  3. Choisissez le moteur par paire de langues, pas globalement — aucun moteur ne remporte en espagnol, japonais et polonais en même temps ; orientez chaque paire vers sa meilleure performance (Smartling Auto Select fait cela automatiquement) et testez à nouveau lors de la mise à jour des moteurs.
  4. Évaluer la qualité avant qu'un humain ne la voie — une étape d'estimation de la qualité linguistique attribue à chaque chaîne de traduction automatique une étiquette « élevée », « moyenne » ou « faible » en fonction de la correction grammaticale, de la fluidité, de la cohérence sémantique et de la précision lexicale, afin que les réviseurs consacrent du temps aux chaînes de faible qualité et que les chaînes de haute qualité puissent être publiées directement.
  5. Score output selon un planning avec MQM — échantillonnage ou partition complète des traductions sur un schéma MQM afin que la terminologie, la précision, le style et les erreurs de localisation soient comptabilisées et pondérées ; une augmentation des erreurs terminologiques signifie que le glossaire nécessite des améliorations, une augmentation des erreurs de style signifie que le guide de style en a besoin.

Est-il possible de traduire simultanément dans plusieurs langues sans perte de qualité ?

Traduire dans plusieurs langues à la fois (un flux de travail « traducteur de masse ») ne conserve la qualité que lorsque chaque lieu ciblé partage les mêmes ressources linguistiques et les mêmes vérifications. Cela fonctionne pour les équipes qui :

  • Conserver un seul glossaire et une seule mémoire de traduction applicables à toutes les langues cibles, afin qu'un nom de produit soit rendu de la même manière dans 30 langues.
  • Acheminez chaque paire de langages vers le moteur le mieux performant au lieu de forcer un fournisseur sur chaque langue.
  • Effectuez des contrôles de qualité automatisés (conformité des espaces réservés, des étiquettes, du format numérique et du glossaire) sur chaque chaîne de caractères dans chaque langue avant la révision.
  • Utilisez l’estimation de la qualité ou la notation MQM par localité, afin qu’une paire de langues faible (par exemple, l’arménien) obtienne plus de critiques humaines qu’une bonne (espagnole) plutôt qu’un processus général.
  • Conservez une étape de révision pour le contenu destiné aux clients dans les langues à faibles ressources ou s'écrivant de droite à gauche, où la traduction automatique brute est la plus faible.

Quand l’imprécision de Google Traduction n’est-elle pas un problème qui mérite d’être corrigé ?

  • Compréhension globale du texte entrant — compréhension suffisante d'un courriel, d'un avis ou d'un ticket d'assistance en langue étrangère pour pouvoir l'acheminer — où un rendu maladroit ne coûte rien.
  • Des textes internes, éphémères, comme des messages de chat ou des notes de réunion qu’aucun client ne lira bien.
  • Usage personnel et voyageur où la caméra et les modes hors ligne de l’application mobile comptent plus que la précision.
  • Volume très faible sans contenu redondant, où la mise en place de glossaires et de mémoires de traduction engendre des frais généraux sans avantage. Dès que le contenu est destiné au client, réglementé ou récurrent, la donne change.

Liste de contrôle d'évaluation : questions à se poser avant de se fier à la traduction automatique

Existe-t-il de meilleurs outils de traduction que Google Traduction pour des textes complexes ?
Oui — pour un texte complexe, critique pour la marque ou réglementé, les gains proviennent moins du changement de moteur que de l’ajout d’un glossaire, d’une mémoire de traduction, d’un contrôle de formalité et d’une revue autour du moteur le mieux performant par langue ; DeepL, Microsoft Translator, Amazon Translate et les plateformes multi-moteurs correspondent chacune à des cas différents, comparés au guide de Smartling sur les alternatives à Google Traduction.

Quelles sont mes paires de langues faibles ?
Testez votre contenu réel dans chaque paire et direction ; l'écart de 94 % à 55 % de l'étude de l'UCLA signifie que « soutenu » ne vous dit rien sur « précis ». Les détails par langue se trouvent dans la couverture linguistique de Google Translate.

Le moteur voit-il mon glossaire et mon guide de style avant de traduire ?
Si la terminologie n’est vérifiée qu’après coup, chaque lot réintroduit les mêmes erreurs de terme incorrect ; demandez si les termes du glossaire sont insérés au moment de la traduction.

Que se passe-t-il lorsqu'une chaîne de caractères est mal interprétée par le moteur ?
Recherchez une détection des hallucinations avec basculement automatique vers un autre fournisseur et une estimation de la qualité qui achemine les chaînes de faible confiance vers un humain plutôt que vers la production.

Comment savoir si la qualité dérive ?
Exiger un score basé sur le MQM selon un planning, par paire de langage et type de contenu ; une ligne de tendance de tableau de bord est la seule façon de détecter la dégradation avant les clients.

Où va le texte ?
Confirmez les termes de gestion des données avant de coller des contrats, tickets ou copies de produits non publiés dans tout service de traduction.

Comment Smartling prévient-il les erreurs qui donnent une mauvaise image de la traduction automatique ?

Smartling considère Google Translate comme un moteur parmi plus de 20 dans son AI Hub — aux côtés de DeepL, Amazon Translate, Microsoft Translator et des LLM d'OpenAI, d'Anthropic et de Google — et intègre à chaque moteur les contrôles qui font défaut à l'outil gratuit. L'insertion de termes de glossaire applique la terminologie approuvée au moment de la traduction, la mémoire de traduction réutilise les phrases examinées au lieu de les deviner à nouveau, et le niveau de formalité est défini à partir du guide de style (pour Amazon Translate et DeepL) ou par ajustement de formalité par IA pour les autres fournisseurs. Smartling Auto Select achemine chaque paire de langues vers son moteur le plus performant, de sorte qu'un fournisseur spécialisé en espagnol n'est pas contraint de proposer l'arménien.

Après traduction, l’Agent d’Estimation de la Qualité de la Langue étiquette chaque chaîne Haute, Moyenne ou Faible en termes de correction grammaticale, de fluidité, de cohérence sémantique et de précision lexicale, et un Workflow Dynamique peut publier des chaînes Hautes, relire légèrement les Moyennes, et envoyer les Faibles en post-édition. Lorsqu’un LLM est le fournisseur, la détection d’hallucinations — activée par défaut — compare la source et la cible avec un modèle d’intégration Vertex AI et revient à un profil MT alternatif ou ouvre un problème de traduction lorsque le sens a dérivé. L’agent LQA de Smartling évalue ensuite automatiquement les traductions IA, MT, post-éditées ou humaines sur un schéma MQM, avec des taux de détection publiés d’environ 90 % de précision pour identifier le contenu sans erreur et 99 % des erreurs critiques détectées, et met en lumière les tendances par paire de langues, type de contenu et méthode de traduction dans le tableau de bord LQA. L’effet pratique est que la sortie « étrange » cesse d’être une surprise découverte par un client et devient un événement compté, pondéré et acheminé dans le flux de travail.

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