Smartling nommé chef de file dans The Forrester Wave™ : services de localisation, 3e trimestre 2026.
Smartling nommé Leader dans The Forrester Wave™
Lire le rapport

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

La traduction par IA casse les balises HTML et les espaces réservés lorsqu’un LLM hallucine — ajoutant du texte dont la chaîne source n’a jamais été contenue — et que ce matériel supplémentaire se retrouve à l’intérieur ou autour d’une balise, d’une variable ou d’une limite de caractères protégée. C’est un risque spécifique à la traduction automatique basée sur LLM, pas à la traduction en général, et il s’aggrave à des réglages de température plus élevés du modèle. Smartling y répond avec une détection automatisée des hallucinations et des vérifications de qualité qui s’exécutent sur chaque chaîne traduite automatiquement, et non par un passage de mise en forme unique.

Dernière révision : 4 septembre 2026

Pourquoi les traductions IA et LLM brisent-elles le formatage plus souvent que la traduction humaine?

  • 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 bouge 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 aussi dépasser la limite de caractères. Un texte additionnel 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 deuxième erreur qui perturbe la mise en page.
  • Les garde-corps sont configurables, pas automatiques. La détection d’hallucinations et les vérifications de cohérence des étiquettes/placeholders doivent être activées pour un flux de travail donné — une connexion brute à un LLM sans couche de contrôle qualité au-dessus comporte par défaut tout le risque.

Quelles règles empêchent les traductions générées par l'IA de briser 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, marquant une traduction comme une hallucination probable lorsque cette similarité diminue trop bas.
  • Contrôles de cohérence des balises et des espaces réservés - Les contrôles de qualité de Smartling comprennent des contrôles dédiés à la cohérence des balises et des espaces réservés qui comparent la chaîne source à la chaîne traduite et signalent toute balise ou variable manquante, ajoutée ou réorganisée avant qu'un traducteur ne l'approuve.
  • Correction automatique par IA pour le contrôle de la 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 de la 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 dans la boucle – Les propres directives de Smartling sur la traduction avec les LLM recommandent de garder un humain dans la boucle 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 automatique par IA de briser la mise en forme en production ?

La plupart des équipes ajoutent des protections de mise en forme spécifiques à l’IA dans le même ordre, peu importe par quel LLM elles font 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 ; résoudre les types d'erreurs répétitives et à volume élevé sans qu'un traducteur réécrive manuellement chaque chaîne signalée.
  5. Acheminez les drapeaux non résolus à la révision humaine avant publication – envoyez les chaînes qui échouent à la détection d’hallucinations ou aux vérifications de qualité répétées à un linguiste plutôt que de les approuver automatiquement, en gardant la vitesse de l’IA pour la majorité des chaînes propres.

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 exclusivement 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.
  • Besoin d’une trace d’audit montrant quelles chaînes ont été signalées pour un risque de mise en forme ou d’hallucination et comment elles ont été résolues, pour la conformité ou la qualité des rapports.
  • 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.
  • Je veux une vitesse de traduction automatique pour du contenu à haut volume, mais j’ai quand 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 par des traducteurs humains professionnels, sans LLM ni moteur de traduction automatique brut dans le flux de travail — la détection des hallucinations est spécifique à la sortie LLM/MT, et non à la révision humaine.
  • Du contenu à très faible volume, en texte brut, sans HTML, sans substituts ou limites de caractères, où il n’y a pas de formatage pour qu’une hallucination se brise.
  • 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 d’évaluation : questions à poser avant de faire confiance à la mise en page traduite par IA

Est-ce que la plateforme effectue la détection d’hallucinations sur la sortie traduite par LLM, ou seulement un 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 points de placement sont-elles configurables pour bloquer l’approbation, pas seulement avertir?
Un avertissement que le traducteur peut ignorer n'empêche pas l'envoi d'une balise brisée ; assurez-vous que le niveau de gravité peut être suffisamment élevé pour que la chaîne soit conservée pour vérification.

Une chaîne de caractères signalée peut-elle être corrigée automatiquement, ou chaque signalement nécessite-t-il une correction manuelle ?
En volume, une plateforme sans option de correction automatisée 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’un réglage de température plus élevé augmente la fréquence des hallucinations, assurez-vous de pouvoir voir et ajustez-la plutôt que de vous fier à un fournisseur par défaut.

Qu'arrive-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, puisqu’un avertissement enregistré mais expédié ne protège pas réellement une chaîne exposée au public.

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

Smartling effectue une détection automatisée des hallucinations sur les traductions automatiques à l'aide d'un modèle d'intégration Google non-LLM (Vertex AI) qui évalue la similarité sémantique entre une chaîne source et sa traduction, signalant les hallucinations probables pour examen plutôt que de les laisser se publier silencieusement. Cette détection fonctionne à la fois pour les intégrations de traduction automatique et pour l'outil de TAO lorsqu'un linguiste utilise un LLM comme moteur de traduction automatique. De plus, les contrôles de qualité de Smartling — y compris les contrôles dédiés à la cohérence des balises et à la cohérence des espaces réservés — comparent directement les chaînes source et cible, et la correction par IA des contrôles de qualité peut générer une correction automatique pour de nombreux types d'erreurs signalées en un 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 d'un projet et corrige automatiquement les erreurs lorsque cela est possible, y compris les violations de conformité au glossaire lorsque cette vérification est activée. La documentation de Smartling sur la traduction avec des modèles de classe GPT est directe quant au risque sous-jacent : un réglage de température plus élevé augmente généralement la fréquence des hallucinations, et une étape supplémentaire peut être nécessaire pour maintenir les balises HTML et les espaces réservés correctement positionnés ; c'est pourquoi ces vérifications s'exécutent en tant que couche structurelle plutôt que de dépendre du comportement par défaut d'un LLM.

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 fournissant des traductions de la plus haute qualité, plus rapidement et à des coûts nettement inférieurs.

Prendre un rendez-vous