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

Dernière mise à jour : 8 septembre 2026

Comment se comparent les modèles de traduction comme celui de Meta et celui d'Unbabel ?

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 ressources que la plupart des moteurs commerciaux sautent, 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 aussi 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. Ce n'est pas non plus 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 à code source ouvert

Détails de permis 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 considérer 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 est résolue 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 rendement : 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 la sortie candidate avec COMET ou MetricX par rapport à un moteur que vous pourriez simplement acheter, comme DeepL, Google ou un modèle de classe GPT; un modèle ouvert ne rapporte son coût opérationnel que s’il égale ou bat 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 Quels sont les grands modèles de langue sur place ?, et l'intégration consiste généralement à exposer un point de terminaison REST que votre TMS peut appeler en tant que fournisseur personnalisé.
5. Établissez un rythme de remise à jour — réévaluez 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 quelques années.

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

• Fonctionner 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.
• Avoir en interne des capacités d'ingénierie ML pour assurer le service, la surveillance et l'évaluation de la qualité de manière continue.
• Sont de la recherche ou du prototypage, où les 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 selon 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 de la qualité et le cycle de renouvellement 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 hébergé exclusivement sur un serveur.
• Volume de traduction faible ou irrégulier, où la tarification commerciale au mot est moins chère que la capacité du GPU inactive entre les tâches.

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

Comment allez-vous mesurer 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, et soutenez les scores automatisés avec un échantillon LQA humain avant la transition.

À qui appartient le cycle de vie du modèle?
Il faut bien que quelqu'un soit responsable de la disponibilité du service, des correctifs de sécurité et de l'évaluation trimestrielle du rendement par rapport aux nouvelles versions ; un modèle ouvert sans responsable 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 comme fournisseur personnalisé.

Comment Smartling soutient-il 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 d'IA de Smartling et connecte le modèle via le fournisseur d'API REST commun, de sorte que sa sortie s'exécute dans des flux de travail de traduction gérés avec mémoire de traduction, glossaires et contrôles de qualité appliqués automatiquement.

Ce placement est important parce qu’un moteur open source gagne rarement partout. Le centre d’IA de Smartling donne accès à plus de 20 LLM et moteurs MT, et son routage Auto Select envoie chaque chaîne au moteur ayant la meilleure qualité mesurée pour cette paire de langage et ce type de contenu — ainsi, un modèle ouvert auto-hébergé génère du trafic là où il performe et rapporte là où un moteur commercial obtient un score plus élevé, selon les mêmes évaluations MetricX, COMET et BLEU que l’équipe d’IA de Smartling effectue continuellement. Pour les équipes qui souhaitent un moteur sur mesure sans posséder une pile de service, Smartling offre aussi la formation personnalisée du moteur MT, qui nécessite au moins 6 000 unités de traduction de données d’entraînement. Et le contenu traduit via l’API MT de Smartling n’est pas stocké sur la plateforme — un contrôle pertinent pour les équipes sensibles aux données les plus susceptibles d’évaluer des modèles open source en premier lieu.

Document d'aide : Apportez votre propre service de MT ou LLM
Document d'aide : Fournisseurs de MT et LLM pris en charge

Questions connexes

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