TRADUCTION À L'ÉCHELLE

Traduire un site marketing, c'est un projet d'après-midi. Traduire quatre-vingt-onze mille pages, c'est un problème d'ingénierie de pipeline. Deluxe Astrology fonctionne sur trente langues. Ce site propose huit locales en plus de l'anglais. La contrainte n'est pas la qualité de traduction en isolation, c'est la qualité par dollar par heure avec l'intégrité hreflang et un filtre de révision humaine qui ne devient pas un travail à temps plein.

DeepL gagne sur les paires de langues européennes et asiatiques majeures en volume. L'API est prévisible : envoyer des segments JSON, recevoir des segments traduits, facturation par compte de caractères. La latence est assez basse pour exécuter des workers parallèles sur des centaines de pages par heure. Pour les listes de produits, les modèles de répertoires et les chaînes d'interface structurées, DeepL est mon premier passage par défaut.

Où DeepL peine : les idiomes marketing, la compression d'en-têtes SEO, et les langues en dehors de ses paires les plus fortes. Il traduira « best WordPress hosting » littéralement quand la locale attend une forme d'en-tête différente. C'est réparable en post-traitement, mais c'est du travail.

Claude Haiku est le modèle économe pour la passe d'humanisation. Après DeepL (ou directement de l'anglais sur les pages légères), Haiku réécrit des lots de cinquante à cent segments avec un brief de style : garder le sens, localiser l'idiomatique, préserver les entités nommées, ne jamais inventer de faits, rester sous les limites de caractères pour les titres et les metas. Haiku est assez rapide et assez bon marché pour s'exécuter sur chaque ligne avant la publication.

Comparé à GPT-4o-mini sur la même tâche, Haiku a tendance à respecter les contraintes structurelles (ne pas dépasser 60 caractères sur ce titre) de manière plus fiable quand le prompt inclut des exemples concrets. Pour les pages à enjeux élevés, les guides piliers et les pages de service, je continue à vérifier avec un lecteur humain courant ou je monte à Sonnet pour une deuxième passe.

Extraire les segments traduisibles de Supabase (ou l'export du CMS) avec des clés stables. Traduction automatique via l'API DeepL avec glossaire épinglé (noms de marques, noms de produits, phrases légales). Exécuter l'humanisation Haiku avec des briefs spécifiques à la locale stockés dans le repo, pas inlinés dans un méga-prompt unique. Lint : phrases interdites, densité de tirets cadratins, longueur des metas, complétude des paires hreflang. Écrire dans une table de cache des traductions. Construire les pages statiques à partir du cache pour que le runtime ne frappe jamais l'API de traduction.

Le lint SEO au moment du build échoue le déploiement si une page locale manque un hreflang réciproque ou si les descriptions meta dépassent 155 caractères. Les portes de qualité de traduction appartiennent à la CI, pas à une revue de feuille de calcul trois semaines plus tard.

En dessous de à peu près cinq cents URLs et sans stack custom, Weglot ou Lokalise est souvent moins cher que d'ingéniérer un pipeline. Le point de basculement est là où vous exécutez déjà Astro ou Next.js avec une couche de contenu Supabase ou Postgres et vous avez besoin d'un contrôle programmatique sur ce qui se traduit par locale. C'est là que DeepL + Haiku + une table de cache gagne sur le coût et le contrôle SEO.

Connexe : [service SEO multilingue](/multilingual-seo/), [Weglot vs GTranslate vs custom engine](/blog/weglot-vs-gtranslate-vs-custom-engine/), et le [hub de guides SEO](/guides/topic/seo/).