Ce qu'on y gagne, ce qu'on y perdCe qu'on y gagne, ce qu'on y perd
Ce que vous y gagnez
Trois choses.
- De la cohérence : la même phrase ressort de la même façon d’un projet à l’autre et d’un mois à l’autre.
- De la vitesse sur les textes qui se ressemblent.
- Moins de travail répétitif, ce qui est autre chose que de la vitesse. Retraduire à la main la vingtième occurrence d’un avertissement de sécurité n’apprend rien à personne.
Ce que vous y perdez
Une mémoire demande de l’entretien, et elle ne rend rien tant qu’elle ne contient pas de textes proches du projet en cours. À cela s’ajoute une courbe d’apprentissage : le temps passé à comprendre l’outil est du temps qui n’est pas passé à traduire.
Ce que la mémoire change à ce que vous êtes payé
Un projet ne se compte plus seulement en mots : il se compte en mots par type de correspondance, tant de segments sans correspondance, tant de correspondances partielles par tranche, tant à 100 %. Les agences appliquent une grille dégressive sur ce décompte, et ce que vous facturez dépend donc autant de la mémoire branchée sur le projet que du texte à traduire.
Cette grille se négocie. Une correspondance à 100 % exact matchcorrespondance exacte CAT toolsTAO A translation-memory match in which the stored source segment is identical to the segment being translated, character for character, so the tool can insert the stored translation as it is.Correspondance de mémoire de traduction dans laquelle le segment source stocké est identique, caractère pour caractère, au segment à traduire, de sorte que l'outil peut insérer la traduction stockée telle quelle. demande une relecture, puisque le segment est identique et que son entourage ne l’est pas forcément. Une grille qui la paie zéro fait porter ce temps-là par vous, et c’est l’argument à faire valoir : une proposition qui se vérifie est du travail.
Le coût qu’on voit le moins : la segmentation
L’écran vous présente une phrase à la fois. C’est ce qui rend la réutilisation possible, et c’est aussi ce qui éloigne du texte comme ensemble : le registre, la progression thématique, la reprise d’un antécédent, le rythme d’un paragraphe ne se lisent dans aucun segment isolé.
Le tableau ci-dessous rassemble des segments anglais dont la traduction française n’est pas décidable telle quelle. Chaque fois, ce qui tranche se trouve ailleurs.
| Segment source | Traductions possibles | Ce qui tranche, et où cela se trouve |
|---|---|---|
| The client has signed. | Le client a signé. / La cliente a signé. | Le genre de la personne. Nulle part dans ce segment. |
| The doctor is not convinced. | Le médecin n’est pas convaincu. / La médecin n’est pas convaincue. | Le même problème, avec l’accord de l’attribut en plus. |
| Your order has been processed. | Votre commande a été traitée. / Votre ordre a été exécuté. | Le domaine du document : commerce ou finance. |
| Please confirm before Friday. | Veuillez confirmer avant vendredi. / Confirme avant vendredi. | Le registre, fixé pour le document entier. |
| They arrived late. | Ils sont arrivés en retard. / Elles sont arrivées en retard. | Le référent, souvent plusieurs segments plus haut. |
Une mémoire qui vous propose une de ces traductions à 100 % la propose parce que le segment source est identique, et pour aucune autre raison. Elle ne peut pas savoir que le client de la page 3 est une cliente à la page 40.
This page is only available in French.
Sources
- Bowker, L. (2002). Computer-Aided Translation Technology: A Practical Introduction. University of Ottawa Press. https://doi.org/10.1353/book6554
- Bowker, L., & Fisher, D. (2010). Computer-aided translation. Handbook of Translation Studies (John Benjamins Publishing Company). https://doi.org/10.1075/hts.1.comp2
- Rothwell, A., Moorkens, J., Fernández-Parra, M., Drugan, J., & Austermuehl, F. (2023). Translation Tools and Technologies. Routledge. https://doi.org/10.4324/9781003160793
- Voita, E., Sennrich, R., & Titov, I. (2019). When a good translation is wrong in context: Context-aware machine translation improves on deixis, ellipsis, and lexical cohesion. Proceedings of the 57th Annual Meeting of the ACL, 1198–1212. https://aclanthology.org/P19-1116/
- Maruf, S., Saleh, F., & Haffari, G. (2021). A survey on document-level neural machine translation: Methods and evaluation. ACM Computing Surveys, 54(2), article 45. https://doi.org/10.1145/3441691