# Traduire un site WordPress avec ChatGPT dans le flux WPML : notre méthode concrète > Après plusieurs mois de tests, nous avons intégré ChatGPT à notre flux de traduction WPML pour un client à budget contraint. Voici la méthode exacte adoptée, étape par étape, et ses limites assumées. - Auteur : Clément Hadrot - Publié le : 2023-04-28 - Mis à jour le : 2023-04-28 - Catégorie : Multilingue - URL : https://wpmoderne.dev.wordpress-developpement.fr/multilingue/traduire-wordpress-chatgpt-wpml-methode/ ## L’essentiel - ChatGPT sert de premier jet, jamais de traduction finale sans relecture humaine - L'export XLIFF de WPML permet de traiter un lot de segments en une seule requête structurée - Un prompt avec contexte et glossaire réduit fortement les erreurs de ton Un client associatif, avec un budget de traduction très limité mais un besoin réel de rendre son site accessible en anglais pour ses partenaires internationaux, nous a demandé si les modèles de langage grand public, alors en pleine popularisation depuis le début de l'année, pouvaient remplacer une partie du travail de traduction humaine sur son site WordPress sous WPML. Notre réponse a été prudente mais pas fermée : oui, à condition de garder une relecture humaine systématique et de structurer le flux correctement. Voici la méthode que nous avons mise en place et testée sur ce projet, avec ses étapes concrètes et les limites que nous assumons ouvertement auprès du client. ## Étape 1 : exporter les segments à traduire depuis WPML Plutôt que de copier-coller le contenu article par article dans l'interface de ChatGPT, ce qui aurait été long et source d'erreurs de suivi, nous exportons un lot de contenu depuis **WPML → Traduction des chaînes → Exporter/importer les traductions**, au format XLIFF. Ce fichier structuré contient chaque segment source avec son identifiant, ce qui permet de réinjecter la traduction au bon endroit après coup, sans confusion possible entre segments. ## Étape 2 : préparer un prompt avec contexte et glossaire > L'essentiel à retenir : ChatGPT sert de premier jet, jamais de traduction finale sans relecture humaine ; L'export XLIFF de WPML permet de traiter un lot de segments en une seule requête structurée ; Un prompt avec contexte et glossaire réduit fortement les erreurs de ton La qualité de sortie dépend directement de la précision du prompt fourni. Un prompt générique du type « traduis ce texte en anglais » produit un résultat correct mais générique, sans tenir compte du ton de l'association ni de son vocabulaire propre. Le prompt que nous utilisons sur ce projet ressemble à ceci : ``` Tu traduis du contenu web associatif du français vers l'anglais. Ton : chaleureux mais professionnel, jamais familier. Glossaire à respecter strictement : - "bénévole" -> "volunteer" (jamais "benevolent") - "adhérent" -> "member" - "maraude" -> "outreach round" (terme spécifique à notre activité) Conserve la structure HTML fournie (balises p, h2, ul, li, strong, a). Ne traduis jamais le nom de l'association "Traits d'Union". Voici le texte à traduire : [contenu du segment] ``` Ce prompt, réutilisé pour chaque lot de segments, garantit une cohérence de ton et de vocabulaire nettement supérieure à une traduction segment par segment sans contexte partagé entre les requêtes. ## Étape 3 : réinjecter la traduction dans WPML pour relecture Une fois les traductions générées, nous les recopions dans le fichier XLIFF exporté, à l'emplacement correspondant à chaque identifiant de segment, puis réimportons ce fichier dans WPML via la même interface d'export/import. Chaque segment réimporté apparaît alors dans l'éditeur de traduction avancé (ATE) avec le statut « traduit », prêt pour une relecture humaine avant validation finale. C'est cette étape de relecture, jamais sautée sur ce projet, qui fait toute la différence entre une traduction automatique brute et une traduction assistée exploitable en production. Sur le premier lot de vingt articles, la relecture humaine a corrigé en moyenne trois à quatre points par article : une tournure trop littérale, un terme du glossaire mal respecté par le modèle sur une occurrence isolée, ou une nuance culturelle absente du texte source. ## Ce que cette méthode ne remplace pas - La traduction de contenus juridiquement sensibles (mentions légales, conditions d'adhésion), toujours confiée à un traducteur professionnel qualifié sur ce projet, sans passage par ChatGPT. - La traduction de contenus très courts et à fort impact (titres d'accroche, appels à l'action de la page de don), où une relecture beaucoup plus approfondie, voire une reformulation complète, reste nécessaire. - La validation terminologique initiale : le glossaire fourni au modèle a lui-même été constitué et validé par une bénévole bilingue de l'association avant la première utilisation. ## Gain de temps mesuré et limites assumées Sur un lot de vingt articles de blog, la pré-traduction complète via cette méthode a pris environ quarante-cinq minutes de préparation et de génération, contre plusieurs heures en saisie manuelle pour un rédacteur bilingue non traducteur de formation. Le gain de temps est net, mais il déplace l'effort vers la relecture plutôt que de le supprimer : nous avons toujours besoin d'une personne compétente en anglais pour valider chaque segment avant publication, ce que nous rappelons systématiquement au client pour éviter toute fausse impression d'automatisation totale. > Un modèle de langage bien guidé produit un premier jet solide, jamais une traduction finale. La relecture humaine n'est pas une option résiduelle dans ce flux : elle en est la garantie de qualité. ## Ce que cet article ne traite pas La question plus générale de la confiance à accorder à l'intelligence artificielle dans un contexte professionnel a été traitée séparément côté rubrique IA ; cet article se limite à la méthode opérationnelle concrète adoptée dans notre flux de traduction WPML. ## En résumé Intégrer ChatGPT dans un flux de traduction WPML fonctionne bien comme générateur de premier jet, à condition d'exporter les segments via XLIFF, de fournir un prompt précis avec glossaire et contexte de ton, et de conserver systématiquement une relecture humaine avant réimport et publication. Le gain se mesure en temps de saisie initial, pas en suppression du travail de relecture, qui reste la garantie de qualité de toute la méthode.