La mémoire de traduction : définition, fonctionnement et enjeux pour la localisation par IA

Si votre équipe traduit des contenus produits, des articles d’assistance, de la documentation, des campagnes ou des chaînes logicielles, vous butez systématiquement sur le même problème :

• les mêmes phrases reviennent sans cesse,
• et pourtant, elles demandent encore du temps de traduction, de révision et de validation, à chaque fois.

C’est précisément ce que la mémoire de traduction permet de résoudre.

Une mémoire de traduction, ou MT, est l’endroit où votre système de traduction stocke les segments déjà validés par votre équipe. Le texte source y est associé à sa traduction finale : la prochaine fois qu’un contenu similaire se présente, vous ne repartez pas de zéro.

Les outils de traduction classiques s'en servaient pour gagner du temps. Avec l'IA, son rôle est plus crucial encore : elle définit pour le modèle vos standards de qualité et les choix attendus. Les bénéfices sont considérables :

• des délais d'exécution raccourcis (plus besoin de retraduire les textes types, les mentions légales ou les éléments d'interface récurrents)
• des coûts réduits, et pas seulement grâce à la réutilisation des segments. Chez Transept, en nous appuyant suffisamment sur la MT, nous avons réussi à obtenir d'un modèle quatre fois moins cher des résultats dignes d'un modèle premium.
• une cohérence stylistique (les choix validés il y a des années sont automatiquement repris pour chaque nouvelle fonctionnalité).

Mais comment mettre en œuvre la mémoire de traduction avec la traduction par IA ?

• Les glossaires et les guides de style sont-ils considérés comme de la MT ? Comment les maintenir à jour ?
• Comment définir ce qui constitue un segment de MT pertinent ?
• De quel niveau de contexte l'IA a-t-elle besoin ? Quelle quantité est insuffisante, et laquelle est excessive ?
• Comment s'assurer que les informations sensibles et protégées par le droit d'auteur d'un client ne fuitent jamais vers d'autres clients ?

C'est précisément ce que nous avons dû déterminer chez Transept. Que devient la notion de mémoire de traduction quand le traducteur n'est plus uniquement humain ? Et comment faire en sorte que le travail humain sur cette mémoire soit valorisant, plutôt que de se limiter à traiter des contenus médiocres ?

C'est cette question qui nous a entraînés dans ce véritable dédale.

Qu'est-ce que la mémoire de traduction dans la traduction par IA ?

Traditionnellement, une mémoire de traduction est une base de données structurée de paires de segments. Chaque paire contient généralement :

• Le segment source (le texte d'origine).
• Le segment cible (la traduction).
• Des métadonnées : l'auteur de la traduction, la date de validation, le contexte environnant.

Lorsqu'un traducteur ouvre un nouveau document, le logiciel de MT analyse le texte, le compare à la base de données et, lorsqu'il trouve une correspondance, suggère la traduction précédente.

C'est la définition classique de la TAO. Dès que l'on travaille avec des LLM et des systèmes de traduction agentiques, d'autres types d'artefacts entrent en jeu :

• Des glossaires générés au fur et à mesure de la traduction pour stabiliser la terminologie utilisée par l'IA.
• Des notes de transfert et des résumés produits lorsque les agents d'IA se transmettent le travail.
• Les traces de réflexion des agents, créées lors de la traduction, de la révision et de la relecture — le pourquoi de chaque décision.
• Le contexte des échanges entre agents et humains : discussions, fils de messages, historiques de recherche, contexte Slack ou Teams.

Figure 2 · Anatomy of a TM record

What a translation memory stores now

Traditional CATAI-era (agentic)

just the pair

SourcePure steel rejects lacquers and paints

Target«Чиста сталь відкидає лаки та фарби»

Metadataapproved by · date · file & context

…and what the agents also kept

Thinking trace

weighing  "rejects lacquers and paints"
  ├ literal    «відкидає лаки та фарби»   keeps the metaphor ✓
  ├ smoother   «не приймає покриття»      clearer, but flattens it
  └ decision   go literal, the bluntness is the point

Glossary

steel → сталь🔒paints → фарби

Handoff note

translator → editor

“Kept the steel metaphor literal. Check it reads naturally in UK.”

Discussion

Maria is «відкидає» too harsh for a product line?

Literess It mirrors the source’s bluntness. I’d keep it.

Switch to AI-era to see what an agentic pipeline adds →

Si ces éléments restent utiles pour les humains, ils sont vitaux pour les IA. Ils permettent au modèle de reconstituer le contexte que les traducteurs humains puisent dans leurs documents, leur cerveau et leurs échanges. Paradoxalement, la traduction par LLM a davantage besoin d'outils de MT et de TAO que l'humain — un traducteur peut parfaitement s'en sortir avec un simple stylo, du papier et un dictionnaire.

Fonctionnement des correspondances en mémoire de traduction

Les logiciels de MT segmentent le contenu en petites unités — généralement une phrase, un titre ou le libellé d'un bouton. Ils recherchent ensuite des correspondances. La méthode de recherche utilisée par la MT est la discipline la plus cruciale de tout ce domaine.

• Correspondances exactes : le nouveau segment est à 100 % identique à une entrée de la base de données. Le logiciel peut alors insérer automatiquement la traduction.
• Correspondances partielles (fuzzy matches) : similaires mais non identiques. Elles sont signalées pour qu'un humain puisse les réviser, les mettre à jour ou s'en inspirer. Elles reposent généralement sur une recherche « sparse » (par mots-clés) : le système analyse chaque mot ou lexème de la phrase, puis évalue les segments de la base selon le nombre de termes communs.
• Correspondances sémantiques : un segment de la base a un sens similaire, même si aucun mot n'est commun. Cette méthode utilise la recherche dense — plongements vectoriels et extraction. C'est l'approche RAG habituelle.

Les MT traditionnelles reposaient sur les correspondances exactes et partielles. Les LLM ont apporté la couche sémantique. Mais la recherche sémantique seule ne suffit toujours pas à garantir de bonnes performances.

En traduction littéraire, les correspondances partielles sont cruciales pour assurer la cohérence des noms propres et de l'univers. Dans le domaine de la santé, une même idée peut être formulée de bien des manières, la recherche sémantique devrait donc aider — sauf qu'elle produit l'effet inverse. Pour un modèle de plongement généraliste, la distance entre ileum et ilium est aussi infime qu'entre le cramoisi et l'écarlate.

(L'ileum est la partie terminale de l'intestin grêle ; l'ilium est la partie supérieure de l'os de la hanche. Des termes sans aucun rapport qui se résument à un vague concept de « santé » dans un espace sémantique généraliste.)

Il vous faut donc des garde-fous. En 2026, l'exigence par défaut pour une mémoire de traduction est la suivante :

• La recherche hybride, où les correspondances exactes, floues et sémantiques sont combinées pour obtenir les résultats les plus pertinents de l'historique de traduction.
• Le réordonnancement, où les candidats sont réévalués par rapport au contexte réel pour en garantir la pertinence.
• Le parcours d'arborescence, où un humain ou un agent peut passer d'une correspondance à ses plus proches voisins pour explorer la base de données.

Comment le reste du marché gère la mémoire de traduction

Tout outil de localisation sérieux peut stocker des traductions passées pour les proposer à nouveau. Les questions essentielles sont les suivantes : que mémorise le système, quand fait-il confiance à cette mémoire et où l'utilise-t-il ensuite ?

Sous cet angle, le marché se divise en trois niveaux : la mémoire comme réutilisation, la mémoire comme gouvernance et la mémoire comme carburant pour l'IA. Transept fait le pari d'un quatrième : la mémoire comme contexte de décision.

Niveau 1 : la mémoire comme outil de réutilisation

Les outils de TAO classiques répondent à la question la plus ancienne des MT : « Avons-nous déjà traduit cela ? »

Ils ne sont pas pour autant rudimentaires : beaucoup gèrent la reconnaissance du contexte, le rappel de fragments, les plug-ins de TA, les serveurs d'équipe et des flux de travail performants dans l'éditeur. Cependant, la mémoire reste principalement une source de suggestions aux côtés de l'éditeur. Elle aide le traducteur à réutiliser son travail passé, mais elle ne mémorise généralement pas les raisons pour lesquelles une version a été préférée à une autre.

• Trados / RWS constitue la référence classique de la TAO : performant pour les correspondances exactes, partielles (fuzzy), la concordance et les correspondances exactes en contexte. L'écosystème Trados au sens large intègre désormais l'IA et les flux de travail Language Weaver. Pourtant, au niveau de la MT, l'idée centrale demeure la réutilisation de segments au sein d'un environnement de TAO.
• memoQ va particulièrement loin dans l'exploitation du contexte au sein des MT classiques. Ses correspondances à 101 % et 102 % visent à déterminer si un même segment apparaît au même endroit — un point crucial pour les chaînes logicielles, les libellés récurrents et les fichiers structurés. C'est une récupération intelligente, mais l'objet mémorisé reste le segment en contexte.
• Wordfast mise sur la portabilité et l'aspect pratique de la MT. Wordfast Anywhere propose aux traducteurs des MT partagées, des glossaires, du contrôle qualité et de la TA, le tout accessible via un navigateur. Sa valeur ajoutée réside dans l'accessibilité et la réutilisation, plutôt que dans une mémorisation approfondie des décisions.
• OmegaT et CafeTran prouvent que la réutilisation avancée n'est pas l'apanage des solutions d'entreprise : ils offrent gratuitement et en open source des fonctions de correspondance partielle, de propagation, de gestion de MT multiples et de glossaires, ainsi que des serveurs de MT collaboratifs pour les utilisateurs chevronnés.

La barre est donc déjà placée haut. Même les outils abordables ou indépendants mémorisent et réutilisent efficacement les traductions. La concurrence commerciale commence véritablement là où la réutilisation s'arrête.

Niveau 2 : la mémoire comme outil de gouvernance

Le groupe suivant pose une question différente : « À quelle mémoire faut-il se fier pour ce client, cette équipe, ce projet ou ce flux de travail ? »

• Phrase TMS traite la mémoire comme une ressource gérée au sein d'une plateforme plus vaste — MT, bases terminologiques, profils de moteurs de TA, Phrase Language AI, évaluation de la qualité, contrôle qualité. La couverture est large, mais la MT elle-même continue de stocker principalement des segments réutilisables.
• Crowdin rend la mémoire utile à l'échelle du projet : création automatique de MT de projet, option pour ne stocker que les traductions approuvées, et distinction entre les correspondances à 100 % simples et les correspondances parfaites (texte et contexte). L'outil pré-remplit les chaînes, mais il mémorise le texte approuvé, pas le raisonnement.
• Smartcat organise la mémoire autour de la relation — clients, départements, espaces de travail, profils de traduction par IA — en associant automatiquement les mémoires et glossaires pertinents, avec une MT accessible en écriture et les autres en lecture seule. Sa force réside dans l'aiguillage et la gestion de la propriété.
• XTM Cloud considère la mémoire comme une ressource exigeant un statut et une protection : les entrées peuvent être approuvées ou non, la TA brute n'est pas enregistrée automatiquement, et les segments avec suivi des modifications restent en suspens jusqu'à leur validation ou leur rejet. Des réglages permettent de décider si des segments non approuvés peuvent être suggérés. Tout l'enjeu réside dans le contrôle de la fiabilité.
• Wordbee distingue les mémoires de traduction pérennes des mémoires de projet temporaires. Une mémoire de projet saisit le travail en cours et peut suggérer des segments au fil de l’eau ; ensuite, les éléments utiles sont consolidés dans une MT de référence. On reste proche du contexte réel du document, mais il s'agit toujours d'un réservoir de segments.
• Bureau Works privilégie le contrôle : des mémoires liées aux départements, des droits de lecture/écriture (les traducteurs de base peuvent les utiliser, mais seuls les responsables linguistiques peuvent les enrichir), et un flux unique de recommandations combinant MT, LLM, TA classique et glossaires. C’est puissant, parfois déroutant, et le jugement final repose toujours sur l’humain qui examine les suggestions.
• MateCat est un éditeur de TAO en ligne relié à MyMemory pour la MT et à ModernMT pour la TA. Des mémoires publiques et privées alimentent les suggestions de TA, et les corrections en direct améliorent les résultats à mesure que le traducteur travaille — on est plus proche d’une « MT alimentant la TA adaptative » que d’une simple MT juxtaposée à la TA. Pour autant, la mémoire se résume toujours à des segments, des correspondances et des corrections.

Niveau 3 : la mémoire comme carburant de l'IA

Le groupe le plus récent s'interroge sur ce qui se passe lorsque l'IA crée, modifie ou apprend à partir d'une traduction. La production automatique peut-elle devenir de la mémoire ? Nécessite-t-elle une révision préalable ? Un score de qualité peut-il remplacer la validation humaine ? La MT peut-elle piloter le moteur lui-même ?

• Lilt traite la MT comme un carburant pour la TA adaptative — les unités de traduction confirmées et les données des bases terminologiques améliorent les suggestions prédictives au fil du temps. Le pari est celui de la prédiction adaptative au sein du moteur, plutôt que d'une mémoire plus vaste incluant commentaires, variantes rejetées et logique de révision.
• Smartling rend l'origine des contenus explicite : les productions de l'IA peuvent être versées dans une mémoire de traduction distincte (Machine-Created Translation Memory), tandis que le travail humain ou validé par un humain reste dans la MT habituelle. Un modèle de confiance solide : le contenu généré par l'IA est réutilisable, mais ne se fait jamais passer en douce pour du contenu validé par un humain.
• Lokalise utilise la révision comme filtre de fiabilité : les traductions issues de l'IA ou de la TA n'intègrent la MT que lorsqu'un réviseur les valide lors d'une tâche de révision, même sans modification du texte. La production de l'IA peut ainsi s'inscrire durablement dans la mémoire, mais seulement après une intervention humaine — ce qui ajoute des frictions et n'est pas idéal pour les petites équipes, où les décisions se prennent sur le vif et devraient être consignées instantanément.
• Transifex utilise le TQI comme seuil d'automatisation. En temps normal, les traductions générées n'intègrent pas la MT sans révision, mais l'IA de Transifex peut évaluer une traduction via son indice de qualité (Translation Quality Index) : si le score dépasse un certain seuil, l'ajout est automatique. Le bémol : il faut se fier à un indice propriétaire.
• Phrase Language AI fait office de couche d'orchestration : elle répartit le travail entre les moteurs et les flux de travail agentiques, évalue la qualité, applique les glossaires, gère les profils de TA et permet d'intégrer ses propres moteurs. La conception du système est robuste, mais la MT y reste une simple composante parmi d'autres, comme la TA, les glossaires, le contrôle qualité et l'aiguillage.

La lacune que nous avons identifiée sur le marché

Dans tous ces domaines, le marché commence à bien maîtriser le stockage de la traduction finale, la distinction entre production humaine et automatique, l'aiguillage vers la mémoire appropriée et la décision de réutiliser les contenus générés par l'IA. Nous avons considéré tout cela comme un acquis.

Ce qui reste rare, c'est la mémoire du travail qui entoure la traduction. Peu d'outils conservent les variantes rejetées, les commentaires, l'historique des révisions, le contexte de recherche, la logique de validation et le cheminement décisionnel expliquant pourquoi une version l'a emporté. La traduction produit naturellement cette mine d'or technique — et presque personne n'a pris la peine de l'exploiter.

Plus rare encore est la réinjection de cet historique dans un LLM performant, pour que la traduction suivante puisse s'appuyer sur le raisonnement, et non plus seulement sur le résultat final.

C'est le pari que nous avons fait chez Transept. Une mémoire de traduction ne doit pas seulement se souvenir de la phrase, aussi importante soit-elle. Elle doit mémoriser le travail qui a rendu cette phrase digne de confiance. La MT doit devenir un contexte décisionnel — partagé par les humains comme par les IA.

Figure 7 · Memory as decision context

Transept remembers the work behind the sentence

The approved segment · EN → FR · idiom

It costs an arm and a leg

«Ça coûte les yeux de la tête»

Everyone stores this

Context fed to the next translationkept 1 / 7

+Rejected alternativesadd

✓«Ça coûte les yeux de la tête»· the French idiom, same idea and register

✗«Ça coûte un bras et une jambe»· a literal calque, reads as a translation

✗«C’est très cher»· accurate, but flattens the colour

+Thinking traceadd

"costs an arm and a leg": an idiom, translate the meaning
  · a literal calque would read as a translation
  · plain "très cher" is accurate but loses the colour
  → use the French idiom for the same idea

+QA findingsadd

✓idiom mapped, not calqued

✓register matches source (casual)

⚠length checked, fits the button

+Version logadd

v1machine«un bras et une jambe»

v2Literess«les yeux de la tête»

v3humanapproved · current ✓

+Discussionadd

Maria Keep the body-part image, or go fully idiomatic?

Literess French has its own: «les yeux de la tête». Same register, lands natively.

+Omnichannel contextadd

🔍web: “arm and a leg french equivalent”📖dictionary: coûter les yeux de la tête💬comment: matches our playful brand voice

Reveal all layers

Right now the next translation sees only the final sentence, the same memory the market keeps. It can copy the style; it can’t replay the logic.

Comment Transept met en œuvre la mémoire de traduction

Chez Transept, nous voulons porter à l'état de l'art la qualité de traduction que l'on peut atteindre avec les LLM.

À l'époque où nous étions des auteurs et traducteurs indépendants sans financement, l'IA était la seule solution accessible. Les LLM ne révèlent leur plein potentiel qu'avec l'apport humain — or cet apport est la ressource la plus précieuse au monde : le temps d'une vie. Plutôt que de traiter la mémoire comme une base de données passive, nous l'avons donc conçue comme un acteur à part entière du flux de travail. Elle se nourrit en permanence et restitue tout autant.

Recherche hybride et filtrage granulaire

La mémoire de traduction de Transept repose sur une recherche hybride combinant recherche floue et vectorielle — pour un résultat rapide et précis. Mais l'extraction n'est que la moitié du chemin ; l'autre enjeu est le contrôle de ce qui est extrait.

Vous pouvez filtrer précisément ce qui alimente la mémoire : puiser dans l'intégralité de la bibliothèque de l'organisation, cibler le portefeuille d'une équipe ou restreindre la recherche à un seul projet. Par défaut, le système n'inclut que les documents approuvés manuellement via les statuts du TMS, mais vous pouvez modifier ce réglage au niveau de l'équipe, du document ou du projet.

Les humains comme les agents d'IA accèdent aux traductions antérieures les plus pertinentes — y compris les variantes rejetées et les discussions ayant mené à la décision finale. Vous ne voyez pas seulement ce qui a été choisi ; vous comprenez pourquoi.

Ancrage graduel à la mémoire de traduction

Pour les flux de travail automatisés par l'IA, nous avons conçu ce que nous appelons l'« ancrage graduel à la mémoire de traduction » afin d'améliorer les performances des LLM :

• Synchronisation du document en temps réel : lors de la traduction, l'IA consulte non seulement les sources de MT approuvées, mais aussi les segments précédents du même document. Cela garantit la cohérence des termes, du style et des choix, même en l'absence de glossaire ou de guide de style strict.
• Révision sécurisée : lorsque l'IA révise ou améliore un texte, les segments du même document ne servent de contexte qu'une fois validés par l'Éditeur IA. Cela empêche le modèle d'halluciner ou de reproduire des erreurs antérieures.
• Synchronisation d'agents en parallèle : lorsque des documents très volumineux sont traduits par plusieurs agents simultanément, leurs mémoires se synchronisent en continu pour propager les décisions à l'ensemble du texte. Ce fut un défi technique de taille, mais cela a permis de réduire le temps de traduction d'un document de 40 000 mots de 8 heures à seulement 50 minutes.

Contexte étendu et maîtrise des flux de travail

Une fois que nous avons trouvé le moyen de pérenniser les bonnes décisions et le talent humain, nous sommes allés plus loin dans l'exploitation du contexte profond et la fluidité des flux de travail :

• Contexte omnicanal : les chats, les commentaires et la recherche documentaire aident les humains comme les IA à retrouver le contexte d'une traduction — recherches web, requêtes dans les dictionnaires, commentaires de l'éditeur et échanges avec les collaborateurs ou Literess.
• Flux de travail ajustables : les flux automatisés de Transept peuvent également améliorer les documents grâce à la MT. Plutôt que d'imposer un comportement par défaut, nous laissons les équipes paramétrer le fonctionnement de la mémoire à chaque étape.
• Variantes de versions : l'historique des versions de traduction permet aux équipes de savoir quel brouillon (parmi de nombreuses propositions humaines ou de l'IA) a été sélectionné — la mémoire peut ainsi reproduire la logique d'une traduction, et pas seulement son style.
• Literess dans la couche de révision : Literess intègre la mémoire directement au processus de révision. Elle s'appuie sur le glossaire, le guide de style, le contexte du document, les segments précédents, les résultats de l'assurance qualité et l'historique des traductions pour commenter le document, expliquer les problèmes, suggérer des corrections et aider le réviseur humain à prendre la décision finale.

Parité des fonctionnalités entre l'humain et l'IA

La parité des fonctionnalités est un pilier de la philosophie de Transept. Comme les méthodes de travail des traducteurs varient considérablement, nous veillons à ce que chaque outil, couche de mémoire et fenêtre de contexte soit accessible de la même manière aux experts humains et aux agents d'IA.

Il en résulte une couche de mémoire qui participe activement au travail. Au lieu qu'un humain vérifie manuellement d'anciens fichiers pour retrouver une traduction, le système transmet ce contexte à l'IA lors de la rédaction, l'utilise pour signaler des erreurs pendant l'assurance qualité et le met en évidence pour le réviseur humain.

L'équipe s'affranchit de la gestion répétitive de la cohérence pour se concentrer à nouveau sur ce qui sonne juste. L'IA veille à ce que rien ne soit oublié, et Transept consigne chaque décision créative ou juridique au fil de l'eau.