La traducción del arte en la era de la inteligencia artificial: Un estudio comparativo

Abstract

La disciplina de la traducción no cesa de evolucionar desde mediados del siglo xx con la aparición de la traducción automática. En la actualidad, nos encontramos ante herramientas valiosas que agilizan la labor vertiginosamente, pero cabe preguntarse los límites que presentan estos sistemas. En concreto, en el campo de las artes y la literatura, las capacidades de las máquinas se cuestionan más debido a elementos intrínsecamente humanos como son la interpretación de la realidad, las metáforas y la expresión creativa, entre otros. Este estudio comparativo propone un sistema de parámetros de evaluación original a través del cual se pretende evaluar cómo cuatro modelos de traducción (Google Translate, Gemini Pro, ChatGPT-5 y DeepL Pro) sortean un texto de índole artística del español al inglés. Mediante un análisis cualitativo analítico, se pretende contrastar los errores y aciertos de cada modelo para evaluar cuál está más capacitado para llevar a cabo este tipo de traducción y ofrecer a quienes traducen un conocimiento más profundo de dichas herramientas desde un punto de vista práctico.The field of translation has been constantly evolving since the mid-20th century with the emergence of Machine Translation (MT). Currently, we are faced with valuable tools that accelerate the translation process at a dizzying pace; however, it is worth questioning the limitations of these systems. Specifically, in the fields of arts and literature, machine capabilities are increasingly scrutinized due to intrinsically human elements such as the interpretation of reality, metaphors, and creative expression, among others. This comparative study brings forward an original error framework through which it aims to evaluate how four translation models (Google Translate, Gemini Pro, ChatGPT-5, and DeepL Pro) navigate an art-related text from Spanish to English. Through an analytical qualitative analysis, the goal is to contrast the errors and successes of each model to assess which is better equipped to handle this type of translation and to provide translators with a deeper, practical understanding of these tools.