Este trabalho apresenta uma avaliação empírica de Grandes Modelos de Linguagem de pesos abertos aplicados à tradução automática multilíngue em ambiente local, sob restrições de hardware de consumo. O objetivo do estudo é analisar o trade-off entre qualidade de tradução e eficiência computacional, considerando métricas automáticas de avaliação, consumo de memória de vídeo e vazão de geração. Para isso, foram avaliados os modelos Llama-3.1 8B, Gemma-2 9B e Qwen-2.5 7B, executados por meio do motor Ollama em versões quantizadas em 4 bits, utilizando uma GPU NVIDIA RTX 4060 com 8 GB de VRAM. A avaliação foi conduzida com uma amostra determinística de 200 sentenças do dataset FLORES-200, contemplando os pares inglês–português, inglês–espanhol, coreano–português e coreano–espanhol. A qualidade das traduções foi mensurada por meio das métricas SacreBLEU e COMET, enquanto o desempenho computacional foi analisado com base no pico observado de VRAM e na vazão média em tokens por segundo. Os resultados indicaram que o Gemma-2 obteve a melhor qualidade geral, mas com maior consumo de VRAM e menor vazão. O Llama-3.1 apresentou o melhor equilíbrio entre qualidade e eficiência, enquanto o Qwen-2.5 demonstrou desempenho funcional, porém inferior nas métricas de qualidade. Observou-se ainda divergência relevante entre SacreBLEU e COMET nos pares originados do coreano, sugerindo que métricas baseadas em n-gramas podem subestimar traduções semanticamente adequadas, mas lexicalmente distintas da referência. Conclui-se que a execução local de LLMs para tradução automática é tecnicamente viável em hardware de consumo, desde que a escolha do modelo considere simultaneamente qualidade linguística, vazão e limites físicos da infraestrutura.