Что ломается, если переводить PDF напрямую¶

В отчёте на одной странице может стоять подпись к графику, на соседней строке - значение из таблицы, а в извлечённом тексте всё это превращается в перемешанный список. Именно так машинный перевод PDF иногда меняет не только внешний вид, но и смысл документа.

Проблема не в том, что PDF «плохой формат». PDF удобен для просмотра и передачи, но его устройство отличается от устройства редактируемого документа. В DOCX абзацы, ячейки и форматирование представлены как структурированные элементы. В PDF содержимое размещается на странице по координатам, и программе перевода приходится восстанавливать связи между кусками текста.

В результате возникают разные сбои: сервис пропускает текст на скане, извлечение меняет порядок колонок, длинный перевод не помещается в исходный блок, а цифра в подписи к графику оказывается не там, где её ждёт читатель. Для внутреннего черновика часть дефектов может быть просто неудобной. Для договора, инструкции, отчёта или формы ошибка в числе или условии способна полностью изменить прочтение документа.

В этом материале разберём, как именно возникают сбои, какие страницы требуют отдельной проверки и как выстроить рабочий порядок действий. Цель не в том, чтобы отказаться от машинного перевода PDF, а в том, чтобы понимать, что он делает с документом и где человеку нужно вмешаться.

Что машинный перевод PDF делает с документом¶

Машинный перевод PDF - это процесс, в котором сервис извлекает или распознаёт текст, переводит его, а затем формирует результат. На каждом этапе есть риск: исходный текст может быть прочитан неправильно, порядок блоков может потеряться, а новый текст может не поместиться в исходную область.

PDF может содержать текст, который можно выделить мышью, изображение страницы или сочетание обоих типов содержимого. Даже если весь текст выглядит цельным для человека, внутренняя структура может не сообщать программе, где начинается абзац, как связаны подпись и таблица или в каком порядке читать колонки.

В исследовании PDFMathTranslate авторы подчёркивают, что для научных и технических материалов важны не только слова, но и расположение абзацев, уравнений, таблиц и рисунков. Они описывают процесс, в котором система сначала определяет макет, извлекает текст, переводит его и затем размещает перевод обратно на странице. Значение такого подхода в том, что текст без макета может потерять связи, которые несут часть смысла.

Авторы PDFMathTranslate пишут: «Нетекстовые элементы в научных и технических документах нельзя игнорировать - расположение абзацев, математические уравнения, таблицы и рисунки несут важный смысл».

Эта формулировка относится к научным и техническим материалам, но тот же принцип полезен для бизнес-документов. Положение строки в таблице, примечание под графиком или подпись возле поля помогают понять, к чему относится текст. Если переводчик получает отдельные слова без этих связей, языковая точность сама по себе не спасает документ.

Порядок обработки важен не меньше, чем выбор языка. Когда сервис достаёт текст из PDF, он может расположить строки по визуальным координатам. Но визуальный порядок не всегда совпадает с логическим: блок в правой колонке способен оказаться в потоке раньше текста из левой, а подпись - оторваться от элемента, который поясняет. После перевода ошибочный порядок уже выглядит как новый, связный текст, поэтому его сложнее заметить без сверки с оригиналом.

Ещё одна причина изменений - длина перевода. В одном языке короткая фраза может стать длиннее в другом. Если сервис пытается сохранить размеры исходных текстовых блоков, результату может не хватить места. Тогда возникают переносы, уменьшение шрифта, наслоение строк или обрезка. Если сервис восстанавливает макет заново, текст может сохраниться, но расположение элементов изменится.

Представь инструкцию, где предупреждение стоит рядом с конкретным шагом. Извлечённый текст может перенести предупреждение в конец страницы. Машинный перевод способен перевести и предупреждение, и шаг правильно, но пользователь всё равно прочитает инструкцию иначе, если связь между ними пропала.

Главная мысль: качество перевода PDF складывается из трёх вещей - правильно ли прочитан исходный текст, сохранён ли порядок элементов и корректно ли результат размещён на странице. Оценка только грамматики проверяет лишь часть работы.

Почему сканы, колонки и таблицы создают ошибки¶

Сканированный PDF отличается от PDF с текстом тем, что на странице находится изображение. Программа не может просто выделить буквы и передать их переводчику: ей сначала нужно распознать, что именно изображено. OCR (оптическое распознавание символов) превращает изображение текста в редактируемые или доступные для поиска символы, но распознавание не переводит содержание и не подтверждает, что каждый символ прочитан правильно.

Документация Adobe описывает OCR именно как преобразование содержимого изображения в редактируемый или доступный для поиска текст. Следовательно, успешное распознавание - это только переход к следующему этапу, а не проверка перевода. Если распознаватель принял букву за цифру, переводчик получит уже неверный исходник.

На странице со смешанным содержимым одна часть может быть настоящим текстом, а другая - изображением. Например, основной абзац выделяется мышью, но печать, подпись или таблица вставлена как картинка. Google Cloud предупреждает, что сканированное содержимое в PDF, который сочетает текст и сканы, не переводится его API перевода документов. Поэтому недостаточно проверить одну страницу или убедиться, что файл в целом содержит выделяемый текст: нужно смотреть на каждую страницу и отдельные элементы.

Документация Google Cloud, проверенная во время исследования, предупреждает о потере форматирования при переводе сканированных PDF и сложных макетов. Среди примеров названы таблицы, многоязычные по структуре страницы в несколько колонок и графики с подписями или легендами. Это не означает, что каждый такой файл обязательно испортится. Это означает, что сложные элементы нельзя считать проверенными только потому, что в результате есть перевод.

Таблица - особенно наглядный пример. Человек видит строки и столбцы, а программа извлечения может получить последовательность слов без границ ячеек. Значение из соседнего столбца тогда оказывается рядом с неправильной строкой. Если такой поток перевести и поместить обратно без сохранения таблицы, читатель может связать сумму не с тем пунктом.

Колонки создают похожую ловушку. Извлечение может читать строку поперёк двух колонок, хотя человек читает сначала всю левую колонку, затем правую. Полученный перевод может содержать все слова, но переставленные фрагменты нарушат причинно-следственные связи. Проверка на полноту, которая ищет только пропущенные слова, такой сбой не обнаружит.

Печати, подписи, рукописные даты и мелкие примечания требуют особого внимания. OCR может хуже прочитать символы, которые визуально отличаются от печатного текста. Даже если основная часть страницы распознана правильно, отдельная подпись или отметка может остаться без перевода либо превратиться в бессмысленный набор символов.

В документации Google Translate для перевода документов прямо предупреждается, что текст на изображённых или сканированных страницах может остаться непереведённым.

Для читателя это практическое предупреждение: готовый файл может выглядеть переведённым, хотя отдельные слова на изображении остались на исходном языке. Просматривай каждую страницу, а не только начало и конец.

Какие ограничения могут быть у онлайн-перевода PDF?¶

Лимиты зависят от конкретного сервиса и могут меняться. Как пример, справка Google Translate, проверенная во время исследования, указывает для функции перевода документов в браузере PDF размером до 10 МБ и объёмом до 300 страниц. Та же справка предупреждает, что текст на страницах-изображениях может появиться в результате без перевода. Эти параметры относятся к функции Google Translate, а не ко всем системам перевода.

Документация Google Cloud, проверенная во время исследования, указывает другие ограничения для онлайн-перевода PDF: до 20 МБ, до 300 страниц для PDF только с текстом и до 20 страниц для сканированных PDF. Для документов с включённым удалением теней указан лимит до 20 страниц. Параметры могут измениться, поэтому перед загрузкой крупного файла сверяйся с действующей документацией сервиса.

Число страниц и размер файла не говорят о том, насколько хорошо будет сохранён смысл. Небольшой документ с таблицами, сканами и двуязычными подписями может потребовать более внимательной проверки, чем длинный файл с обычными абзацами.

Важен и формат результата. Документация Google Cloud указывает, что выдача PDF в формате DOCX доступна только при пакетном переводе PDF с текстом. Сохранение гиперссылок, размера шрифта и цвета шрифта, по той же документации, относится только к PDF с текстовым содержимым. Если нужная функция доступна лишь для определённого типа файла или режима, проверь это до начала обработки, а не после сдачи перевода.

Почему извлечённый текст идёт не в том порядке¶

У PDF есть важное различие между тем, что человек видит на странице, и тем, как программа считывает последовательность символов. Изображённая страница может выглядеть логичной, а порядок, в котором извлекаются символы, - не совпадать с порядком чтения.

Adobe объясняет, что порядок визуального отображения не обязательно равен порядку чтения. Помеченный PDF (Tagged PDF) содержит логическую структуру, которая показывает, как соотносится порядок содержимого. Если разметки нет, программа может определить структуру лишь частично, и результат бывает хуже. Теги помогают обозначить замысел документа, но не гарантируют идеального извлечения.

В Unicode Standard Annex #9 сказано: «Стандарт Unicode предписывает порядок представления в памяти, известный как логический порядок».

Проще говоря, программа должна отличать порядок хранения символов от того, как их нужно показывать человеку. В обычном тексте эти порядки обычно не мешают друг другу. В многоязычной строке направление письма, числа и латинские слова могут изменить отображение.

Unicode описывает двунаправленный текст, где символы письма справа налево сочетаются с элементами, которые читаются слева направо. В одном предложении могут соседствовать арабский или иврит, цифры и латинское название. Порядок отображения тогда зависит от свойств символов и правил направления. Поэтому визуальная проверка строки и проверка извлечённой последовательности могут дать разные впечатления.

В Unicode Standard Annex #9 объясняется, что текст с письмом справа налево и цифрами, записанными слева направо, является двунаправленным: он сочетает оба направления даже в пределах одной системы письма.

Такой механизм важен для имён, номеров и кодов. Если строка содержит число, латинское название и текст справа налево, не проверяй её только по общей форме абзаца. Сравни каждый элемент с оригиналом и посмотри, сохранился ли его порядок.

Пример: на странице договора есть заголовок вверху, основной текст в двух колонках, а внизу - сноска. Если PDF не размечен тегами, извлечение может начать со строки заголовка, затем перейти к сноске, а после вернуться к первой колонке. Машинный перевод работает с полученной последовательностью, а не с тем порядком, который человек ожидает при чтении.

Сбои появляются и в документах, где текст визуально расположен слоями. Подпись может находиться рядом с полем, но храниться как независимый блок. Название рисунка может быть выше него, а извлечение поставит подпись после следующего абзаца. Если программа не сохранила эти отношения, перевод не сможет надёжно восстановить их по отдельным словам.

Проверь порядок чтения, если результат содержит повторяющиеся предложения, абзацы, которые начинаются с середины мысли, подписи далеко от рисунков или куски соседних колонок в одной строке. Такие признаки не обязательно означают, что перевод плохой. Они указывают, что структура могла нарушиться ещё до перевода.

Для диагностики сравни три представления одного места: исходную страницу, извлечённый текст и результат перевода. Если ошибка уже видна в извлечённом тексте, языковое редактирование исправит симптом, но не восстановит надёжно исходную структуру. Вернись к источнику или создай читаемую версию документа перед переводом.

Как перевести PDF без потери макета¶

Лучший исходный материал для перевода - тот, где структура документа сохранена и доступна для редактирования. Google Cloud рекомендует переводить доступные исходные файлы DOCX или PPTX вместо PDF, а затем конвертировать результат обратно в PDF. Документация также говорит, что макет и стиль DOCX и PPTX обычно сохраняются лучше, чем у PDF.

Рекомендация не означает, что редактируемый файл автоматически идеален. Текстовые поля в поддерживаемых форматах DOC, DOCX, PPT и PPTX могут не переводиться и оставаться на исходном языке, согласно документации Google Cloud. Поэтому даже удобный исходник требует проверки всех элементов: не только основного текста, но и заголовков, надписей, форм, подписей и вставок.

С чего начать проверку PDF?¶

Перед переводом определи, что именно у тебя есть. Открой PDF и попробуй выделить текст на разных страницах. Если основная часть выделяется, но подписи или отдельные блоки нет, файл может содержать сочетание текста и изображений. Если текст не выделяется, вероятно, перед тобой скан, которому сначала потребуется распознавание.

Затем осмотри макет. Отметь таблицы, колонки, графики, сноски, подписи, формулы, печати и блоки с текстом, расположенные поверх изображения. Такой список помогает выбрать места для усиленной проверки. Одновременно поищи исходный DOCX, PPTX или другой редактируемый файл: для сложного документа переход к исходнику может сократить число ошибок, которые появляются при восстановлении структуры из PDF.

Практическая последовательность выглядит так:

1. Проверь выделение текста. Выдели фрагменты на нескольких разных страницах, включая страницу с наиболее сложным макетом. Отдельно проверь текст, который находится внутри изображений.
2. Отметь сложные страницы. Запиши, где есть таблицы, колонки, графики, подписи, сноски и смешанные блоки текста и изображения. Эти страницы нужно внимательно сопоставить с результатом.
3. Найди редактируемый оригинал. Если у тебя есть DOCX или PPTX, используй его для перевода, а не версию PDF. После проверки создай новый PDF из переведённого файла.
4. Сверь текст и структуру. Сравни оригинал и перевод постранично. Проверь, что перевод сохранил порядок чтения, таблицы и связи между подписями и содержимым.
5. Отдельно проверь числа, имена и даты. Сравни значения по месту, а не только по общему впечатлению от текста. Убедись, что число относится к правильной строке или подписи.
6. Осмотри итоговый PDF визуально. Ищи обрезанные строки, сдвинутые блоки, наложения, оставшиеся фрагменты исходного языка и текст, который вышел за границы страницы.

Пример: компания переводит инструкцию, в которой есть текстовые страницы и вставленные сканы подписей к схемам. Проверка только редактируемого текста может показать, что основные абзацы переведены. Но подпись на изображении может остаться на исходном языке, а легенда графика - потерять связь с нужной линией. Постраничное сравнение находит оба дефекта там, где проверка только текста их пропустила бы.

У машинного перевода PDF нет универсальной проверки, которая гарантирует сохранение каждой детали любого макета. Поэтому до начала работы зафиксируй, что важно для конкретного документа: буквальная точность текста, читаемость таблиц, расположение подписей, повторяемость имён или готовность к печати. Проверка станет предметнее, если у неё есть критерии, а не только вопрос «выглядит нормально?».

Если доступен только скан, сначала убедись, что распознанный текст можно проверить и исправить. Не принимай гладкий перевод за доказательство того, что исходник прочитан правильно: ошибка OCR может дать связное, но неверное предложение. Особенно внимательно сверяй значения, даты, номера и собственные имена с изображением.

Где чаще всего пропускают ошибки¶

Частая ошибка проверки - читать перевод как самостоятельный документ. Если текст звучит естественно, читатель склонен не замечать, что фрагмент пропущен или перенесён. Для проверки полноты нужно сопоставлять оригинал и результат по страницам и элементам, а не полагаться на впечатление от целого файла.

Проверяй заголовки, подписи к изображениям, сноски, колонтитулы и мелкий текст. Эти фрагменты могут находиться отдельно от основного потока и не попасть в перевод. Для смешанных PDF уделяй внимание каждой странице, где изображение соседствует с выделяемым текстом: документация Google Cloud прямо указывает на риск, что сканированное содержимое в таком файле останется непереведённым.

Следующий риск - числа и единицы измерения. Номер раздела, сумма, дата или значение в таблице могут сохраниться, но оказаться рядом не с тем предложением. Проверяй не только сами цифры, но и связь каждой цифры с подписью и строкой. Если исходный документ содержит график, сравни легенду и подписи с соответствующими элементами рисунка.

Имена и термины требуют последовательной сверки. Ошибки бывают не только в написании: одно имя может быть передано двумя способами, а термин - переведён по-разному в заголовке и основном тексте. Для делового документа составь короткий список имён, названий организаций и ключевых терминов, а затем проверь каждое вхождение.

Отдельно отмечай текст, который остался на исходном языке. Он может быть частью изображения, текстового поля или объекта, который сервис не обработал. Google Cloud предупреждает, что текст внутри текстовых полей в поддерживаемых DOC, DOCX, PPT и PPTX может оставаться без перевода. Поэтому проверка редактируемого файла тоже должна учитывать контейнеры за пределами обычных абзацев.

Для итогового визуального контроля удобно использовать чек-лист:

Сохрани оригинал, промежуточный файл с распознанным текстом, перевод и финальную версию. Если возникнет спор о пропущенной строке, такая последовательность поможет определить этап, на котором появилась ошибка: распознавание, извлечение, перевод или размещение на странице.

Авторы PDFMathTranslate описывают сохранение макета как задачу, которая требует обнаружить структуру страницы, извлечь текст, перевести его и разместить переведённое содержимое обратно в документ.

Практический вывод из этого описания прост: отдельная проверка языка не заменяет проверку документа. Перевод может быть грамматически правильным, но неполным; полный текст может быть переведён, но плохо размещён; макет может выглядеть аккуратно, но содержать ошибку распознавания. Каждый из этих результатов требует своего способа контроля.

Когда переводить PDF, а когда выбрать другой исходник¶

Перевод PDF подходит, когда PDF - единственная доступная версия и сервис способен корректно обработать нужные страницы. Даже тогда результат зависит от типа содержимого: обычный текст, скан и смешанная страница создают разные задачи. Прежде чем загружать файл, проверь, какие страницы можно выделить и где есть элементы, которые могут не войти в извлечённый текст.

Исходный DOCX или PPTX лучше выбрать, когда он доступен и в нём сохранены абзацы, таблицы и стили. Google Cloud прямо рекомендует переводить доступные DOCX или PPTX, а затем переводить готовый документ в PDF; документация говорит, что их макет и стили обычно сохраняются лучше, чем при прямой работе с PDF. Перед финальным экспортом всё равно проверь текстовые поля и другие элементы, которые могут остаться на исходном языке.

Для сканов важна не только возможность перевода, но и качество изображения. Если страница читается с трудом, есть рукописные дополнения или текст частично закрыт, распознавание становится отдельным источником неопределённости. При сомнительном результате сравни распознанный текст с оригинальным изображением, прежде чем оценивать сам перевод.

Для документов с колонками, формулами, таблицами или плотными графиками сначала реши, что важнее: получить черновой перевод текста или сохранить рабочий макет. Исследование PDFMathTranslate показывает, почему структурные элементы нельзя отделять от смысла документа. Если расположение элементов влияет на интерпретацию, выбирай процесс с проверкой макета, а не просто инструмент, который выдаёт перевод текста.

При двуязычных документах и строках с письмом справа налево проверяй визуальный порядок отдельно от логического. Unicode Standard Annex #9 описывает механизмы отображения смешанного текста справа налево и слева направо. Если документ содержит арабский или иврит вместе с цифрами либо латинскими названиями, сверяй не только перевод, но и чтение имён, чисел и кодов в итоговом файле.

Главный критерий выбора: если PDF нужен только как контейнер для простого текста, прямой перевод может быть удобен. Если в нём много структуры, сканов или текста, для которого порядок и привязка определяют смысл, сначала найди редактируемый оригинал или подготовь страницы к распознаванию и проверке.

Не считай число страниц показателем сложности. Документ с несколькими плотными таблицами может требовать больше внимания, чем файл с множеством обычных абзацев. Оценивай состав страниц, а не только общий объём.

Частые вопросы¶

Почему машинный перевод PDF ломает форматирование?¶

PDF располагает текст по координатам, но не всегда содержит структуру абзацев, ячеек и порядка чтения в том виде, который нужен переводчику. При извлечении сервис может потерять границы таблицы или колонок, а более длинный перевод может не поместиться в исходный блок.

Почему страницы сканированного PDF переводятся неправильно?¶

Сканированная страница содержит изображение, и текст сначала нужно распознать с помощью OCR. Ошибка распознавания может попасть в перевод, а отдельные системы могут оставить текст на изображениях без перевода.

Как проверить, что перевод PDF не пропустил текст и не изменил числа?¶

Сверяй оригинал и перевод постранично, отдельно проверяя заголовки, сноски, подписи, таблицы, числа, даты и имена. Для смешанных страниц смотри не только на основной текст, но и на текст внутри изображений и других отдельных блоков.

Лучше переводить PDF или исходный файл Word?¶

Если доступен исходный DOCX, используй его: Google Cloud рекомендует переводить DOCX или PPTX вместо PDF и затем создавать PDF из переведённого файла. Документация Google Cloud, проверенная во время исследования, указывает, что макет и стиль DOCX и PPTX обычно сохраняются лучше, чем PDF.

Почему текст после извлечения из PDF идёт в неправильном порядке?¶

Визуальный порядок элементов на странице может не совпадать с логическим порядком чтения. По документации Adobe, порядок отображения не обязательно равен порядку чтения, а теги PDF помогают описать логическую структуру, хотя сами по себе не гарантируют идеальное извлечение.

Что компании проверять после машинного перевода PDF?¶

Проверь полноту, числа, даты, имена, термины и порядок текста, затем осмотри таблицы, колонки, графики, текстовые поля и сканированные страницы. Визуальное сравнение должно дополнять проверку языковой точности, потому что корректные слова могут оказаться не на месте или не в том контексте.

Когда лучше не переводить PDF напрямую?¶

Не ограничивайся прямым переводом PDF, если у тебя есть редактируемый исходник или если документ зависит от сложных таблиц, колонок, сканов и подписей к изображениям. Для исходных DOCX и PPTX документация Google Cloud рекомендует перевод с последующим экспортом в PDF; страницы со сканами и сложным макетом проверяй отдельно.