Перевод PDF-скана: как распознать и сохранить текст¶

Документ на несколько страниц выглядит четким на экране, но текст нельзя выделить, скопировать или найти поиском. Для команды переводчиков это означает, что файл пока не готов к обычному переводу: в PDF может храниться не текст, а изображение каждой страницы.

Решение начинается не с повторной загрузки файла в переводчик, а с проверки и распознавания текста. OCR (оптическое распознавание символов) анализирует изображение страницы и создает машинно-читаемый текстовый слой. После этого текст можно проверять, искать и переводить. Сам OCR переводом не является.

Дальше важно не спутать три разные задачи: получить текст, перевести его и собрать документ, который можно сверить с оригиналом. Если пропустить проверку распознавания, ошибка в фамилии, сумме или номере может перейти в перевод незаметно. Если не сравнить итог с изображениями страниц, могут потеряться подписи к графикам, элементы таблицы и другие детали верстки.

Что именно нужно сделать, если текст PDF нельзя выделить¶

PDF с изображениями страниц требует цепочки обработки, а не одного действия «перевести файл». Сначала определите, какие страницы содержат только изображение, затем распознайте текст, исправьте важные ошибки, переведите содержимое и сверьте результат с исходником.

Текстовый PDF и PDF-скан внешне могут выглядеть одинаково. Откройте файл и попробуйте выделить предложение мышью или найти в нем слово. Если выделение не работает, а поиск ничего не находит, страницы могут состоять из изображений без полезного текстового слоя. Библиотека Конгресса США отдельно предупреждает, что PDF/A уровня B, созданный из изображений страниц, может выглядеть читаемым, но не поддерживать индексацию или извлечение текста для цитирования (описание PDF/A).

Даже результат поиска сам по себе не доказывает, что все страницы распознаются одинаково. В одном файле может быть обычный текст, сканированные страницы и изображения с отдельными подписями. Проверьте начало, середину и конец документа, а в больших файлах - каждый тип страницы: одинаковый формат PDF не означает одинаковую структуру содержимого.

Как указывает Справка Google Переводчика:

“Вы можете увидеть текст на изображениях и сканированных страницах PDF в документе с результатом, но он не будет переведен.”

Практический вывод простой: файл может успешно загрузиться, а нужный текст при этом останется на исходном языке. Значит, проверять нужно не только сообщение о завершении обработки, но и сами страницы результата.

Удобная схема работы выглядит так:

1. Проверить структуру PDF. Выделите текст на разных страницах и попробуйте найти слово. Отметьте, где перед вами изображение, а где редактируемый текст.
2. Подготовить исходное изображение. Убедитесь, что мелкий текст, таблицы и края страницы видны. Не заменяйте качественный оригинал копией, которая потеряла детали.
3. Запустить OCR. Укажите языки распознавания, если инструмент это позволяет, и выберите нужные страницы. Текстовый слой дает возможность искать и копировать распознанное содержимое.
4. Проверить результат распознавания. Сверьте имена, даты, суммы, нумерацию, заголовки и текст в таблицах с изображением страницы. Исправьте ошибки до перевода.
5. Перевести текст. Выберите способ, который подходит к типу документа и вашим требованиям к проверке и верстке.
6. Сверить перевод с оригиналом. Ищите пропуски, переставленные строки, ошибки в числах и проблемы с расположением текста.

Эта последовательность помогает понять, где возникла ошибка. Если исходный текст в распознанной версии неверен, причина находится на этапе OCR, а не перевода. Если распознанный текст правильный, но в результате пропала подпись, проверять нужно передачу содержимого и восстановление макета.

Для архивных документов важно различать рабочий файл и сохранение оригинала. Национальное управление архивов и документации США объясняет, что OCR создает машиночитаемый текстовый слой после анализа изображения, но не требует OCR для оцифровки записей (таблицы форматов NARA). При передаче постоянных федеральных записей в NARA OCR не должен заменять оригинальное изображение, менять видимое содержимое или ухудшать исходную картинку. Эти условия относятся к соответствующей процедуре передачи в США, а не являются универсальным правилом для каждого перевода.

Для команды, которая обрабатывает документы клиентов, такая оговорка принципиальна: распознанный слой удобен для поиска и перевода, но не должен стирать или подменять исходное изображение, если оригинал нужно сохранить. Держите исходный PDF отдельно от рабочего файла с OCR и переведенной версии.

Почему OCR ошибается и как проверять распознанный текст¶

OCR переводит пиксели в символы, а не смысл в другой язык. Программа анализирует форму букв и их расположение, поэтому размытые знаки, мелкая печать, перекос страницы и смешение колонок могут дать неверный текст даже при визуально читаемом скане.

Распознавание хуже всего там, где важна каждая мелочь. Похожие символы могут подменить друг друга, десятичный разделитель может исчезнуть, а короткая подпись в таблице может попасть не в ту строку. Рукописная дата или пометка дополнительно усложняет задачу: печатный текст и рукописный фрагмент на одной странице не обязательно будут распознаны одинаково.

Проверяйте текст не равномерно, а по риску. Имена, адреса, номера документов, даты, суммы, единицы измерения и ссылки требуют внимательной сверки, потому что даже одна неверная буква или цифра меняет значение. В обычном абзаце опечатка может быть заметна по смыслу; в серийном номере такой подсказки нет.

Некоторые программы выделяют неуверенно распознанные слова, чтобы человек сравнил их с изображением и исправил до принятия результата. Такой контроль полезен, но не заменяет проверку значимых полей: если фамилия распознана уверенно, но неверно, отметка неопределенности может не помочь.

В типичном рабочем процессе переводчик получает PDF, где часть текста распознана без замечаний, а несколько строк требуют внимания. Сначала он сверяет критические поля и таблицы по изображению, фиксирует непонятные места и только затем передает текст на перевод. Такой порядок не позволяет переводу сделать исходную ошибку более гладкой и потому менее заметной.

Размер исходного изображения тоже влияет на читаемость. Для архивной передачи текстовых документов в NARA указаны параметры сканирования, которые зависят от состояния и цвета оригинала: 300-600 ppi для чистого высококонтрастного текста в битовом режиме, 300-400 ppi в градациях серого для плохо читаемого текста и 300-400 ppi в цвете, когда цвет имеет значение (руководство NARA по сканированию). Это спецификации для соответствующей архивной передачи, а не универсальные требования к каждому переводу или минимальное разрешение для всех документов.

Та же архивная инструкция предпочитает несжатые изображения и допускает сжатие без потери данных при оговоренных условиях. Для указанной процедуры NARA не принимает изображения со сжатием с потерями, поскольку при таком сжатии может исчезнуть информация (руководство NARA по сканированию). Для обычной переводческой задачи это не означает, что любой PDF со сжатием непригоден; это означает, что повторное ухудшение изображения может лишить OCR важных деталей.

Перед переводом подготовьте короткий лист контроля:

• список страниц, где текст нельзя выделить;
• перечень критических имен, дат, сумм и номеров;
• страницы с таблицами, мелким шрифтом, печатями или рукописными пометками;
• отмеченные места, где OCR не дал уверенного результата;
• решение о том, что должно остаться изображением, а что можно редактировать.

Такой список особенно помогает, если один документ проходят несколько специалистов. Проверяющий видит не только готовый перевод, но и места, которые требовали ручной сверки. Подробный разбор других типов PDF и OCR есть в статье об возможностях и ограничениях AI-OCR для PDF и сканов.

Бюро или переводческая команда: когда нужен ручной контроль¶

Бюро подходит, когда документ влияет на юридическое, финансовое или медицинское решение и для проверки нужны переводчик, редактор и сохранение оригинала. Человеческий контроль особенно уместен, если скан поврежден, содержит рукописные пометки или требует выяснить, как трактовать неоднозначный фрагмент.

Работа начинается с просмотра исходника. Переводчик оценивает читаемость, структуру страниц и участки, которые не стоит передавать OCR без проверки. При необходимости команда сначала восстанавливает текст по изображению, а затем переводит и редактирует его. Для таблиц и форм важно не только передать слова, но и сохранить связь между строкой, заголовком и значением.

Сильная сторона такого подхода - возможность задать вопрос, если оригинал непонятен. Специалист не обязан превращать нечеткую цифру в уверенно написанную догадку: сомнительный фрагмент можно отметить и согласовать с заказчиком. Минус - передача между исполнителями требует ясного распределения ответственности. Если бюро принимает PDF, уточните, проверяет ли команда распознанный текст по страницам, кто сверяет цифры и в каком формате вы получите результат.

Условия приемки лучше определить до начала работы. Договоритесь, нужно ли вернуть редактируемый Word, сохранить страницы сканами, повторить таблицы, отметить неразборчивые места или подготовить документ для дальнейшей верстки. Фраза «перевести PDF» сама по себе не отвечает на эти вопросы.

Для официальных документов отдельно выясните требования к заверению. Машинный перевод и распознанный текст не заменяют заверенный перевод, когда принимающая организация требует подпись или печать уполномоченного переводчика. В таком случае услуга нотариального перевода решает отдельную задачу: подтверждение перевода по требованиям конкретной процедуры, а не автоматическое улучшение качества OCR.

Типичная проблема возникает, когда скан отправили в работу без проверки качества, а требования к результату сообщили уже после перевода. Переводчик может подготовить точный текст, но не знать, что заказчику нужен документ с версткой, пригодной для печати или дальнейшего редактирования. Согласуйте формат и критерии сверки заранее.

Фрилансер: гибкость при ясном задании¶

Фрилансер может быть удобным вариантом, если объем и требования понятны, а у вас есть человек, который проверит результат внутри команды. Для успешной работы важнее не сам формат занятости, а то, кто отвечает за распознавание, перевод, редактуру и финальную сверку.

Перед передачей файла уточните, включает ли оценка OCR и проверку распознанного текста. Цена за перевод текста может не учитывать подготовку скана, исправление таблиц и восстановление структуры. Если исполнитель оценивает документ только по числу страниц, попросите отдельно описать, что происходит с изображениями, печатями, подписью и неразборчивыми фрагментами.

Для повторяющихся документов подготовьте глоссарий: названия подразделений, должностей, товаров и внутренние термины. Передайте список имен и написание цифр или дат, которые должны остаться в определенном формате. Без такой инструкции два исполнителя могут по-разному транслитерировать одно и то же название, даже если оба правильно поняли исходник.

Риск распределенной работы - потеря контекста между этапами. Один специалист распознает PDF, другой переводит текстовый файл, третий восстанавливает макет, а ни один не видит весь путь от страницы к результату. Общая папка и таблица спорных мест помогают связать эти этапы: у каждой ошибки должно быть понятно, на какой странице она возникла и кто ее подтвердил.

Часть проверки можно организовать параллельно. Пока переводчик обрабатывает основной текст, сотрудник заказчика сверяет имена, номера договоров и суммы с источником. Но правки должны попадать в единый рабочий файл, иначе параллельная проверка создаст две несовпадающие версии.

Фрилансер особенно уместен, когда команде нужен конкретный набор результатов: переводимый текст, таблица спорных мест и файл с восстановленной структурой. Если подрядчику поручают только перевод, а ответственность за точность OCR оставляют неоговоренной, обнаружить источник ошибки после сдачи будет сложнее.

Онлайн-перевод: быстро проверить, но не путать загрузку с распознаванием¶

Онлайн-сервис удобен для предварительного результата, когда документ не требует сложной редакторской работы или команде нужен черновик для последующей проверки. Однако потребительская загрузка PDF и полноценная обработка изображений внутри скана - не всегда одна операция.

По справке Google, доступной 11 апреля 2026 года, функция перевода документов принимает файлы .docx, .pdf, .pptx и .xlsx размером до 10 МБ, а PDF должен содержать не более 300 страниц (ограничения Google Переводчика). Ограничения могут измениться, поэтому перед отправкой файла проверьте актуальную справку. Даже подходящий по размеру документ может оказаться неподходящим по структуре: текст на сканированных страницах может остаться непереведенным.

Справка Google, доступная 11 апреля 2026 года, также указывает, что перевод документов в браузере недоступен на маленьких экранах и мобильных устройствах (описание перевода документов). Для рабочей команды это значит, что на телефоне не всегда получится пройти тот же сценарий, что и на компьютере. Проверьте не только файл, но и доступный способ его обработки.

Google Cloud Translation - отдельный сценарий, а не другое название страницы потребительского переводчика. Документация Cloud Translation, доступная 11 апреля 2026 года, описывает перевод документов PDF и DOCX с сохранением значительной части исходного форматирования (документация Cloud Translation). В том же материале сказано, что перевод сканированного PDF может привести к потере форматирования. Сложные таблицы, многоколоночная верстка и графики с подписями или легендами также могут потерять оформление.

По той же документации, доступной 11 апреля 2026 года, онлайн-перевод PDF в Google Cloud ограничен размером файла до 20 МБ, а для сканированных PDF действует ограничение до 20 страниц (лимиты Google Cloud Translation). Предел до 300 страниц относится к обычным PDF при включенной настройке для нативных PDF, а не к сканированным страницам. Проверяйте, к какому типу относится файл, прежде чем сравнивать ограничения.

Google Cloud описывает поддержку нативных и сканированных PDF, но сообщает, что в смешанном PDF сканированное содержимое не переводится в описанном сценарии (документация Google Cloud). Поэтому файл, где несколько страниц содержат редактируемый текст, а несколько - изображения, стоит проверить отдельно по каждой группе. Нельзя считать весь документ обработанным только потому, что переводчик вернул результат.

В типичном сценарии команда отправляет короткий скан в онлайн-переводчик, получает документ, но видит в нем неизмененные подписи. Это не обязательно означает сбой перевода текста: возможно, сервис не обработал слова, встроенные в изображения. Проверьте исходный PDF на выделяемый текст и сравните каждую страницу с результатом.

Перевод PDF и сканов с AI-OCR: возможности и ограничения помогает различать распознавание, машинный перевод и проверку результата. Если команда работает через CAT-систему, полезно отдельно понять, какие этапы выполняют OmegaT, MateCat и Wordfast в процессе работы со сканированным PDF.

В ChatsControl сценарий для скана выглядит так: вы загружаете PDF или изображение, система распознает страницу, собирает редактируемую копию Word с расположением элементов и переводит документ. Такая возможность решает задачу, когда текст нельзя выделить и команде нужен не только набор переведенных строк, но и структурированный файл. Ограничение важно учитывать заранее: рукописный текст и сильно поврежденные сканы распознаются ненадежно. Для таких материалов нужен ручной контроль по оригиналу. ChatsControl - один из вариантов обработки, а не замена проверки специалистом.

Сравнение методов и рабочий чек-лист для команды¶

Метод выбирают по состоянию исходника, требованиям к проверке и формату результата. Один и тот же сервис может подойти для читаемого скана и не подойти для страницы с рукописной датой или сложной таблицей.

Перед передачей документа поставщику или загрузкой в сервис пройдите этот чек-лист:

• Определите тип файла. Проверьте, можно ли выделить текст и найти слово на разных страницах.
• Разделите страницы по структуре. Отметьте текстовые страницы, сканы и смешанные страницы с изображениями и обычным текстом.
• Проверьте читаемость. Посмотрите на мелкие подписи, края страницы, таблицы и печати. Не улучшайте файл преобразованием, которое размывает оригинал.
• Зафиксируйте требования к результату. Запишите, нужен ли перевод в Word, сохранение таблиц, отдельный список спорных мест или итоговая версия PDF.
• Согласуйте, кто проверяет исходный текст. Назначьте ответственного за имена, даты, суммы, номера, сноски и распознанные таблицы.
• Выберите способ обработки. Учитывайте сложность страницы, требования к проверке и ограничения конкретного сервиса.
• Сверьте перевод с источником. Проверьте все страницы, особенно места, где исходник содержит изображения текста или несколько колонок.
• Сохраните оригинал отдельно. Не заменяйте исходный файл рабочей версией с OCR или переведенным документом.

Такая последовательность делает оценку задачи конкретнее. Вместо «перевести PDF» в задании появляется описание: распознать сканированные страницы, проверить критические поля, перевести, восстановить нужные элементы и выдать согласованный формат. По этому описанию проще сравнить предложения исполнителей и определить, кто отвечает за каждую часть процесса.

Если доступен исходный DOCX или PPTX, не начинайте с экспорта в PDF. Google Cloud рекомендует переводить содержимое в DOCX или PPTX до преобразования в PDF, когда редактируемый оригинал доступен: форматирование и стиль обычно сохраняются лучше в редактируемом документе (рекомендация Google Cloud). Исходный файл содержит структуру, которую PDF может представить только как расположенные на странице элементы.

Подводные камни: где результат расходится с оригиналом¶

Основной риск при переводе PDF-скана - ошибочно считать готовым весь документ после обработки его основной части. OCR и перевод могут дать пригодный текст, но пропустить слова внутри картинки, изменить порядок ячеек или потерять подпись к графику.

Смешанный PDF требует проверки по страницам. Страница с текстовым слоем может перевестись, а страница-скан - остаться без перевода. Google Cloud указывает, что в смешанном PDF сканированное содержимое не переводится в описанном сценарии (официальная документация). Не делайте вывод о полноте перевода по первой удачно обработанной странице.

Успешная загрузка не равна переводу всех слов. Справка Google прямо предупреждает о тексте на изображениях и сканированных страницах, который виден в выходном документе, но не переведен (описание перевода документов). Откройте результат рядом с исходником и сравните страницы, а не только проверьте, создался ли файл.

OCR может превратить неясный фрагмент в уверенную ошибку. Ошибка в распознанной фамилии, сумме или номере документа может выглядеть правдоподобно после машинного перевода. Правило для команды простое: если значение важно для смысла или идентификации, сверяйте его с оригиналом до перевода и не восстанавливайте нечитаемый фрагмент по догадке.

Сложная верстка не обязательно переживет обработку. Документация Google Cloud предупреждает, что перевод сканированных PDF может привести к потере форматирования; проблемы также возможны со сложными таблицами, несколькими колонками и графиками с подписями или легендами (документация Google Cloud). Проверяйте не только расположение блоков, но и связь заголовков с ячейками, строками и подписями.

Качество копии влияет на качество распознавания. Повторное сохранение с потерями может ухудшить изображение и затруднить чтение символов. Для архивных передач NARA приводит отдельные требования к изображениям текстовых документов и не принимает определенные изображения со сжатием с потерями (руководство NARA). Эти требования относятся к архивной передаче, но сам риск потери визуальной информации нужно учитывать и при подготовке рабочего скана.

Рабочий OCR-файл не всегда должен заменять скан. NARA допускает передачу неотредактированного OCR при надлежащем сохранении изображения для указанного процесса передачи постоянных федеральных записей в США (таблицы форматов NARA). Это напоминание о различии между вспомогательным текстовым слоем и изображением-оригиналом, а не правило, которое автоматически применяется к любому заказу.

Перед отправкой результата заказчику проверьте четыре слоя: исходное изображение, распознанный текст, перевод и финальную верстку. Такой контроль помогает точно установить, где появилась ошибка, и избежать ситуации, когда корректно написанный перевод скрывает неверно прочитанный оригинал.

Частые вопросы¶

Как перевести сканированный PDF, если в нем нельзя выделить текст?¶

Сначала распознайте изображения страниц с помощью OCR, затем сверьте распознанный текст с оригиналом, переведите его и проверьте итог. OCR создает машинно-читаемый текстовый слой, но сам не переводит документ.

Может ли Google Переводчик перевести текст на страницах PDF-скана?¶

Одна загрузка не гарантирует перевод текста, который находится внутри изображения. Справка Google предупреждает, что такой текст может быть виден в выходном документе, но останется непереведенным (справка Google Переводчика).

Нужно ли запускать OCR перед переводом PDF без текстового слоя?¶

Да. OCR создает текстовый слой, который можно искать и проверять. После распознавания исправьте важные ошибки и только затем переводите содержимое.

Как проверить, правильно ли OCR распознал сканированный PDF?¶

Сравните с изображением страницы имена, даты, суммы, номера, таблицы, сноски и мелкие подписи. Если неясное слово влияет на смысл, не принимайте его без сверки с оригиналом.

Как сохранить макет переведенного PDF-скана?¶

Если доступен редактируемый DOCX или PPTX, переведите оригинал до экспорта в PDF: Google Cloud рекомендует такой подход, поскольку редактируемые форматы обычно лучше сохраняют стиль и верстку (документация Google Cloud). Если остался только скан, сверьте результат с каждой страницей: при переводе сканированного PDF форматирование может теряться.

Можно ли переводить сканированный PDF через Google Переводчик на телефоне?¶

Справка Google, доступная 11 апреля 2026 года, указывает, что перевод документов в браузере недоступен на маленьких экранах и мобильных устройствах (справка Google Переводчика). Для сканированных страниц также остается риск, что текст внутри изображений не будет переведен.

Что делать, если в одном PDF есть обычный текст и страницы-сканы?¶

Проверьте каждую группу страниц отдельно и сравните все сканы с переводом. Документация Google Cloud указывает, что в смешанных PDF сканированное содержимое не переводится в описанном сценарии (документация Google Cloud).