Сканированный PDF в OmegaT, MateCat и Wordfast: что умеет каждый

Клиент присылает скан советского свидетельства о рождении в PDF, сдать нужно в пятницу, а работаете вы в бесплатном или недорогом CAT-инструменте. Бросаете файл в OmegaT и видите ноль сегментов, MateCat предупреждает, что OCR для кириллицы экспериментальный, а конвертер Wordfast Pro просто не находит, что конвертировать. Если нужно перевести сканированный PDF в OmegaT, MateCat или Wordfast, ответ у каждого свой, и сканы читают только два продукта из пяти.

Дальше: одна таблица с ответами, шаги для каждого инструмента, маршрут через Word, который работает со всеми, чек-лист перед импортом и задокументированные грабли. Общие обзоры этих тулов есть в гиде по OmegaT для новичков и сравнении бесплатных облачных CAT; здесь только про сканы.

Что OmegaT, MateCat и Wordfast делают со сканированным PDF¶

Сканированный PDF - это фотография страницы, упакованная в PDF. Чтобы CAT-инструмент разбил ее на сегменты, кто-то должен запустить OCR (оптическое распознавание символов, шаг, который превращает буквы на картинке в текст). Кто это делает по состоянию на октябрь 2026:

Источники для каждой строки даны в разделах про инструменты ниже. Из таблицы два вывода: OmegaT и Wordfast Pro требуют OCR где-то еще, а оба продукта, которые читают сканы (MateCat и Wordfast Anywhere), работают онлайн. Если NDA клиента запрещает облачную обработку, это решающий момент.

Сначала проверьте, действительно ли ваш PDF скан: выделите строку и вставьте ее в текстовый редактор. Если ничего не вставилось или вся страница выделяется одним блоком, текстового слоя нет. Подробная версия теста, в том числе для смешанных файлов, есть в статье почему Trados и memoQ не импортируют сканированный PDF; логика та же.

Почему скан ломается в CAT-инструменте¶

CAT-инструмент работает с текстом: делит предложения на сегменты, ищет совпадения в памяти переводов и записывает перевод обратно в ту же структуру. Скан дает ему только пиксели. Сначала OCR должен прочитать страницу, а потом отдельная задача должна восстановить верстку (абзацы, таблицы, колонки) в формате, понятном CAT. Большая часть проблем как раз во второй задаче.

На OmegaT механизм виден лучше всего, потому что код открыт. Согласно исходному коду PDF-фильтра OmegaT, фильтр библиотекой Apache PDFBox снимает существующий текстовый слой, отсортированный по положению на странице, склеивает строки в абзацы до первой пустой строки и пишет результат в .txt. В скане текстового слоя нет, так что снимать нечего.

Раздел How to в руководстве OmegaT выносит PDF в отдельную категорию:

Some formats, like PDF, cannot be properly handled through “round trip” conversions. They require an intermediate conversion to a supported format that serves as a base to manually create a proper target language document.

Проще говоря, PDF нельзя перевести “туда и обратно” одним движением: сначала его конвертируют в поддерживаемый формат, а итоговый документ потом собирают вручную. Тот же абзац предупреждает, что конвертация “will always require extensive manual adjustments”, то есть всегда требует серьезной ручной доводки.

Сканы добавляют свои проблемы. Печати наезжают на текст, подписи пересекают строки, рукописные даты читаются плохо, а QR-код для распознавателя просто черный квадрат. Таблицы теряют порядок чтения, когда OCR идет строкой через две колонки (подробнее в статье почему CAT-инструменты ломают таблицы и колонки в PDF).

Восстановление скана в Word мы знаем изнутри, потому что строили его сами. В ChatsControl визуальная модель смотрит на каждую страницу и воссоздает ее как Word-копию, а вторая проверка сравнивает копию со страницей строка за строкой еще до перевода. Каждый скан получает оценку качества (good, fair или poor), потому что рукопись и сильно изношенные сканы до сих пор читаются ненадежно.

OmegaT: OCR нет, поэтому скан сначала становится Word-файлом¶

OmegaT 6.1 (6.1.0 вышла 2 августа 2026 года, по журналу изменений OmegaT) не умеет OCR и не работает с изображениями. PDF-фильтр появился в OmegaT 3.0.1 13 мая 2013 года и до сих пор извлекает только тот текст, который уже есть в файле. Своего маршрута для скана у OmegaT нет, так что вы даете ему файл, с которым он справляется хорошо.

1. Проверьте PDF. Если текст выделяется и вставляется, PDF-фильтр его извлечет. Если нет, переходите к шагу 3.
2. Для текстового PDF решите, подходит ли .txt. Положите PDF в папку source проекта, переведите и запустите Project > Create Translated Files (Ctrl+D). Результат появится как name.txt без всякого форматирования: для понимания смысла сойдет, для свидетельства нет.
3. Скан распознайте в DOCX вне OmegaT и сверьте Word-файл со сканом.
4. Почистите DOCX (список ниже).
5. Положите DOCX в папку source. OmegaT обрабатывает DOCX своим фильтром для Office и сохраняет форматирование как теги, так что переведенный Word-файл получит верстку вашего почищенного исходника.
6. Если тегов слишком много, включите Hide tags в Project > Properties (Ctrl+E).

Опция Hide tags сделана как раз для такого случая. Раздел Project Properties в руководстве OmegaT пишет о ней так:

This is especially useful when dealing with texts where inline formatting is not particularly useful (e.g., OCRed PDF, or poorly converted .odt or .docx files.)

То есть опция полезна там, где внутреннее форматирование ничего не дает: распознанный PDF или плохо сконвертированные .odt и .docx. Цена тоже описана: скрытые теги складываются в конец сегмента, и жирный, курсив и прочее форматирование придется расставлять вручную в переведенном файле. Для файлов Word 2007 и новее та же страница советует скрипт Tagwipe, если нужно просто уменьшить число тегов.

Еще одно предупреждение именно для OmegaT: финальный DOCX нужно зафиксировать до начала перевода. Руководство предупреждает, что изменение файлов в папке source посреди проекта может убрать часть сегментов или добавить новые. Нашли ошибку OCR на третьей странице уже в процессе? Исправьте ее в переводе, а исходник обновите после сдачи.

MateCat: OCR при загрузке, на выходе DOCX¶

MateCat распознает скан прямо при загрузке, без отдельного шага конвертации, и ничего за это не берет. Как пишет сайт MateCat:

It’s free for translation companies, translators and enterprise users.

Бесплатно для агентств, переводчиков и корпоративных пользователей. Справка MateCat о форматах называет “Scanned files (PDF and images)” среди 80 форматов и заявляет больше 200 языков (по состоянию на октябрь 2026). PDF “will be downloaded as docx in order to be still editable”, то есть возвращается как DOCX, а для PDF, сделанных в программах верстки, справка советует загружать исходный файл. Согласно открытому коду MateCat, принимаются изображения bmp, png, gif, jpeg, jpg, jfif и tiff; развернутый сервис может работать с другими настройками.

Шаги:

1. Загрузите скан (PDF или изображение) на главной странице MateCat и выберите языковую пару.
2. Прочитайте сообщение после загрузки. Для нелатинских алфавитов код показывает предупреждение (цитата ниже) с советом скачать превью и проверить конвертацию. Сделайте это до первого сегмента.
3. Переводите в редакторе как всегда, с TM и MT.
4. Скачайте результат. Когда проект дойдет до 100%, кнопка Draft в меню Download сменится на Download translation.
5. Сверьте DOCX со сканом. По коду, к полному имени файла дописывается .docx (scan.pdf становится scan.pdf.docx).

Справка MateCat о скачивании перевода объясняет, почему пятый шаг обязателен:

There is an exception with source files in PDF or JPG. In this case, once translated, it will be downloaded a Word DOCX target file.

Для исходников PDF и JPG вы получаете не PDF, а Word DOCX. Следующее предложение добавляет, что для PDF и сканов “the output could have a similar but not identical layout and some manual editing could be required”: верстка похожа, но не идентична, и ручная доводка может понадобиться. MateCat дает Word-файл, который нужно доводить, а не готовое свидетельство. Та же справка говорит, что скачивание Draft подставляет машинный перевод вместо неотредактированных частей, так что черновик клиенту не отправляйте.

Для украинского, русского, казахского или любого другого нелатинского языка главное предупреждение сидит в коде MateCat по состоянию на 13 октября 2026 года:

File uploaded successfully. Before translating, download the preview to check the conversion. OCR support for non-latin scripts is experimental.

Файл загружен, но перед переводом скачайте превью и проверьте конвертацию, потому что OCR для нелатинских алфавитов экспериментальный. Для скана русскоязычного документа это прямое указание проверить каждую страницу. В коде также есть ошибка о том, что OCR для языков с письмом справа налево не поддерживается, хотя языковые данные помечают арабский и иврит как языки с OCR. Как развернутый сервис ведет себя с арабским сканом сегодня, неясно, так что протестируйте одну страницу до того, как называть цену.

Wordfast Pro, Anywhere и Classic: три продукта, три ответа¶

У Wordfast три инструмента для перевода: Pro читает только текстовые PDF, Anywhere конвертирует сканы, Classic полагается на Word.

Wordfast Pro: OCR нет, сначала конвертация¶

Справка Wordfast Pro 11 называет “Portable Document Format (*.pdf)” поддерживаемым форматом и пишет, что Live Preview работает с DOCX, сконвертированными из PDF, то есть Pro внутри превращает PDF в DOCX. Про OCR, сканированные PDF или форматы изображений справка не упоминает вообще.

Страница вики Wordfast о переводе PDF в Wordfast Pro (последняя правка 14 апреля 2021 года) говорит прямо: встроенный конвертер обрабатывает только “живые” PDF с выделяемым текстом и старается сохранить верстку, форматирование и шрифты. “Мертвые” PDF (сканы и фото) вики советует сначала сконвертировать в Wordfast Anywhere. Значит, в Pro вы конвертируете скан в Word через Anywhere или OCR-программу, проверяете и чистите файл, переводите DOCX и экспортируете DOCX.

Wordfast Anywhere: скан на входе, Word на выходе, проверка за вами¶

Wordfast Anywhere (WFA) - онлайн-версия Wordfast и тот самый продукт, куда Wordfast отправляет со сканами. Справка Wordfast Anywhere (FAQ 4.2.9) описывает процесс так:

1. Загрузите PDF как любой другой файл. В списке форматов есть “pdf” и “tif tiff”, но нет JPG и PNG, так что фото с телефона сначала сохраните в PDF.
2. Следуйте инструкции в окне предупреждения и скачайте Word-версию кнопкой внизу этого окна.
3. Сверьте Word-документ со сканом.
4. Загрузите Word-версию обратно и переводите.
5. Заберите перевод; справка пишет, что его можно скачать и в PDF.

Справка предупреждает, что конвертация “may take some time (up to 10 minutes)”, то есть может длиться до 10 минут в зависимости от размера и содержимого PDF. PDF с паролем или ограничениями доступа не конвертируются вовсе, а максимальный размер одной загрузки 200 МБ, zip принимается (по состоянию на октябрь 2026, по той же справке).

По странице Wordfast Anywhere, WFA был бесплатным с 2010 по 2022 год и стал платным 1 января 2023: $9,90 в месяц, пробный месяц за $1 и бесплатно, пока у вас действует лицензия Wordfast Classic или Pro. Без оплаты аккаунт, по справке WFA, переходит в режим Limited: 15 000 переведенных или отредактированных слов в месяц, а “powerful document conversions” по-прежнему в списке доступного. Исчерпали лимит - до конца месяца аккаунт переходит в режим Basic, где загрузки заблокированы.

Справка не называет OCR-движок, языки распознавания или лимиты страниц, так что протестируйте одну страницу в своей языковой паре, прежде чем называть цену.

Wordfast Classic: что даст Word, то и переведете¶

Wordfast Classic - надстройка для Word, поэтому переводит только то, что открывает Word. Руководство WFC 9 пишет, что “starting in 2019” Word открывает PDF как редактируемые документы (это формулировка руководства, сама функция старше). Для “мертвых” PDF руководство советует держать подписку на Wordfast Anywhere ради его конвертера сканов.

Функция PDF/Web Text Rebuild (Tools > Misc в главном окне настроек WFC) пытается склеить абзацы, которые конвертация порвала жестким переносом в конце каждой строки. Она же выравнивает странные размеры шрифтов и сливает узкие колонки, а руководство напоминает “always process a copy of a document!”, то есть работать только с копией. Про PDF как исходник то же руководство пишет откровенно:

Note that no tool will let you translate a PDF “from within”, and deliver a visually correct translated PDF at the push of a button. PDFs must be converted to another format, and even that process is hazardous.

Ни один инструмент не переведет PDF “изнутри” и не выдаст визуально правильный PDF одной кнопкой, а даже конвертация рискованна. Воспринимайте это и как подсказку для цены: оговорка в руководстве относит “PDF conversions, OCRed material” к документам, которые требуют экспертной работы. Если скан должен вернуться в виде оригинала, верстка входит в работу и в смету (см. как оценить скан, когда счетчик слов показывает ноль).

Маршрут, который работает во всех трех: сначала проверенный Word-файл¶

Какой бы у вас ни был инструмент, самый управляемый маршрут одинаковый: получить из скана чистый проверенный DOCX и импортировать его как любой клиентский Word-файл. OmegaT, MateCat и все три продукта Wordfast работают с DOCX как с основным форматом.

Через OCR-программу¶

Word, Adobe Acrobat, ABBYY FineReader и Google Docs превращают скан в редактируемый текст, а с таблицами и формами справляются по-разному; сравнение есть в статье сканированный PDF в Word перед переводом. Поверх любой из них:

1. Сначала исправьте изображение: выровняйте, поверните, если получится, пересканируйте (см. что исправить в первую очередь в плохом скане).
2. Задайте язык OCR по реальным языкам документа (для двуязычного бланка оба).
3. Экспортируйте в DOCX, а не RTF или TXT, чтобы таблицы остались таблицами.
4. Сверьте DOCX со сканом: имена, даты, номера документов, суммы.
5. Почистите файл (список ниже), импортируйте и просмотрите сегменты и теги до перевода.

Чистка перед импортом, для любого OCR:

• Переносы внутри предложений. Жесткий перенос после каждой напечатанной строки делает каждый кусок отдельным сегментом. Склейте их (Text Rebuild в Wordfast Classic или аккуратная замена знаков абзаца в Word).
• Текстовые поля и рамки. Плавающие поля меняют порядок сегментов по сравнению со страницей, а поле, которое фильтр пропустит, останется непереведенным. Превратите их в простые абзацы или ячейки таблицы.
• Порядок чтения. Страница в две колонки должна читаться по колонкам, а не строкой наискосок.
• Шум шрифтов и интервалов. OCR-вывод содержит много мелких смен шрифта, размера и интервала, и каждая может стать тегом. Уберите прямое форматирование с основного текста или включите Hide tags в OmegaT.
• Печати и подписи. Решите, как передать их в переводе, например примечанием в квадратных скобках (см. перевод печатей и штампов).

Через сервис “скан в Word”¶

Один из вариантов - ChatsControl: вы загружаете скан или фото (PDF, PNG, JPG, TIFF, WebP), сервис читает страницу и возвращает редактируемую Word-копию, которая повторяет верстку страницы. Текст набран так, как напечатан, таблицы становятся настоящими таблицами, печати, штампы, подписи и фото вырезаны со страницы и стоят на своих местах, а QR-коды перерисованы начисто. Потом вы импортируете этот .docx в OmegaT, MateCat или Wordfast как любой клиентский Word-файл (или переводите прямо в том же сервисе).

1. Загрузите скан или фото и дождитесь завершения задачи.
2. На странице задачи скачайте Word-копию оригинала кнопкой «Оригинал» (рядом с переведенным Word-файлом и самим сканом).
3. Сверьте эту копию со сканом: имена, цифры, даты и оценку качества.
4. Импортируйте .docx на языке оригинала в свой CAT и переводите со своей TM и глоссарием.

Результат - стандартный документ Word; OmegaT, MateCat и Wordfast импортируют его так же, как любой клиентский .docx. После импорта просмотрите теги, как с любым конвертированным файлом. Посмотреть, какие Word-копии получаются, можно на странице реальные сканы рядом с Word-файлами, которые вернул сервис.

Цены по состоянию на октябрь 2026, по приложению ChatsControl: бесплатно 6 000 символов в месяц, дальше оплата по факту, $1,50 за 1 000 символов ($2,70 за страницу из 1 800 символов). Сканы оплачиваются по распознанным символам, но не меньше 1 000 символов за страницу. Каждая задача также дает перевод и оплачивается так же, отдельной цены только за OCR нет. Загруженные файлы по умолчанию удаляются автоматически через 30 дней.

Ограничения:

• ChatsControl не CAT-инструмент и не TMS: нет памяти переводов и управления проектом на уровне сегментов.
• Сервис работает только в облаке, без локальной или офлайн-версии.
• Рукопись и сильно изношенные сканы читаются ненадежно, и оценка качества это показывает (см. рукописные документы и OCR).
• Печати, штампы и подписи остаются картинками на своих местах. Если учреждение хочет видеть текст печати в переводе, вы сами добавляете примечание вроде [Печать: …]; текст внутри картинки не переводится.

Сравнение маршрутов и чек-лист перед импортом¶

Ни один маршрут не отменяет сверку со сканом.

Чек-лист перед импортом (скопируйте в заметки к проекту):

Что идет не так со сканами в этих инструментах¶

OmegaT возвращает для PDF простой текст. Люди ждут переведенный PDF, а находят name.txt в папке target. По коду PdfFilter, так задумано. PDF-фильтр годится, чтобы прочитать содержание, но не для работы с версткой.

PDF с паролем. В журнале изменений OmegaT для версии 4.1.0 (январь 2017) есть исправление “Password-protected PDF prevents project from loading”: теперь проект открывается, но фильтр все равно выдает ошибку на таком файле. Wordfast Anywhere защищенные PDF тоже не конвертирует. Попросите у клиента разблокированный файл заранее.

Разорванные абзацы из-за жестких переносов. Знак абзаца после каждой напечатанной строки превращает строку в сегмент, так что совпадений с TM меньше, а перевод читается обрывками. В руководстве Wordfast Classic под это есть отдельный инструмент и еще отдельный макрос.

Имя файла и черновик в MateCat. Результат приходит как scan.pdf.docx, так что переименуйте его перед сдачей. Скачивание Draft заполняет недоделанные сегменты машинным переводом, по справке MateCat.

Нелатинские сканы в MateCat. OCR для нелатинских алфавитов помечен как экспериментальный. Для советского свидетельства или диплома проверьте превью, прежде чем соглашаться на дедлайн.

OCR-программы и свидетельства. Свидетельства были слабым местом OCR задолго до AI. В треде на ProZ 2010 года про PDF и JPG в OmegaT Susan Welsh так описала свои результаты с ABBYY:

For a certificate, or anything with lots of graphics and tables and text boxes, I have not found it satisfactory.

Для свидетельств и всего, где много графики, таблиц и текстовых полей, результат ее не устраивал. С сентября 2010 года OCR стал лучше, но свидетельства по-прежнему смешивают на одной странице печати, таблицы, мелкий шрифт и рукопись. Другой участник того же треда получал хорошие результаты, когда не доверял автоматическому распознаванию макета и вручную размечал зоны текста и графики, примерно минуту на страницу.

Сдача результата. Ни один из этих инструментов не возвращает верстку скана в PDF. OmegaT дает .txt (или DOCX, если исходник был DOCX), MateCat и Wordfast дают Word-файлы, а справка Wordfast Anywhere обещает скачивание PDF, но не пишет, насколько он похож на скан. Если клиент хочет PDF, сохраните проверенный Word-файл в PDF и заложите время на верстку. После перевода бесплатная проверка качества перевода сравнит файл с оригиналом по цифрам и смыслу и поймает цифры, которые OCR прочитал неверно еще на старте.

Агентствам, которые решают, хватит ли этих тулов для работы со сканами, поможет сравнение memoQ, Smartcat и Wordfast для небольшого агентства, а ту же проблему в платном десктопном инструменте разбирает гид по сканированным PDF в memoQ.

Частые вопросы¶

Может ли OmegaT перевести сканированный PDF?¶

Напрямую нет. В OmegaT нет OCR, а PDF-фильтр читает только существующий текстовый слой и записывает результат в .txt. Сначала распознайте скан в Word-файл, проверьте его и положите DOCX в папку source проекта.

Распознает ли MateCat сканированные PDF и изображения?¶

Да. Справка MateCat относит сканированные PDF и изображения к поддерживаемым форматам, а исходник PDF или JPG скачивается обратно как Word DOCX. Открытый код MateCat называет OCR для нелатинских алфавитов экспериментальным, поэтому для кириллицы сначала скачайте превью и проверьте его.

Как перевести сканированный PDF в Wordfast Pro?¶

Сначала сконвертируйте его вне Wordfast Pro. Конвертер Pro работает только с PDF, где текст выделяется, а вики Wordfast отправляет сканы в Wordfast Anywhere. Скачайте там Word-версию, проверьте ее и откройте этот DOCX в Wordfast Pro.

Бесплатен ли Wordfast Anywhere для конвертации сканов?¶

С 1 января 2023 года нет. Он стоит $9,90 в месяц, первый месяц за $1, и бесплатен, пока у вас действует лицензия Wordfast Classic или Pro (по состоянию на октябрь 2026). В режиме Limited конвертация документов остается, но есть лимит 15 000 слов в месяц.

Не превратятся ли теги и сегменты после OCR в кашу?¶

OCR-вывод вполне может их испортить. Жесткий перенос после каждой строки рвет предложения на куски, а смены шрифта или интервала превращаются в лишние теги. Почистите DOCX до импорта, для OCR-текста в OmegaT включите Hide tags и проверьте теги после импорта, как с любым конвертированным файлом.

Безопасно ли загружать документы клиента в MateCat или онлайн-OCR?¶

Сначала проверьте условия конфиденциальности клиента. MateCat, Wordfast Anywhere и любой онлайн-OCR обрабатывают файл на чужом сервере; OmegaT, Wordfast Pro и установленная OCR-программа оставляют его на вашем компьютере. Если договор запрещает облако, работайте офлайн.

Можно ли сдать клиенту переведенный PDF?¶

Без дополнительной работы нет. OmegaT для PDF возвращает .txt, MateCat возвращает DOCX, а руководство Wordfast Classic прямо пишет, что ни один инструмент не переводит PDF изнутри и не отдает визуально правильный PDF. Сдайте проверенный DOCX или сохраните его в PDF после верстки.

Источники¶

1. Журнал изменений OmegaT (changes.txt)
2. Исходный код PdfFilter в OmegaT
3. Руководство OmegaT: How to…
4. Руководство OmegaT: Windows and Dialogs
5. MateCat: о сервисе
6. Справка MateCat: поддерживаемые форматы и языки
7. Справка MateCat: скачивание перевода
8. Справка Wordfast Pro 11
9. Вики Wordfast: перевод PDF в Wordfast Pro
10. Справка Wordfast Anywhere
11. Wordfast Anywhere: цена и доступ
12. Руководство Wordfast Classic 9
13. Форум ProZ, поддержка OmegaT: работа с PDF и JPG (2010, архив)