Що ламається, коли перекладаєш PDF напряму машинним перекладом¶

Уяви: у перекладеному договорі пункт про оплату опинився після винятків, а сума в таблиці вже не стоїть навпроти потрібної послуги. Слова ніби перекладені, але документ більше не передає початкового змісту.

Не завжди винна мовна модель. PDF створений, щоб показувати сторінки, а не передавати їхню структуру іншим програмам. Система може побачити текст, але не зрозуміти, який підпис стосується графіка, де закінчується колонка і чи є напис частиною скану.

Розберімося, чому машинний переклад PDF пропускає текст, плутає порядок читання, що відбувається з таблицями й числами та як перевірити результат до того, як надіслати його колезі, клієнту чи установі.

Що таке проблема машинного перекладу PDF¶

Проблема машинного перекладу PDF виникає, коли програма перекладає слова, але втрачає зв’язки між словами, блоками й іншими елементами документа. Навіть точний переклад речень не гарантує, що на виході збережуться правильні таблиці, порядок читання й підписи.

PDF може містити звичайний текст, скановані зображення або і те, й інше. У першому випадку слова можна виділити курсором. У другому сторінка для програми - лише зображення, хоч для тебе вона й виглядає як звичайний документ. У змішаному файлі на одній сторінці можуть бути текстовий заголовок і сканована печатка, а наступна сторінка може бути повністю зображенням.

Навіть PDF, у якому можна виділяти текст, не обов’язково зберігає структуру так, як її бачиш ти. Заголовок, абзац і таблиця не завжди записані як пов’язані елементи. Часто PDF містить окремі текстові фрагменти в певних координатах, графіку й інші об’єкти.

Через це програма може зібрати дві колонки в один потік рядків, поставити підпис до рисунка перед самим рисунком або вставити виноску посеред речення. А в таблиці текст комірок може піти не в тому порядку.

Наукова праця PDFMathTranslate про переклад документів зі збереженням макета пояснює, чому важливо враховувати розташування елементів:

“Non-textual elements in scientific and technical documents are not ignorable — the arrangement of paragraphs, mathematical equations, tables, and figures have rich and important meanings.”

Автори наголошують: у наукових і технічних документах важливі не тільки слова, а й розташування абзаців, рівнянь, таблиць і рисунків. Для тебе висновок простий: правильний переклад не виправить сторінку, якщо її зібрали неправильно.

Щоб зберегти макет, система зазвичай має визначити структуру, витягнути текст, перекласти його й розмістити назад на сторінці. Дослідження PDFMathTranslate описує такий підхід як відповідь на проблему: попередні способи перекладу недостатньо враховували розташування елементів.

На будь-якому з цих етапів може статися збій. Розпізнавання пропустить символ, витягування переплутає порядок, мовна модель змінить значення терміна, а готовий файл не вмістить довший переклад у початковий блок.

Якщо хочеш зрозуміти, коли машинний переклад можна залишити без повного людського редагування, прочитай матеріал коли машинного перекладу достатньо без людини. Для PDF усе залежить не лише від якості мови, а й від складності сторінки та ціни помилки в її структурі.

Як PDF перетворюється на переклад і де виникає збій¶

Щоб зрозуміти, звідки беруться пропуски, розклади процес на етапи. Кнопка в перекладачі обіцяє один крок, але програмі потрібно прочитати документ, розібрати його, перекласти вміст і зібрати результат.

Витягування тексту. Програма знаходить текстові символи у файлі. Якщо верстка складна, їй треба зрозуміти, до якого блоку належить кожен фрагмент і в якому порядку його читати. Координати на сторінці не завжди підказують порядок читання: наприклад, текст із правої колонки може опинитися перед текстом із лівої.

Розпізнавання скану. Якщо сторінка - зображення, текст спершу треба розпізнати. OCR - оптичне розпізнавання символів: воно перетворює зображення літер на текст, який можна шукати й редагувати. У документації Adobe про OCR для PDF описано саме цей перехід від зображення до тексту. OCR не перекладає слова й не перевіряє, чи правильно їх розпізнав.

Тут легко отримати помилку, схожу на мовну. Наприклад, OCR прочитає цифру як літеру або пропустить дрібний підпис. Перекладач працюватиме вже з неправильним джерелом і може видати гладкий, але хибний текст. Перевіряй і розпізнаний текст, і сам переклад.

Переклад. Мовна система отримує витягнуті фрагменти. Якщо вона не знає, що два рядки належать до однієї комірки, то не може надійно зберегти цей зв’язок. А коли заголовок колонки відділився від її вмісту, переклад може бути мовно правильним, але незрозумілим у таблиці.

Розміщення назад. Переклад повертається на сторінку. Якщо він довший за оригінал, а ширина колонки та сама, рядки переносяться, блоки зсуваються або текст не вміщується в комірці. Просте накладання перекладу на початкові координати не виправляє верстку.

У праці PDFMathTranslate серед важливих складників документа окремо названо формули, таблиці, рисунки й розташування абзаців. Перелік добре показує, чому витягнути слова - ще не означає відтворити документ.

Ще одна причина помилок - PDF без тегів структури. Теги позначають елементи як заголовки, абзаци, списки й показують, у якому порядку їх читати. Документація Adobe про доступність PDF пояснює: порядок відображення не обов’язково збігається з порядком читання, а структурований PDF може зберігати логічну послідовність.

Нетегований файл теж можна проаналізувати, але програма може гірше визначити його структуру. Теги підказують задуманий порядок, проте не гарантують, що текст витягнеться без помилок.

Уяви інструкцію з двома колонками: зліва опис дії, справа попередження. Якщо програма витягне рядки з обох колонок по черзі, попередження може опинитися посеред інструкції або стосуватися не того кроку. На сторінці PDF усе виглядає нормально, а порядок тексту вже порушено.

Особливо помітно це у документах із таблицями та графіками. Google Cloud попереджає, що складний макет може втратити форматування: йдеться про таблиці, багатоколонкові сторінки та графіки з підписами чи легендами. Про це написано в документації перекладу документів.

Маєш редагований оригінал - порівняй його з PDF до перекладу. Google Cloud радить перекладати DOCX або PPTX замість PDF, коли такі файли доступні, а потім перетворити результат на PDF. Так структура та стилі зазвичай зберігаються краще. У матеріалі про переклад Word і DOCX через ChatGPT та збереження форматування пояснено, чому редагований файл часто легше перевіряти, ніж готову сторінку PDF.

Типи помилок: текст, макет, числа й напрямок читання¶

Проблеми машинного перекладу PDF - це не лише одне неправильно перекладене слово. Перевіряй окремо повноту, порядок читання, розташування елементів і відповідність перекладу оригіналу.

Пропущений або неперекладений текст¶

Перший ризик - частина тексту взагалі не потрапить у переклад. Це можуть бути написи всередині зображень, печаток, графіків, форм або текстових блоків. Програма перекладе основні абзаци, але залишить напис на ілюстрації мовою оригіналу.

Змішаний PDF перевірити складніше: на одній сторінці можуть бути звичайний текст і скановані фрагменти. Google Cloud окремо зазначає, що документний API може не перекласти сканований вміст у змішаному PDF. Тож перевіряй кожну сторінку, а не роби висновок про весь файл за першою.

Для вебфункції Google Translate довідка Google вказує граничні значення 10 МБ і 300 сторінок для PDF на момент перевірки під час дослідження. Там само сказано, що текст на зображеннях або сканованих сторінках може залишитися неперекладеним: умови перекладу документів у Google Translate. Ці межі стосуються конкретної функції, а не всіх перекладачів PDF.

Для онлайн-перекладу PDF у Google Cloud документація вказує ліміт 20 МБ, до 300 сторінок для PDF лише з текстом і до 20 сторінок для сканованих PDF. Якщо ввімкнене усунення тіней, у документації наведено ліміт 20 сторінок. Ці обмеження наведені в документації, перевіреній під час дослідження. Сервіс може їх змінити, тож перед завантаженням звір актуальні вимоги Google Cloud.

У тій самій документації сказано, що текст у текстових полях документів DOC, DOCX, PPT і PPTX не перекладається й залишається мовою оригіналу. Тож навіть редагований файл не позбавляє потреби перевіряти текстові поля та інші елементи поза основними абзацами.

Переплутаний порядок читання¶

Людина читає сторінку за її візуальним розташуванням. Комп’ютер може витягнути символи в іншій послідовності, особливо якщо на сторінці є кілька колонок, виноски, бокові примітки або текст поверх графіки.

Порядок відображення й порядок читання - не одне й те саме. За поясненням Adobe про структуру й доступність PDF, візуальний порядок сторінки може не збігатися з логічною послідовністю вмісту. Якщо програма визначає структуру лише за розташуванням, фрагменти можуть опинитися не на своїх місцях.

Помилка не завжди помітна у перекладеному файлі. Кожне речення окремо може бути зрозумілим, але переходи між абзацами вже змінять логіку документа. Особливо уважно перевіряй інструкції, форми, юридичні тексти й технічні матеріали, де важлива послідовність кроків.

Зіпсовані таблиці й графіки¶

У таблиці текст пов’язаний із рядком, колонкою та заголовком. Якщо перекладач отримує набір комірок без структури, назва послуги може від’єднатися від ціни, а одиниця виміру - від числа.

У графіків такий самий ризик: підписи осей, легенди й примітки можуть бути текстом, векторними об’єктами або частиною картинки. Переклад основного документа не означає, що перекладено пояснення на самому графіку. Google Cloud застерігає про втрату форматування в таблицях, колонках і графіках із підписами чи легендами в описі перекладу документів.

Перевіряючи таблицю, звіряй не лише слова. Подивися, чи заголовок і далі стосується потрібної колонки, чи не зсунулися рядки і чи залишилися числа у правильних комірках. На графіках зістав кожну легенду з відповідною лінією, кольором або групою даних.

Змінені числа, дати й імена¶

Числа легко пропустити, бо вони часто залишаються візуально знайомими. Але неправильний роздільник, пропущений мінус або число в іншій комірці можуть змінити суму чи одиницю виміру. Так само звіряй дати, відсотки, номери договорів, адреси й власні назви.

Не розраховуй, що система зрозуміє з контексту, яке число важливе. Окремо порівняй числові фрагменти в оригіналі й перекладі. Перевір знак, десятковий роздільник, валюту, порядок цифр, одиницю виміру та місце числа в таблиці.

Власні назви теж звіряй окремо: різні варіанти передавання імен можуть виглядати правдоподібно. Про це є матеріал апостроф у прізвищах і транслітерація для іноземних баз даних. Перевір написання за офіційним документом або затвердженим варіантом у компанії, а не за попереднім машинним перекладом.

Текст справа наліво¶

Мови, які пишуться справа наліво, створюють окремий тип помилок. В арабській чи івриті можуть траплятися цифри й латинські слова, які читають зліва направо. У рядку змішуються різні напрямки, тому важливо відрізняти послідовність символів від того, як вони відображаються.

Unicode Bidirectional Algorithm пояснює: текст зберігається в логічному порядку, але його вигляд залежить від напрямку символів. Стандарт також описує рядки, де письмо справа наліво поєднується з цифрами чи латинськими словами. Через це порядок у PDF може відрізнятися від послідовності символів, отриманої під час витягування.

Якщо PDF містить двомовні рядки, адреси або номери в тексті справа наліво, перевіряй їх і у відображеному документі, і в скопійованому тексті. Номер може виглядати перевернутим або опинитися не з того боку від слова, хоча символи у файлі записані в логічному порядку. Для складних двомовних матеріалів заздалегідь опиши, як має виглядати документ. Про це також ідеться в матеріалі про двомовні українсько-російські документи й вимоги до перекладу.

Коли краще перекласти вихідний файл, а коли PDF¶

Маєш DOCX або PPTX - починай із нього. Редагований файл частіше зберігає структуру абзаців, таблиць і стилів. PDF залиш для випадків, коли оригіналу немає або важливо зберегти саме сторінкове відображення.

Google Cloud радить перекладати наявний DOCX або PPTX замість PDF, а після перекладу зберігати результат у PDF, якщо потрібен саме цей формат. Документація зазначає, що DOCX і PPTX зазвичай краще зберігають макет і стиль, ніж PDF: рекомендація Google Cloud щодо форматів документів.

Вибирай PDF, якщо редагованого оригіналу немає або документ важливо зберегти саме як сторінкове зображення. Але незмінна верстка не доводить, що переклад правильний. Охайні сторінки теж можуть приховувати пропущені написи чи неправильний порядок читання.

Сканований документ потребує окремої перевірки: OCR розпізнає текст, а не оцінює якість перекладу. Пояснення Adobe про OCR описує перетворення зображення на текст. Якщо скан нечіткий, на ньому є штампи поверх тексту або рукописні правки, звіряй розпізнане із самою сторінкою.

Перед перекладом оціни ризик. Внутрішня чернетка інструкції може витримати перенесення рядків, якщо фахівець перевірить зміст. Таблицю з цінами, технічну схему або контракт перевіряй ретельніше: там важливо, щоб текст залишався пов’язаним із потрібними графічними елементами.

Не плутай переклад тексту з відновленням документа. Деякі системи повертають текстовий файл, а не PDF, або зберігають лише частину оформлення. Наприклад, Google Cloud документує перетворення PDF у DOCX лише для пакетного перекладу PDF із нативним текстом. Збереження гіперпосилань, розміру шрифту й кольору теж стосується лише PDF із нативним текстом. Ці умови наведені в документації Google Cloud, і сервіс може їх змінити.

Перевірка результату: що робити після перекладу¶

Перевіряй PDF не лише як текст, а як документ, яким хтось користуватиметься. Для кожної сторінки проходь той самий маршрут: повнота, порядок читання, числа, візуальні елементи, а потім порівняння з оригіналом.

1. З’ясуй, що саме перекладала система. Відкрий вихідний PDF і спробуй виділити текст. Познач сторінки, де вміст є зображенням, і сторінки зі змішаним текстом та сканом. Якщо PDF змішаний, не припускай, що система обробила всі частини однаково.

2. Порівняй кількість і склад сторінок. Переконайся, що перекладений файл містить усі сторінки й відповідний вміст на кожній. Звір заголовки, колонтитули, примітки, підписи, печатки та блоки, які візуально відрізняються від основного тексту.

3. Перевір порядок читання. Прочитай багатоколонкові сторінки окремо й переконайся, що абзаци стоять у правильній послідовності. Перевір, чи виноска стосується потрібного речення, а підпис - потрібного графіка або зображення. Акуратний вигляд сторінки сам по собі нічого не доводить.

4. Звір таблиці, числа й імена. Перевір, чи заголовки відповідають своїм коміркам, а потім порівняй суми, дати, номери, відсотки й одиниці виміру. Власні назви звір із джерелом, а не з тим, як їх передав інший машинний переклад.

5. Перевір зображення та графіки. Прочитай написи на діаграмах, легенди, назви осей і текст у схемах. Якщо сторінка містить скан, порівняй розпізнані слова із зображенням, особливо біля штампів, печаток і дрібного шрифту.

6. Перевір, чи переклад читається. Подивися, чи не обрізаний текст, чи не перекриваються блоки та чи не зникли посилання або елементи списків. Для мов справа наліво перевір і вигляд рядка, і логічну послідовність символів.

Якщо знайшов пропуск, з’ясуй, на якому етапі він виник. Тексту немає вже в розпізнаному фрагменті - збій стався до перекладу. Текст є, але на сторінці результату його немає - перевір збирання макета. У перекладі стоїть інше число - порівняй вихідний текст і результат окремо від мовного редагування.

Для документів, які перекладаєш регулярно, створи окремий контрольний список. У рахунках перевіряй суми, дати й одиниці; в інструкціях - порядок кроків, попередження та підписи до схем; у договорах - нумерацію пунктів, посилання на додатки й таблиці. Список не замінює перевірки, зате допомагає не пропустити частину сторінки.

Автоматична мовна перевірка може знайти підозрілу різницю в числі або пропущений рядок, але сторінку все одно треба візуально зіставити з оригіналом. Наявність перекладеного тексту не доводить, що він стоїть навпроти потрібного поля чи стосується правильної легенди.

Поширені помилки під час перекладу PDF¶

Найчастіше перевіряють лише те, чи перекладений текст. Але переклад може бути зрозумілим і граматичним, водночас не містити заголовка таблиці, примітки або напису на графіку. Перевіряй увесь вміст сторінки, а не тільки основні абзаци.

Друга помилка - вважати будь-який PDF звичайним текстовим документом. Файл може містити скани або поєднувати скани зі звичайним текстом. Документація Google Cloud окремо попереджає, що скановані частини змішаного PDF можуть залишитися неперекладеними. Спершу перевір тип кожної сторінки, а вже потім оцінюй весь файл.

Третя помилка - довіряти видимому порядку тексту, скопійованого з PDF. Adobe пояснює, що порядок відображення може не збігатися з логічним порядком читання, а теги структури лише допомагають його передати. Скопіюй текст у редактор і подивися, чи не переплутані колонки, але не вважай копію остаточним доказом: порівняй її зі сторінкою.

Четверта помилка - приймати OCR за перевірку якості. Розпізнавання створює текстовий шар із зображення, але не доводить, що всі символи прочитані правильно. Перекладач може правильно перекласти помилково розпізнаний текст. Якщо фрагмент розмитий, пошкоджений або рукописний, обов’язково звір його із зображенням.

П’ята помилка - не перевіряти числа окремо. Під час читання увага йде на речення, а числа в таблицях легко випустити з поля зору. Звіряй кожне число в контексті: воно має стояти біля правильної назви, мати правильну одиницю й залишатися в потрібному рядку.

Шоста помилка - думати, що вихідний DOCX прибере всі ризики. Такий файл часто зручніший для перекладу, але в ньому теж можуть бути текстові поля, підписи й інші об’єкти. Google Cloud окремо попереджає, що текст у текстових полях підтримуваних документів може не перекладатися. Перевір ці елементи і у вихідному файлі, і в результаті.

Сьома помилка - перевіряти лише вигляд сторінки або лише витягнутий текст. Візуальна перевірка покаже обрізаний блок і зсунуту таблицю, а текстова допоможе знайти пропущені рядки й неправильний порядок. Для важливого документа потрібні обидві.

Машинний переклад PDF підійде для чернетки, якщо ти можеш перевірити її за оригіналом. Для складного документа спершу знайди редагований файл, а для скану перевір розпізнавання до мовного редагування. Якщо від тексту залежать суми, порядок дій або юридичний зміст, перевіряй не лише слова, а й те, куди вони потрапили.

FAQ¶

Чому машинний переклад PDF ламає форматування?¶

PDF розміщує вміст на сторінці, але не завжди описує його як пов’язані абзаци, таблиці й колонки. Якщо система витягує текст без структури, вона може втратити зв’язки між комірками, підписами й основним текстом.

Чому скановані сторінки PDF перекладаються неправильно?¶

Сканована сторінка - це зображення, а не готовий текст. Спершу програма розпізнає символи за допомогою OCR, і помилки можуть перейти в переклад. Сам OCR не перевіряє ані переклад, ані повноту сторінки.

Як перевірити, чи переклад PDF пропустив текст або змінив числа?¶

Порівняй кожну сторінку з оригіналом: перевір заголовки, колонтитули, таблиці, графіки, підписи й написи всередині зображень. Потім окремо звір числа, дати, одиниці виміру та імена, а не лише основні абзаци.

Що краще перекладати: PDF чи вихідний файл Word?¶

Якщо маєш DOCX, Google Cloud радить перекладати його замість PDF: структура та стиль зазвичай зберігаються краще. Після перекладу й перевірки перетвори документ на PDF, але не забудь перевірити текстові поля та інші вбудовані елементи.

Чому текст після витягування з PDF іде в неправильному порядку?¶

Розташування тексту на екрані не обов’язково збігається з логічною послідовністю читання. У нетегованому PDF із колонками, виносками або боковими примітками програма може прочитати фрагменти не в тому порядку, який задумав автор.

Що бізнесу перевірити після машинного перекладу PDF?¶

Перевір повноту сторінок, порядок блоків, таблиці, графіки, текстові поля, числа, дати й імена. У сканованих і змішаних файлах звір розпізнаний текст із зображеннями, а в мовах справа наліво - напрямок і послідовність символів.