Переклад сканованих документів з OCR зі збереженням макета¶

У договорі лише кілька сторінок, але одна помилка в сумі чи номері пункту вже змінює зміст. А якщо переклад повернули суцільним текстом, не зрозуміти, до якого поля належить кожна фраза. Щоб перекласти скан і зберегти його структуру, треба зробити три окремі речі: розпізнати текст, перевірити його й відтворити макет іншою мовою.

Коротко: OCR не перекладає. Він перетворює зображення сторінки на текст, який можна редагувати й передати на переклад. Таблиці, підписи, поля, печатки й порядок читання треба опрацьовувати окремо.

Якщо ти готуєш документи для клієнта чи команди, перевір не лише зміст. Дата має залишитися біля правильного поля, межі таблиці - на місці, а підпис - біля потрібного рядка.

Що треба зробити, перш ніж перекладати скан¶

Перш ніж обирати мову перекладу, з’ясуй, що саме лежить у файлі. Текстовий PDF містить символи, які комп’ютер може прочитати. Сканований PDF зазвичай містить зображення сторінки. На екрані вони можуть бути схожими, але обробляти їх треба по-різному.

OCR - це оптичне розпізнавання символів: система читає зображення й створює текст, який можна шукати або редагувати. W3C пояснює, як OCR додає до сканованого PDF текстовий шар. Але розпізнавання ще не є перекладом. Щоб отримати готовий іншомовний документ, треба пройти кілька окремих кроків.

Перед початком перевір сам файл:

1. Відкрий PDF і спробуй виділити рядок мишкою. Якщо текст виділяється, у файлі є текстовий шар. Якщо виділяється вся сторінка як картинка або не виділяється нічого, потрібне розпізнавання.
2. Переглянь сторінки з таблицями, дрібним текстом, підписами, штампами й повернутими фрагментами. Саме їх доведеться перевіряти особливо уважно.
3. З’ясуй, чи дозволено передавати файл хмарному сервісу. Правила організації можуть забороняти завантаження внутрішніх документів і матеріалів із персональними даними.
4. Виріши, який файл має бути на виході: редагований документ, копія з перекладом поруч з оригіналом чи просто перекладений текст.

Формат результату визначає, скільки роботи буде після перекладу. Якщо треба лише зрозуміти зміст, може вистачити розпізнаного й перекладеного тексту. Якщо файл піде колегам, замовникові чи іншій стороні, віднови макет і перевір, чи кожен переклад відповідає потрібному полю.

Уяви форму: назва поля зверху, значення під ним, позначка праворуч. OCR може правильно прочитати всі слова, але повернути їх у такому порядку, що вже не буде зрозуміло, яке значення до якого поля належить. Слова начебто всі на місці, а сама форма - ні.

Щоб не плутати обсяг робіт, розділи три можливі результати:

Результат	Що отримуєш	Чого він не гарантує
OCR-текст	Розпізнані слова, які можна шукати й редагувати	Переклад і правильне відтворення таблиць
Перекладений текст	Зміст іншою мовою	Початковий порядок полів і сторінковий макет
Відтворений документ	Переклад, розміщений у структурованому файлі	Автоматичну точність кожної літери й відповідність офіційним вимогам

Цей поділ допоможе порівнювати бюро, фрілансерів і онлайн-сервіси. Фраза «переклад сканованого PDF» сама по собі не означає, що виконавець перевірить OCR або збере редагований документ із таблицями.

Чому OCR і збереження макета - різні задачі¶

У PDF таблиця не обов’язково зберігається як таблиця у Word, де кожне значення має свою клітинку. Текст може бути просто розставлений у певних координатах на сторінці. Через це під час витягування рядки з різних колонок можуть перемішатися, а заголовок - відірватися від таблиці.

Скан додає ще одну складність: символи спершу треба прочитати із зображення. Розпізнавач може сплутати схожі літери й цифри, пропустити блідий відбиток або не помітити знак у клітинці. Перекладач працює з тим, що розпізнала система, а не з тим, що автор документа мав на увазі. Якщо номер зчитано неправильно, переклад може бути грамотним, але номер залишиться хибним.

Тож у процесі є щонайменше три місця, де треба перевіряти результат:

• Розпізнавання: чи збігаються літери й символи з тим, що видно на зображенні?
• Переклад: чи правильно передано зміст розпізнаного тексту?
• Верстка: чи зрозуміло, до якого заголовка, поля або клітинки належить переклад?

Окремо оціни якість зображення. Документація Google Cloud для OCR описує ознаки якості сторінки, зокрема розмиття, надто дрібний шрифт і відблиски. За ними можна визначити, які сторінки перевірити уважніше. Чіткий скан не гарантує ідеального результату, але поганий скан точно ускладнює розпізнавання.

У таблиці з колонками «позиція», «кількість», «ціна» й «разом» усі числа можуть бути прочитані правильно, але опинитися не в тих рядках. Переклад кожного слова буде точним, а зв’язок між числами зникне. Тому звіряй не лише слова, а й розташування елементів: рядки, колонки, межі та порядок читання.

Деякі системи розпізнавання знаходять блоки, абзаци, рядки, слова й символи, а також визначають структуру таблиць. Це допомагає відтворити документ, але не доводить, що кожне слово прочитано правильно. Розпізнати текст і правильно зрозуміти його - різні задачі.

У назві матеріалу на ProZ про OCR сканованих PDF і збереження форматування разом згадані розпізнавання, переклад і форматування.

Заголовок описує задачу, але не доводить якість конкретного інструмента. У власному процесі розділи роботу на ті самі частини й запитай, що саме розпізнали, як перевірили й у якому форматі повернуть результат.

Які документи варто підготувати перед передаванням у роботу¶

Чіткий друкований текст простіше перевірити, ніж дрібні клітинки, рукописні позначки й печатку поверх тексту. Але навіть простий на вигляд документ може містити дані, які важливо звірити вручну.

Передай виконавцеві не лише файл, а й конкретні контрольні точки:

Тип документа	Що перевірити до перекладу	Де ймовірно знадобиться ручна звірка
Договір або додаток	Номери пунктів, посилання на додатки, суми, дати	Нумерація, колонтитули, таблиці з тарифами
Анкета або форма	Назви полів, порожні клітинки, позначки, порядок читання	Значення біля підписів, прапорці, поля з кількома рядками
Рахунок або специфікація	Назви позицій, кількості, ціни, загальна сума	Вузькі колонки, дрібні цифри, одиниці виміру
Сертифікат або довідка	Імена, дати, номери записів, текст печаток	Відбитки поверх тексту, підписи, примітки на полях
Інструкція чи посібник	Заголовки, нумерацію кроків, підписи до зображень	Схеми, багатоколонкові сторінки, перехресні посилання
Скан із рукописними дописами	Межу між друкованим і рукописним текстом	Імена, дати, короткі примітки, виправлення

Разом із файлом дай виконавцеві трохи контексту. Напиши, якими мовами документ, чи треба перекладати текст у печатках, як писати назви компаній і які скорочення залишити без змін. Якщо є затверджені відповідники термінів, додай їх до завдання. Контекст не виправить помилку OCR, зате перекладачеві не доведеться вгадувати значення терміна.

Мінімальний бриф для перекладу¶

Скопіюй цей список у повідомлення виконавцеві або додай до завдання:

• Мова оригіналу та мова перекладу. Якщо документ багатомовний, зазнач мову кожної частини, яку треба перекладати.
• Призначення документа. Наприклад, внутрішня робота, підготовка договору до обговорення або інформаційна копія для колег.
• Формат результату. Вкажи, чи потрібен Word, PDF, редагований текст або лише переклад.
• Очікування щодо макета. Напиши, чи треба залишити таблиці, поля, підписи, зображення й нумерацію.
• Проблемні сторінки. Познач сторінки з рукописом, плямами, низьким контрастом, поворотом або обрізаними краями.
• Назви й терміни. Додай затверджене написання власних назв і словник, якщо він є.
• Критичні дані. Назви поля або таблиці, де треба особливо уважно звірити суми, номери, дати чи реквізити.

Збережи оригінальний скан, щоб його можна було порівняти з перекладом. Так ти зможеш відрізнити помилку розпізнавання від помилки перекладу, а проблему верстки - від помилки у вихідному тексті.

Якщо переклад потрібен для офіційного подання, уточни вимоги в органу, який прийматиме документ. Макет сам по собі не надає перекладу юридичного статусу: може знадобитися засвідчення, паперовий примірник або інше оформлення. Для такого випадку окремо розглянь нотаріальний переклад.

Три варіанти організації роботи¶

Бюро, фрілансер і онлайн-інструмент можуть брати на себе різні частини процесу. Порівнюй не назви, а конкретику: хто перевіряє OCR, хто перекладає й який файл ти отримаєш.

Бюро перекладів¶

Бюро стане в пригоді, коли потрібні людська перевірка, переклад і верстка або документ складно оцінити лише як текст. Перед замовленням запитай, чи входить OCR у роботу, хто звіряє розпізнане з оригіналом і чи віддадуть тобі редагований файл.

Не зупиняйся на обіцянці «збережемо оформлення». Уточни, чи таблиці залишаться таблицями, чи збережуть печатки й підписи та як позначать незчитані місця. Інакше ти можеш чекати схожий на оригінал документ, а бюро матиме на увазі лише точний текстовий переклад.

Людина може перепитати про неоднозначне місце, яке система прочитала непевно. Але сама участь бюро не доводить, що кожен знак звірено. Попроси пояснити, як виконавець позначатиме сумнівні фрагменти.

Фрілансер¶

Фрілансер підійде, якщо ти чітко визначиш завдання: що перекладати, який формат потрібен і хто перевіряє фінальний макет. Перед передаванням усього комплекту з’ясуй, чи фрілансер сам створить документ, працюватиме з розпізнаним текстом або отримає готовий OCR-файл.

Поговори й про складні сторінки. Текст у таблиці потребує окремої верстки, а переклад може зайняти більше місця за оригінал. У щільній таблиці довша фраза здатна зсунути рядок, перенести заголовок або накластися на сусідній елемент.

Перевага - прямий контакт із людиною, яка може уточнити значення або термінологію. Ризик - нечіткий розподіл відповідальності за OCR, переклад і верстку. Запиши в завданні, хто звіряє цифри й назви, хто виправляє помилки розпізнавання та як позначатимуть нерозбірливі фрагменти.

Запитання у форумі Google Translate про переклад друкованої книги показує різницю між текстом, який можна перекладати, і сторінкою, яку ще треба прочитати.

Якщо джерело - паперова сторінка, спершу з’ясуй, хто перетворить її на текст. Вибір мови в перекладачі не розв’язує задачу читання зображення.

Онлайн-інструмент¶

Онлайн-сервіс може поєднати розпізнавання, переклад і створення редагованого документа. Це зручний спосіб отримати перший варіант для подальшої перевірки, але автоматична обробка не скасовує звірки важливих полів. Особливо уважно перевіряй рукопис, стерті фрагменти й скани низької якості.

У ChatsControl можна завантажити сканований PDF або фото. Система читає сторінку, створює копію у Word із текстом, таблицями й полями, порівнює копію зі сторінкою, а потім перекладає її як документ. На виході - Word-файл зі структурою, яку можна редагувати й перевіряти. Перегляд оригіналу поруч із перекладом допомагає звіряти рядки, а не покладатися лише на суцільний текст.

Автоматизація підходить не для кожного скану. ChatsControl не створений для рукописних або дуже пошкоджених сторінок, а документ для офіційного подання все одно треба перевірити на відповідність вимогам органу. Не завантажуй файл у хмарний сервіс, якщо правила організації цього не дозволяють.

Таблиця порівняння¶

Критерій	Бюро	Фрілансер	Онлайн-інструмент
Хто обробляє OCR	Треба уточнити під час замовлення	Треба узгодити	Залежить від можливостей сервісу
Хто перевіряє розпізнаний текст	Узгодь, чи входить звірка з оригіналом	Узгодь із виконавцем	Система може мати автоматичну перевірку; критичні місця звіряй самостійно
Збереження макета	Залежить від домовленості про верстку	Залежить від навичок і брифу	Перевір, які елементи сервіс відтворює
Невпевнені фрагменти	Запитай, як їх позначають	Попроси не вгадувати, а позначати	Автоматична оцінка не замінює перевірку оригіналу
Формат результату	Узгодь до початку роботи	Зафіксуй у завданні	Перевір формати вводу й виводу
Найважливіше обмеження	Обсяг OCR і верстки може бути неочевидним	Розподіл відповідальності треба прописати	Рукопис і погіршений скан можуть бути ненадійними для автоматизації

Не обирай сервіс лише за наявністю кнопки перекладу. Запитай, як сторінка перетворюється на текст, хто помічає помилки OCR, хто працює з таблицями й у якому форматі ти перевіриш готовий документ.

Покрокова інструкція: від скану до перекладеного файлу¶

Розділи роботу на розпізнавання, переклад і перевірку макета. Якщо пропустити один крок, наступний може замаскувати попередню помилку: неправильно розпізнане число залишиться неправильним, хоч би як грамотно його переклали.

Крок 1. Визнач формат джерела та потрібний результат¶

Перевір, чи в PDF можна виділяти текст, чи сторінки складаються із зображень. Переглянь кілька сторінок: у тому самому файлі можуть бути і текстові, і скановані сторінки.

Запиши, що саме має повернути виконавець. «Переклад PDF» може означати текст іншою мовою, Word-документ із відтвореним макетом або переклад без верстки. Домовся про формат до початку роботи, щоб не отримати правильний переклад у непридатному для тебе вигляді.

Крок 2. Оціни читабельність сторінок¶

Перевір, чи зображення не повернуте й чи не обрізані краї. Подивися на таблиці, відблиски, плями, тіні, дрібний шрифт і підписи. OCR може автоматично виправляти поворот, але це не означає, що кожен блок після цього прочитано правильно.

Якщо можеш вибрати, передай найчіткіший файл. Не змінюй контраст навмання: тонкий штрих, крапка чи блідий символ можуть зникнути. Збережи оригінал і познач відредаговані копії, щоб потім порівняти обидві версії.

Крок 3. Розпізнай текст і структуру¶

Потрібно отримати не тільки слова, а й зрозуміти, як вони пов’язані. У договорі це номер пункту та його текст; в анкеті - назва поля й значення; у рахунку - позиція, кількість і сума.

Якщо сервіс дає змогу вибрати мову розпізнавання, зазнач мову документа або окремих сторінок. Не покладайся лише на автоматичне визначення, коли заголовки надруковані однією мовою, а основний текст - іншою.

Крок 4. Звір розпізнаний текст з оригіналом¶

Перш ніж перекладати, виправ помилки OCR. Перевір насамперед власні назви, дати, суми, номери, позначки, одиниці виміру й таблиці. Звіряй значення в контексті поля, а не лише окремі символи.

Не вгадуй текст, якого не видно. Познач фрагмент як нерозбірливий або попроси чіткішу копію. Здогад про назву компанії чи номер документа може непомітно перейти в переклад і виглядати переконливо, хоча не відповідатиме оригіналу.

Крок 5. Переклади перевірений текст¶

Перекладай після перевірки OCR, враховуючи призначення документа, аудиторію й термінологію. Без заголовків і структури рядок може мати кілька значень, тому передай перекладачеві контекст і словник відповідників.

Якщо автоматичний переклад потрібен як перший варіант, перевір сталість назв, чисел і повторюваних термінів. Для роботи фахівця сприймай такий результат як чернетку, яку ще треба перевірити, а не як доказ безпомилковості.

Крок 6. Віднови макет і перевір сторінки¶

Розмісти переклад так, щоб він залишався біля відповідного заголовка, поля чи клітинки. Переклад може бути довшим або коротшим за оригінал, тож вихідні розміри текстових блоків можуть не підійти.

Перевір таблиці, нумерацію, розриви сторінок, колонтитули, підписи й розташування печаток. Якщо текст не вміщується в клітинку, зміни макет або погодь інший формат. Не зменшуй шрифт і не стискай відступи, якщо документ через це стане важко читати.

Крок 7. Зроби фінальну звірку¶

Порівняй кожну перекладену сторінку з оригіналом. Переконайся, що всі сторінки на місці, важливі фрагменти не зникли, а текст читається у правильному порядку. Окремо звір критичні значення з початковим сканом, навіть якщо система вже виконала автоматичну перевірку.

У ChatsControl скан спершу перетворюється на копію Word. Потім система порівнює її зі сторінкою рядок за рядком, підсвічує невирішені пропуски й позначає якість скану як добру, задовільну або низьку. Така перевірка допомагає знайти проблеми, але не замінює ручної звірки назв, сум і полів, від яких залежить зміст.

Підводні камені, які змінюють результат¶

Найризикованіше - вирішити, що OCR уже перевірив документ, бо створив текстовий шар. Текстовий шар показує, які символи система розпізнала, але не підтверджує їхню точність. Звір результат із зображенням до перекладу.

Переклад починається до перевірки OCR¶

Якщо OCR сплутав символ у сумі або пропустив знак, переклад може зберегти помилку й зробити її менш помітною. Коротке значення - номер рядка, дата або код - може навіть не зіпсувати граматику речення.

Що робити: зберігай окремо файл із розпізнаним текстом і перевірену версію. Не переходь до перекладу, доки не звіриш поля, важливі для рішення чи розрахунку.

Таблиця перетворюється на послідовність чисел¶

OCR може розпізнати числа, але переплутати їхні рядки чи колонки. У рахунку кількість однієї позиції тоді опиниться біля ціни іншої.

Що робити: звіряй кожну клітинку із заголовком і сусідніми значеннями. Якщо структуру не вдається зчитати, попроси відтворити таблицю вручну або позначити сумнівні клітинки.

Поле й значення відриваються одне від одного¶

У формі підпис може стояти зліва, місце для відповіді - справа, а позначка - нижче. Витягнутий текст не завжди показує, до якого підпису належить значення. Переклад такого текстового потоку без відновлення структури створить документ, який важко заповнити чи перевірити.

Що робити: перевіряй сторінку як форму, а не як абзац. Переконайся, що кожне поле має видиму назву й відповідне значення, а прапорці не змістилися.

Печатки й підписи вважаються звичайним текстом¶

Печатка може перекривати друковані слова, а підпис - проходити поруч із датою. Те, що зображення збереглося у фінальному файлі, ще не доводить, що воно стоїть правильно.

Що робити: перевір, чи печатка, підпис і штамп залишилися на місці та не закривають переклад. Якщо важливо перекласти текст усередині відбитка, уточни, як саме його позначити.

Рукописний текст читається як друкований¶

OCR гірше справляється з рукописом і пошкодженими сканами. Система може видати правдоподібне слово, якого насправді немає в оригіналі. Якісно відтворений макет цю проблему не розв’язує.

Що робити: попроси людину звірити рукопис з оригіналом або надай чіткішу копію. Якщо фрагмент не читається, познач його як нерозбірливий, а не вигадуй заміну.

Довший переклад ламає сторінку¶

Переклад іншою мовою може займати більше місця. Клітинка розширюється, рядок переноситься, а підпис чи виноска зміщуються. Тому просте розміщення перекладу на місці оригіналу не завжди зберігає читабельність.

Що робити: перевір документ у кінцевому форматі, а не лише у вікні перекладу. Якщо потрібно, зміни розмір блоків чи формат сторінки, але не жертвуй розбірливістю.

Змішані мови збивають розпізнавання¶

Заголовки на бланку можуть бути однією мовою, основний текст - іншою, а назви компаній - третьою. Мова шапки не обов’язково збігається з мовою документа. Якщо система обере неправильну мову розпізнавання, помилки з’являться ще до перекладу.

Що робити: зазнач у брифі мови окремих сторінок або блоків. Перевір назви й скорочення, які не треба перекладати.

Перед передаванням готового файла пройдися цим коротким списком:

• Усі сторінки присутні й стоять у правильному порядку.
• Імена, дати, суми й номери звірені з оригіналом.
• Заголовки й вміст таблиць залишилися у правильних колонках.
• Значення у формах не відірвалися від назв полів.
• Печатки, підписи й зображення залишилися на місці.
• Нерозбірливі фрагменти позначені, а не вгадані.
• Переклад читається в готовому Word або PDF, а не тільки у вікні сервісу.

W3C описує OCR як спосіб надати сканованому PDF фактичний текст, який можна обробляти окремо від зображення сторінки.

Після OCR у документі з’являється текстовий шар. Порівняй його з картинкою сторінки: можливість виділити текст не підтверджує, що його розпізнано точно.

FAQ¶

Як перекласти сканований документ і зберегти його макет?¶

Спершу розпізнай текст і структуру сторінок, а потім звір розпізнане з оригіналом. Переклади перевірений текст, віднови макет і порівняй готовий файл зі сканом, особливо таблиці й форми.

Чи може Google Перекладач перекласти текст у сканованому PDF?¶

Згідно з довідкою Google Перекладача, текст у зображеннях і сканованих сторінках PDF може з’явитися в документі після обробки, але не бути перекладеним. Якщо потрібно перекласти саме цей текст, перед перекладом виконай окреме OCR.

Яка якість скану потрібна для OCR-перекладу?¶

Скан має бути достатньо чітким, щоб розрізнити друковані літери, цифри, межі таблиць і поля. Розмиття, відблиски, дрібний шрифт, поворот сторінки й рукописні позначки збільшують ризик помилок, тому звіряй такі фрагменти з оригіналом.

Як перевірити помилки OCR перед перекладом документа?¶

Порівняй розпізнаний текст із зображенням сторінки та перевір власні назви, дати, суми, номери, позначки й значення в таблицях. Якщо фрагмент не читається, познач його як невизначений або попроси якісніший скан замість того, щоб вгадувати.

Чим OCR відрізняється від перекладу сканованого PDF?¶

OCR розпізнає текст на зображенні й створює дані, які можна шукати чи редагувати. Переклад передає зміст іншою мовою, а відновлення макета розміщує переклад у документі.

Чи можна перекласти рукописний або дуже неякісний скан автоматично?¶

Автоматичне розпізнавання рукопису й дуже поганих сканів ненадійне. Передай такі сторінки людині, яка звірить їх із першоджерелом, і не вважай нерозбірливий фрагмент достовірним без підтвердження.