گاهی یک فایل PDF در ظاهر شامل متن است، اما وقتی میخواهید بخشی از آن را انتخاب یا کپی کنید، هیچ متنی در اختیار شما قرار نمیگیرد. در چنین حالتی، احتمالاً با یک PDF اسکن شده یا PDF تصویری روبهرو هستید. یعنی فایل شما در واقع از تصویر صفحات ساخته شده، نه از متن واقعی. به همین دلیل، برای ترجمه PDF اسکن شده نمیتوان همیشه مثل یک فایل متنی معمولی عمل کرد.
ابتدا باید نوشتههای داخل تصویر با فناوری OCR شناسایی و به متن قابل خواندن و قابل پردازش تبدیل شوند. بعد از این مرحله است که میتوان متن استخراجشده را ترجمه کرد و خروجی قابل استفادهتری گرفت. این موضوع مخصوصاً زمانی اهمیت دارد که فایل شما مقاله، جزوه، سند اداری، قرارداد، کتاب اسکن شده یا تصویر یک متن خارجی باشد.
در ادامه این مقاله از ترجمیفای توضیح میدهیم PDF اسکن شده چیست، چرا ترجمه مستقیم آن دشوار است و برای ترجمه دقیقتر فایلهای تصویری چه مراحلی را باید طی کنید.
PDF اسکن شده چیست و چرا مستقیم ترجمه نمیشود؟
PDFها ساختار یکسانی ندارند. در یک PDF متنی، نوشتهها واقعاً بهصورت متن داخل فایل ذخیره شدهاند. بنابراین میتوانید آنها را انتخاب، کپی یا جستوجو کنید. اما در PDF اسکن شده، هر صفحه مثل یک عکس در فایل قرار گرفته است. در این حالت، ابزارهای ترجمه معمولی به متن واقعی دسترسی ندارند و نمیتوانند محتوای صفحه را مستقیم ترجمه کنند.
برای ترجمه چنین فایلی، ابتدا باید با OCR متن از تصویر استخراج شود. سپس متن استخراجشده بررسی و ترجمه میشود. هرچه کیفیت اسکن، وضوح نوشتهها و دقت OCR بهتر باشد، ترجمه نهایی PDF تصویری هم دقیقتر و قابلاعتمادتر خواهد بود.
تفاوت استخراج متن با ترجمه PDF اسکن شده چیست؟
استخراج متن و ترجمه PDF اسکن شده دو مرحله متفاوت هستند. استخراج متن یعنی نوشتههای داخل تصویر یا PDF تصویری با کمک OCR شناسایی و به متن قابل کپی تبدیل شوند. اما ترجمه یعنی همان متن استخراجشده از زبان مبدأ به زبان مقصد برگردانده شود. بنابراین اگر فایل شما اسکن شده است، ابزار ترجمه ابتدا باید به متن واقعی دسترسی داشته باشد. تا وقتی نوشتهها فقط بهصورت تصویر داخل PDF قرار دارند، ترجمه مستقیم دقیق و قابل اعتماد نخواهد بود.
به زبان ساده، OCR متن را از تصویر بیرون میآورد، اما ترجمه معنی آن متن را به زبان دیگر منتقل میکند. به همین دلیل، برای ترجمه PDF اسکن شده معمولاً دو مرحله لازم است: اول تشخیص و استخراج متن، بعد ترجمه متن استخراجشده.
| نیاز کاربر | مرحله اصلی | ابزار مناسب |
| فقط متن PDF را میخواهم | OCR | اسکنیفای یا ابزار OCR |
| میخواهم فایل را به Word تبدیل کنم | OCR + ویرایش | اسکنیفای |
| میخواهم متن داخل PDF را بفهمم | OCR ترجمه | ترجمیفای |
| میخواهم متن عکس یا سند را به زبان دیگر ببینم | تشخیص متن + ترجمه | ترجمیفای |
مراحل ترجمه PDF اسکن شده
برای ترجمه فایل PDF اسکن شده بهتر است فایل را مستقیم وارد ابزار ترجمه نکنید. چون همانطور که گفتیم در بسیاری از این فایلها، متن واقعی وجود ندارد و نوشتهها بهصورت تصویر در صفحه قرار گرفتهاند. بنابراین برای رسیدن به ترجمه دقیقتر، باید چند مرحله را بهترتیب انجام دهید: ابتدا نوع PDF را تشخیص دهید، سپس کیفیت فایل را بررسی کنید، متن را با OCR استخراج کنید و در نهایت متن استخراجشده را ترجمه و بازبینی کنید.
مرحله اول؛ بررسی کنید PDF متنی است یا تصویری
اول فایل PDF را باز کنید و سعی کنید بخشی از متن را انتخاب یا کپی کنید. اگر نوشتهها انتخاب میشوند، فایل شما PDF متنی است و معمولاً میتوانید متن را مستقیماً برای ترجمه استفاده کنید. اما اگر هیچ بخشی از نوشتهها انتخاب نمیشود یا فقط کل صفحه مثل یک عکس انتخاب میشود، احتمالاً با یک PDF اسکن شده یا تصویری روبهرو هستید.
در این حالت، ابزار ترجمه به متن واقعی دسترسی ندارد. یعنی با وجود اینکه شما نوشتهها را روی صفحه میبینید، سیستم نمیتواند آنها را مثل متن معمولی بخواند. به همین دلیل، برای ترجمه PDF غیرقابل کپی باید ابتدا متن داخل تصویر با OCR شناسایی و استخراج شود.
مرحله دوم؛ کیفیت فایل اسکن شده را بهتر کنید
دقت ترجمه PDF تصویری فقط به ابزار ترجمه وابسته نیست. کیفیت اسکن هم نقش بسیار مهمی دارد. اگر صفحهها تار، کج، کمنور یا دارای سایه باشند، OCR ممکن است کلمات را اشتباه تشخیص دهد و همین خطاها وارد ترجمه نهایی شوند.
قبل از استخراج متن، بررسی کنید که صفحهها صاف باشند، نوشتهها وضوح کافی داشته باشند، سایه روی متن نیفتاده باشد، حاشیههای اضافی حذف شده باشند و متن خیلی ریز یا محو نباشد.
اگر سند چندصفحهای است، ترتیب صفحات را هم کنترل کنید. جابهجایی صفحات میتواند باعث شود ترجمه نهایی نامنظم و گمراهکننده شود.
به زبان ساده، دقت ترجمه PDF اسکن شده از مرحله ترجمه شروع نمیشود؛ از کیفیت OCR شروع میشود. هرچه فایل ورودی واضحتر باشد، متن استخراجشده دقیقتر خواهد بود و خروجی ترجمه هم کیفیت بهتری خواهد داشت.
برای کسب اطلاعات بیشتر در این زمینه میتوانید مقاله «روشهای بهینه سازی تصویر برای استخراج متن» را بخوانید.
مرحله سوم؛ متن PDF را با OCR استخراج کنید
OCR فناوریای است که نوشتههای داخل تصویر را تشخیص میدهد و آنها را به متن قابل کپی تبدیل میکند. این مرحله برای ترجمه متن داخل PDF اسکن شده ضروری است؛ چون تا وقتی متن از تصویر بیرون نیامده باشد، ابزار ترجمه نمیتواند محتوای فایل را درست پردازش کند.
البته خروجی OCR همیشه بیخطا نیست. در متنهای فارسی و راستبهچپ، ممکن است نیمفاصلهها، اعداد فارسی و انگلیسی، جدولها، تیترها یا ترتیب جملهها دچار مشکل شوند. برای مثال، در فایلهای چندستونه ممکن است ترتیب پاراگرافها بههم بریزد یا در متنهای دارای جدول، بعضی ردیفها و ستونها درست تشخیص داده نشوند.
اگر هدف شما فقط استخراج متن یا تبدیل فایل به Word فارسی است، میتوانید راهنمای تبدیل PDF اسکن شده به Word فارسی را ببینید. اما اگر هدف شما ترجمه فایل است، بعد از OCR باید وارد مرحله ترجمه شوید.
مرحله چهارم؛ متن استخراجشده را قبل از ترجمه بررسی کنید
یکی از مهمترین کارها قبل از ترجمه فایل تصویری این است که متن استخراجشده را یکبار بررسی کنید. بسیاری از خطاهای ترجمه به این دلیل ایجاد میشوند که OCR متن اولیه را اشتباه خوانده است. بنابراین قبل از ترجمه، نام اشخاص، نام مکانها، تاریخها، اعداد، فرمولها، جدولها، علائم نگارشی، تیترها، پاورقیها و متنهای چندستونه را کنترل کنید.
برای مثال، اگر OCR عدد «۱۳۲» را به شکل «I32» تشخیص دهد، ابزار ترجمه هم همان عدد اشتباه را مبنا قرار میدهد. این خطا در متنهای علمی، تاریخی، مالی، حقوقی و دانشگاهی میتواند معنی جمله را تغییر دهد.
مرحله پنجم؛ زبان مبدأ و مقصد را انتخاب کنید
بعد از آماده شدن متن، باید زبان مبدأ و مقصد را مشخص کنید. تشخیص خودکار زبان در بسیاری از ابزارها کاربردی است، اما همیشه کافی نیست. اگر فایل تخصصی، چندزبانه یا دارای اصطلاحات فنی باشد، بهتر است زبان مبدأ را دقیق انتخاب کنید.
برای مثال، اگر یک مقاله انگلیسی اسکن شده دارید و میخواهید آن را فارسی کنید، زبان مبدأ را انگلیسی و زبان مقصد را فارسی قرار دهید. در فایلهایی که ترکیبی از فارسی، انگلیسی یا عربی هستند، بهتر است متن بعد از OCR بازبینی شود تا ابزار ترجمه زبان بخشهای مختلف را اشتباه تشخیص ندهد.
مرحله ششم؛ متن استخراجشده را ترجمه کنید
بعد از استخراج و بررسی متن، نوبت ترجمه است. در این مرحله میتوانید متن استخراجشده را در نرمافزارترجمه وارد کنید و زبان مقصد را انتخاب کنید.
برای فایلهای طولانی، تخصصی یا جدولدار، بهتر است متن را بخشبخش ترجمه کنید. این کار باعث میشود کنترل بیشتری روی خروجی داشته باشید و اگر بخشی از متن در OCR یا ترجمه دچار خطا شد، راحتتر آن را اصلاح کنید.
مرحله هفتم؛ ترجمه نهایی را بازبینی کنید
در پایان، ترجمه نهایی را با فایل اصلی مقایسه کنید. اصطلاحات تخصصی، نامها، اعداد، تاریخها، جدولها و جملههای حساس را جداگانه بررسی کنید.
ترجمه PDF اسکن شده زمانی نتیجه بهتری میدهد که سه مرحله درست انجام شده باشد: فایل باکیفیت، OCR دقیق و بازبینی ترجمه. این مسیر کمک میکند خروجی نهایی فقط یک ترجمه سریع نباشد، بلکه متنی قابل استفاده، خوانا و قابل اعتماد باشد.
ترجمه PDF اسکن شده با ترجمیفای؛ OCR و ترجمه در یک مرحله
اگرچه برای ترجمه PDF اسکن شده معمولاً باید ابتدا متن با OCR استخراج شود و بعد متن استخراجشده ترجمه شود، اما در ترجمیفای این دو مرحله بهصورت یکپارچه انجام میشود. یعنی لازم نیست کاربر جداگانه سراغ ابزار OCR برود، متن را کپی کند و بعد آن را در یک ابزار ترجمه وارد کند. ترجمیفای میتواند متن داخل تصویر، سند اسکن شده یا PDF تصویری را شناسایی کند و سپس همان متن را به زبان مقصد ترجمه کند.
به همین دلیل، برای کاربرانی که میخواهند ترجمه فایل PDF اسکن شده، ترجمه PDF تصویری یا ترجمه سند اسکن شده را سریعتر انجام دهند، ترجمیفای مسیر سادهتری فراهم میکند. کافی است فایل یا تصویر موردنظر را بارگذاری کنید، زبان مبدأ و مقصد را انتخاب کنید و خروجی ترجمهشده را دریافت کنید.
البته اگر فایل کیفیت پایینی داشته باشد یا شامل جدول، اعداد حساس، اصطلاحات تخصصی یا متن چندستونه باشد، بهتر است ترجمه نهایی را یکبار بازبینی کنید تا نتیجه دقیقتر و قابلاعتمادتر شود.
چه چیزهایی دقت ترجمه PDF اسکن شده را کم میکند؟
دقت ترجمه PDF اسکن شده فقط به ابزار ترجمه بستگی ندارد. چون قبل از ترجمه، متن باید از تصویر شناسایی شود، هر عاملی که کیفیت OCR را پایین بیاورد، روی ترجمه نهایی هم اثر میگذارد.
کیفیت پایین اسکن
اگر عکس تار باشد، نور کافی نداشته باشد، صفحه کج اسکن شده باشد یا سایه روی نوشتهها افتاده باشد، OCR ممکن است کلمات را اشتباه بخواند. در نتیجه، ترجمه هم براساس متن اشتباه انجام میشود.
جدولها و ستونبندی پیچیده
در فایلهای چندستونه، مقالهها، فرمها و جدولهای شلوغ، ممکن است ترتیب پاراگرافها یا ردیفها هنگام ترجمه عکس PDF بههم بخورد. این موضوع در ترجمه PDF تصویری باعث میشود معنی جملهها ناقص یا نامرتب شود.
ترکیب فارسی و انگلیسی
در متنهای علمی، دانشگاهی و فنی، معمولاً فارسی و انگلیسی کنار هم قرار میگیرند. این ترکیب گاهی باعث خطا در تشخیص متن یا ترجمه میشود؛ مخصوصاً در اصطلاحات تخصصی، نام ابزارها و عبارتهای اختصاری.
اعداد، تاریخها و نامهای خاص
اعداد، تاریخها، نام اشخاص، مکانها و برندها باید همیشه بعد از ترجمه بررسی شوند. یک خطای کوچک در عدد یا تاریخ میتواند معنی کل متن را تغییر دهد.
فونتهای قدیمی یا اسناد کمکیفیت
کتابهای قدیمی، اسناد بایگانیشده، کپیهای چندباره و فایلهایی با فونت نامعمول معمولاً خطای OCR بیشتری دارند و برای ترجمه سند اسکن شده به بازبینی دقیقتری نیاز دارند.
ترجمه PDF اسکن شده با ترجمه PDF معمولی چه فرقی دارد؟
| ویژگی | PDF معمولی | PDF اسکن شده |
| متن قابل انتخاب است؟ | معمولاً بله | خیر |
| نیاز به OCR دارد؟ | معمولاً خیر | بله |
| احتمال خطای ترجمه | کمتر | بیشتر، چون OCR هم دخیل است |
| مناسب برای ترجمه مستقیم | بله | فقط بعد از استخراج متن |
| نیاز به بازبینی نهایی | بله | بیشتر |
چه زمانی ترجمه خودکار PDF اسکن شده کافی نیست؟
ترجمه خودکار برای فهم سریع متن، مقاله یا سند اسکن شده بسیار کاربردی است؛ اما همیشه نباید خروجی آن را بدون بررسی نهایی استفاده کرد. اگر فایل شما قرارداد، سند حقوقی، مدرک مهاجرتی، مدرک پزشکی، مقاله تخصصی، پایاننامه، پروپوزال، فاکتور یا سند مالی است، حتماً ترجمه را بازبینی کنید.
در متنهایی که عدد، جدول، فرمول، نام خاص یا اصطلاح تخصصی دارند، ترجمه خودکار میتواند نقطه شروع خوبی باشد؛ اما خروجی نهایی باید با فایل اصلی مقایسه شود تا خطاهای احتمالی OCR یا ترجمه اصلاح شوند.
سؤالات متداول
آیا PDF اسکن شده را میتوان ترجمه کرد؟
بله، برای ترجمه PDF اسکن شده معمولاً ابتدا متن با OCR استخراج و سپس ترجمه میشود.
چرا متن PDF من قابل کپی نیست؟
چون احتمالاً صفحات PDF بهصورت تصویر ذخیره شدهاند و متن واقعی ندارند.
برای ترجمه PDF اسکن شده باید اول آن را Word کنم؟
نه همیشه. اگر فقط ترجمه میخواهید، OCR و ترجمه کافی است. Word برای ویرایش و قالببندی لازم میشود.
آیا OCR روی کیفیت ترجمه اثر دارد؟
بله، خطای OCR مستقیماً روی ترجمه اثر میگذارد.
آیا برای متن تخصصی قابل اعتماد است؟
برای فهم کلی بله؛ اما متون رسمی و تخصصی باید بازبینی شوند.