夜雨聆风我做了一个复杂 PDF 翻译工具，想解决公式、图片和长文档翻译的问题
这几个月，我利用业余时间做了一个文档翻译工具，叫 TransDocAI。
它目前支持 PDF、Word 和 PPT 文档翻译，也可以把部分 PDF 处理成更适合阅读的双语网页。
网站地址：
https://transdocai.com/
最开始做这个工具，并不是因为市面上没有翻译软件。
恰恰相反，现在可以翻译文字的工具已经非常多了。Google 翻译、DeepL，以及各种大模型，都能把一段英文翻译得不错。
但在实际工作和学习中，我发现：
把一段文字翻译好，和把一份复杂文档翻译好，是两件完全不同的事。
尤其是 PDF。
一、为什么复杂 PDF 翻译仍然很麻烦？
很多人拿到一份英文资料后，会直接把 PDF 上传到某个翻译平台。
如果文件比较简单，只有普通文字，结果通常还可以。
但如果 PDF 中包含下面这些内容，问题就很容易出现：
数学公式和化学公式；
表格和跨页表格；
设备图、流程图和示意图；
双栏排版；
页眉、页脚和脚注；
特殊字体和符号；
扫描图片；
几十页甚至几百页的长文档。
常见结果包括：
文字顺序错乱；
公式变成乱码；
图片直接丢失；
表格结构被打散；
一句话被拆成很多行；
页眉页脚被反复当作正文翻译；
文件太长，翻译到一半失败；
翻译结果有文字，但几乎无法阅读。
这并不完全是翻译模型的问题。
很多时候，真正困难的是翻译之前的步骤：
怎样从 PDF 中正确提取文字、公式、图片和文档结构。
二、PDF 其实不是“固定版式的 Word”
我们平时打开 PDF，看到的是一页一页排好的文字和图片，所以很容易觉得 PDF 和 Word 差不多。
但从程序处理的角度看，很多 PDF 并没有清晰的“标题”“正文”“表格”或者“段落”结构。
有些 PDF 保存的只是：
某个坐标放一个字；
另一个坐标放一张图片；
再用很多线条组成一个表格；
公式可能是字体，也可能是一张图片。
人眼可以很自然地理解这些内容，但程序需要先重新判断：
哪些文字属于同一个段落；
哪一部分是标题；
哪些线条组成表格；
图片应该插入到哪里；
哪些内容不应该被翻译；
双栏页面应该先读左边还是右边。
因此，复杂 PDF 翻译通常不只是“调用一次翻译接口”。
它更像是一条完整的处理流程：
文档解析 → 结构识别 → 内容切分 → 翻译 → 格式重建 → 结果检查
其中任何一个环节出现问题，最后的结果都可能很难使用。
三、我为什么开始做这个工具？
我本身从事化工流程模拟、工业软件和工程项目相关工作。
工作和学习中经常会接触英文技术资料，例如：
软件使用手册；
化工工艺资料；
设备说明书；
学术论文；
带有公式和流程图的技术 PDF；
几十页甚至几百页的英文文档。
这类资料通常不只是文字多，文档结构也比较复杂。
有时为了翻译一份 PDF，需要先把它转换成 Word，再处理乱码、段落错位和公式丢失。即使花了很多时间整理，最后的结果也不一定理想。
后来，大语言模型的翻译能力越来越强，我开始思考：
能不能做一个更适合长文档和技术文档的翻译工具？
于是，我利用业余时间开始开发 TransDocAI。
刚开始我以为，主要工作只是把文档中的文字提取出来，然后交给大模型翻译。
真正开始开发后才发现，翻译反而不是最困难的部分。
更麻烦的是：
怎样识别不同类型的 PDF；
怎样切分长文档，又不破坏上下文；
怎样避免公式被错误翻译；
怎样保留图片；
怎样处理翻译失败和任务中断；
怎样让几十页的翻译结果仍然容易阅读；
怎样在配置有限的服务器上处理大文件。
这个工具也因此经历了很多次修改和重做。
PDF分析功能
四、目前提供了哪些翻译方式？
不同 PDF 的结构差异很大，因此很难用一种处理方式解决所有问题。
目前，TransDocAI 主要提供几种不同的文档处理思路。
1. 普通文档翻译
适合 Word、PPT，以及结构相对简单的 PDF。
这种方式更注重：
正文翻译；
段落完整性；
文档可编辑性；
较快的处理速度。
对于原本就是 Word 或 PPT 的文件，通常建议直接上传源文件，不要先转换成 PDF。
因为 Word 和 PPT 本身保留了更清晰的段落、文本框和页面结构，程序更容易正确处理。
2. PDF 双语阅读版
对于论文、技术手册和长篇资料，我增加了一种双语网页阅读方式。
它会尝试识别 PDF 中的：
标题层级；
正文段落；
图片；
表格；
部分公式；
章节目录。
然后把原文和译文整理成适合浏览器阅读的双语页面。
比如下面一个30mb，包括大量公司，设备图片，表格和OCR图片的长文档
这种方式不一定完全还原原 PDF 的页面布局，但阅读长文档通常更加方便。
例如，用户可以：
对照原文和译文；
按目录跳转章节；
搜索关键词；
在电脑或手机浏览器中阅读；
下载离线阅读版本。
【此处插入“双语网页阅读效果”截图】
3. 复杂 PDF 结构化处理
对于带有大量图片、公式、设备图和复杂版式的 PDF，系统会尝试使用更完整的文档解析流程。
能够直接识别的内容，会整理为结构化文字。
暂时无法可靠解析的公式、图片或者复杂区域，则尽量保留为原图，避免直接变成乱码。
这种方式处理速度会更慢，也会占用更多服务器资源，但对于部分复杂技术资料，结果会比简单提取文字更完整。
五、一次复杂化工 PDF 的实际测试
最近我测试了一份大约 24MB 的英文技术 PDF。
这份资料中包含：
大量化工设备图；
复杂公式；
多级标题；
表格；
流程说明；
多种特殊符号。
最开始，我尝试把 PDF 转换成 Word 后再翻译。
转换后的 Word 虽然保留了大致页面，但部分公式和特殊字符出现了明显乱码，有些图片附近的文字顺序也发生了变化。
【此处插入“PDF 转 Word 后乱码”截图】
之后，我使用结构化解析和双语阅读方式重新处理。
结果并不是百分之百完美，但相比简单转换，出现了几个比较明显的改善：
章节结构更加清楚；
大部分正文顺序正常；
能识别的公式得到保留；
无法可靠识别的复杂内容以图片形式保留；
设备图和正文之间的对应关系更加清楚；
翻译结果更适合连续阅读。
【此处插入“结构化双语阅读结果”截图】
这次测试也让我更加确认：
对于复杂 PDF，最重要的不一定是完全复制原来的每一页，而是尽量保留信息，并重新组织成可以正常阅读的结果。
六、这个工具目前并不完美
作为个人开发的工具，TransDocAI 目前还有不少局限。
例如：
扫描版 PDF
如果整份 PDF 实际上都是扫描图片，就需要先进行文字识别。
扫描质量较差、页面倾斜或者字符模糊时，识别结果可能不准确。
极复杂表格
普通表格相对容易处理，但跨页表格、合并单元格很多的表格，仍可能出现结构错乱。
特殊公式
部分公式可以被识别，也有一些只能保留为原图。目前还无法保证所有公式都能重新转换成可编辑格式。
原版式完全还原
如果要求译文和原文件在每一个位置都完全一致，开发难度非常高。
文字翻译后长度会发生变化，中文和英文的排版也不相同，因此复杂版式很难做到完全不变。
服务器资源有限
复杂 PDF 解析比较消耗内存和计算资源。
目前网站仍处于早期阶段，遇到多人同时处理大文件时，任务可能需要排队。
这些问题我不想回避。
相比宣传“任何 PDF 都能完美翻译”，我更希望逐步说明：
哪些文档适合处理；
哪些模式效果更好；
哪些情况可能失败；
怎样选择更合理的处理方式。
七、我希望它最终成为怎样的工具？
我并不想只做一个把文字交给大模型的简单外壳。
我更希望它逐渐成为一个面向长文档的处理工具，能够解决：
PDF、Word、PPT 长文档翻译；
技术资料双语阅读；
公式、图片和表格保留；
术语统一；
行业翻译模板；
文档格式转换；
文档拆分、合并和整理；
翻译结果导出和离线阅读。
当然，这些功能不可能一次全部完成。
PPT和word翻译
目前最重要的，还是先把 PDF、Word 和 PPT 的基础翻译体验做好，并通过真实文档不断测试和改进。
八、邀请你参与测试
TransDocAI 目前仍然处于测试和持续改进阶段。
如果你手上有下面这些资料，可以尝试使用：
英文论文；
产品手册；
技术说明书；
化工、机械、计算机等专业资料；
长篇 Word 文档；
英文 PPT；
带有图片和公式的 PDF。
使用地址：
https://transdocai.com/
目前提供一定的免费试用额度，内测阶段有免费访问码领取。
如果翻译效果不错，欢迎告诉我哪些地方对你有帮助。
如果出现乱码、图片丢失、任务失败或者排版问题，也欢迎把文档类型、页数和问题截图发给我。
对一个早期工具来说，真实文件和真实反馈，比继续闭门增加功能更有价值。
写在最后
做这个工具以后，我越来越意识到：
AI 已经显著提高了文字翻译的质量，但复杂文档处理仍然有很多问题没有解决。
PDF 解析、文档结构识别、公式保留、图片处理和长任务稳定性，每一项都比我最开始想象得更复杂。
TransDocAI 现在还只是一个很早期的个人项目。
它可能会出现问题，也不一定适合所有文件。
但如果它能够帮助一些人更方便地阅读一份英文论文、技术手册或者专业资料，那么这段时间的开发就有了实际价值。
以后我也会在这个公众号继续分享：
不同类型 PDF 的真实翻译测试；
复杂文档处理过程中遇到的问题；
AI 翻译和文档解析相关技术；
一个个人开发者制作 AI 工具的过程；
用户反馈和产品改进记录。
这是这个公众号重新开始更新的第一篇文章。
也是 TransDocAI 被更多人看到的第一步。
