برای ترجمه PDF اسکن شده که در واقع مجموعه‌ای از عکس‌هاست، سیستم‌های هوش مصنوعی ابتدا با استفاده از فناوری نویسه‌خوان نوری (OCR)، حروف را از روی تصاویر شناسایی کرده و به متن دیجیتال تبدیل می‌کنند. سپس این متن به موتورهای ترجمه سپرده می‌شود. پاسخ به اینکه چه چیزی ممکن است این است که اسکن‌های باکیفیت و واضح به راحتی و با دقت بالا ترجمه می‌شوند، اما اسکن‌های تار، کج یا دارای واترمارک‌های سنگین با خطای تشخیص حروف مواجه شده و خروجی ترجمه را نامفهوم می‌کنند.
بسیاری از منابع ارزشمند علمی، کتاب‌های مرجع قدیمی و اسناد تاریخی، نسخه‌ی متنی دیجیتال ندارند و تنها به صورت فایل‌های پی‌دی‌افِ اسکن‌شده در دسترس هستند. وقتی یک دانشجو یا پژوهشگر قصد دارد این منابع را بومی‌سازی کند، با چالش بزرگی روبه‌رو می‌شود؛ زیرا کامپیوترها در حالت عادی عکس را نمی‌خوانند. استفاده از پلتفرم‌های پیشرفته برای ترجمه PDF که به موتورهای قدرتمند پردازش تصویر مجهز هستند، راه نجاتی برای این دسته از اسناد است. برای مقالات ISI با متن دیجیتال، ترجمه مقاله علمی و برای PDFهای متنی با چیدمان ثابت، ترجمه PDF با حفظ قالب‌بندی مسیرهای مکمل‌اند.
تفاوت PDF متنی با PDF اسکن‌شده
قبل از هر چیز، باید بدانیم چرا پردازش این فایل‌ها متفاوت است. اگر یک فایل را از نرم‌افزار ورد (Word) به صورت PDF خروجی بگیرید، کامپیوتر دقیقاً می‌داند که هر حرف چیست و کجاست. به این فایل‌ها، پی‌دی‌افِ متنی یا (True PDF) می‌گویند که ترجمه آن‌ها برای هوش مصنوعی بسیار سریع و دقیق است.
اما وقتی یک کتاب فیزیکی را زیر دستگاه اسکنر قرار می‌دهید یا با دوربین موبایل از آن عکس می‌گیرید و آن را به PDF تبدیل می‌کنید، خروجی فقط یک تصویر پیکسلی است. کامپیوتر کلمه‌ی "Hello" را در آن فایل نمی‌بیند، بلکه فقط مجموعه‌ای از پیکسل‌های تیره و روشن را می‌بیند که شکل یک کلمه را ساخته‌اند. برای اینکه ماشین بتواند این پیکسل‌ها را ترجمه کند، ابتدا باید آن‌ها را "بخواند".
فناوری OCR؛ چشم‌های هوش مصنوعی
قلب تپنده‌ی ترجمه کتاب‌ها و اسناد تصویری، تکنولوژی OCR یا تشخیص نوری کاراکترها (Optical Character Recognition) است. این الگوریتم‌ها مانند چشم انسان عمل می‌کنند.
وقتی فایل اسکن‌شده را آپلود می‌کنید، سیستم OCR ابتدا تصویر را سیاه و سفید (Binarization) می‌کند تا کنتراست بین جوهر کلمات و سفیدی کاغذ به حداکثر برسد. سپس کجی صفحات (Deskew) را اصلاح کرده و شروع به اسکن خطوط می‌کند. شبکه عصبی، اشکال هندسی حروف انگلیسی را با دیتابیس خود مطابقت می‌دهد؛ مثلاً تشخیص می‌دهد که یک دایره با یک خط عمودی در سمت راست، حرف "a" است.
پس از اینکه تمام صفحات کتاب به این روش خوانده و به کلمات دیجیتال (Text) تبدیل شدند، فرآیند اصلی بومی‌سازی آغاز می‌شود و موتورهای زبانی، متن استخراج‌شده را به فارسی روان برمی‌گردانند.
در ترجمه اسناد اسکن‌شده چه چیزی "ممکن" است؟
اگر شرایط فایل شما ایده‌آل باشد، هوش مصنوعی می‌تواند معجزه کند. در ادامه مواردی را بررسی می‌کنیم که ابزارهای مدرن به راحتی از پس آن‌ها برمی‌آیند.
اسکن‌های با رزولوشن بالا (حداقل ۳۰۰ DPI) بهترین خوراک برای این سیستم‌ها هستند. اگر کتاب یا سندی دارید که با اسکنرهای حرفه‌ای و بدون سایه ثبت شده است، دقت استخراج کلمات در آن به بالای نود و هشت درصد می‌رسد و ترجمه نهایی بسیار روان و بی‌نقص خواهد بود.
تشخیص فونت‌های استاندارد چاپی نیز برای ماشین‌ها بسیار آسان است. فونت‌هایی مثل Times New Roman یا Arial که در اکثر کتاب‌های انگلیسی زبان استفاده می‌شوند، به راحتی توسط الگوریتم‌ها خوانده شده و پاراگراف‌بندی آن‌ها حفظ می‌شود.
علاوه بر این، در سیستم‌های پیشرفته، حتی اگر صفحه‌ی کتاب دارای عکس یا نمودار باشد، سیستم با تفکیک لایه‌ها، ابتدا عکس‌ها را کنار می‌گذارد، متن اطراف آن‌ها را با OCR می‌خواند و پس از ترجمه، متن فارسی را در کنار همان عکس‌ها قرار می‌دهد تا چیدمان صفحه‌ی کتاب حفظ شود.
در ترجمه عکس و کتاب چه چیزی "ممکن نیست" (یا خطای بالایی دارد)؟
با وجود تمام پیشرفت‌ها، هوش مصنوعی انسان نیست و محدودیت‌هایی دارد. اگر فایل شما دارای شرایط زیر باشد، نباید انتظار یک خروجی جادویی و بدون نقص را داشته باشید.
دست‌نوشته‌ها و متون خطی قدیمی
تشخیص دست‌خط (Handwriting Recognition) یکی از پیچیده‌ترین شاخه‌های هوش مصنوعی است. از آنجا که دست‌خط هر انسان منحصر‌به‌فرد است و حروف به هم چسبیده نوشته می‌شوند، الگوریتم‌های OCR عمومی معمولاً در خواندن نامه‌های دست‌نویس یا یادداشت‌های حاشیه‌ی کتاب‌ها با درصد خطای بسیار بالایی مواجه می‌شوند. ترجمه این متون اغلب به کلمات نامفهومی ختم می‌شود.
سایه‌های عمیق، تاری و رزولوشن پایین
اگر از صفحات کتاب با دوربین موبایل و در نور نامناسب عکس گرفته‌اید و بخشی از صفحه در سایه تاریک فرو رفته یا به دلیل لرزش دست تار شده است، ماشین نمی‌تواند مرز حروف را تشخیص دهد. کلمه‌ای مثل "Clear" ممکن است در یک عکس تار به اشتباه "Ciear" خوانده شود و همین یک حرف اشتباه، کل ترجمه و معنی جمله را تغییر می‌دهد.
واترمارک‌های سنگین و کاغذهای بافت‌دار
برخی از فایل‌های محافظت‌شده دارای واترمارک‌های (Watermark) بزرگ و پررنگی هستند که دقیقاً از روی کلمات رد شده‌اند. همچنین در اسناد قدیمی، کاغذها ممکن است لکه‌دار یا چروکیده باشند. این نویزهای بصری باعث می‌شوند ماشین لکه‌ها را با حروف اشتباه بگیرد و در متن استخراج‌شده، کاراکترهای بی‌معنی و عجیب‌وغریبی (Gibberish) تولید کند.
ترفندهایی برای بالا بردن کیفیت خروجی
برای اینکه بهترین نتیجه را از سیستم‌های ترجمه هوشمند بگیرید، می‌توانید قبل از آپلود فایل، چند اقدام بهینه‌سازی انجام دهید.
همیشه سعی کنید از نرم‌افزارهای اسکنر موبایل (مثل CamScanner یا Adobe Scan) استفاده کنید، زیرا این برنامه‌ها به صورت خودکار سایه‌ها را حذف کرده و کنتراست متن را برای خوانده شدن توسط ماشین به شدت بالا می‌برند.
اگر کتاب شما بسیار قطور است (مثلاً بیش از پانصد صفحه)، بهتر است آن را با نرم‌افزارهای ویرایش فایل، به فصل‌های کوچک‌تر (مثلاً بخش‌های پنجاه صفحه‌ای) تقسیم کنید و هر بخش را جداگانه برای ترجمه آپلود کنید. این کار هم سرعت پردازش را بالا می‌برد و هم از بروز خطاهای احتمالی در فایل‌های بسیار سنگین ابری جلوگیری می‌کند.
در نهایت، همیشه پس از دریافت فایل نهایی، بخش‌هایی را که در عکس اصلی تار یا ناخوانا بوده‌اند به صورت چشمی بازبینی کنید. از آنجا که سیستم در خواندن کلمات تار دچار شک می‌شود، بازبینی انسانی در این نقاط می‌تواند کیفیت ترجمه کتاب شما را تضمین کند.
جمع‌بندی؛ مرزهای تکنولوژی در خدمت یادگیری
بومی‌سازی فایل‌های اسکن‌شده ترکیبی از دو فناوری بسیار پیچیده است: بینایی ماشین (OCR) و پردازش زبان طبیعی (NLP). درک این نکته که کیفیت ترجمه وابستگی مستقیمی به کیفیت تصویر مبدأ دارد، به شما کمک می‌کند تا با دیدی واقع‌گرایانه از این ابزارها استفاده کنید. با آماده‌سازی فایل‌های خوانا و استفاده از پلتفرم‌های ابری قدرتمند، می‌توانید گنجینه‌ای از کتاب‌های مرجع و اسناد فیزیکی را در کمترین زمان ممکن به زبان فارسی برگردانده و در پژوهش‌های خود از آن‌ها بهره‌برداری کنید.
پرسش‌های متداول
آیا سیستم می‌تواند متن‌های دو ستونه در کتاب‌های اسکن‌شده را به درستی بخواند؟ بله، الگوریتم‌های پیشرفته قابلیت تشخیص ستون‌بندی (Layout Detection) را دارند و متون را به جای خواندن خطی از راست به چپِ کل صفحه، به صورت ستونی خوانده و ارتباط معنایی آن‌ها را در ترجمه حفظ می‌کنند.
آیا هزینه پردازش فایل‌های اسکن‌شده بیشتر از فایل‌های متنی است؟ از آنجا که عملیات OCR نیازمند پردازش‌های گرافیکی سنگین (GPU) در سرورهای ابری است، معمولاً زمان پردازش این فایل‌ها کمی طولانی‌تر است و در برخی پلتفرم‌ها ممکن است هزینه اعتباری بیشتری نسبت به فایل‌های متنی ساده داشته باشد.
آیا جداول موجود در یک عکس اسکن‌شده نیز به درستی ترجمه می‌شوند؟ اگر خطوط جدول در عکس کاملاً واضح و بدون کجی باشند، سیستم می‌تواند آن‌ها را به عنوان سلول‌های جدول شناسایی کرده و متن ترجمه‌شده را در همان ساختار شبکه‌ای روی عکسِ جدید بازسازی کند.
چرا گاهی اوقات کلمات انگلیسی در فایل نهایی بدون ترجمه باقی می‌مانند؟ اگر کیفیت اسکن در یک کلمه خاص به قدری پایین باشد که سیستم نتواند حتی یک حرف آن را به درستی حدس بزند، برای جلوگیری از تولید متون نامفهوم، معمولاً از ترجمه آن کلمه صرف‌نظر کرده یا آن را دست‌نخورده باقی می‌گذارد.
