為什麼 PDF 翻譯這麼難？我們到底在還原什麼？

上一篇文章《從閱讀習慣看，為什麼翻譯 PDF 時需要保留原來的排版？》中，我們從閱讀習慣出發，談到為什麼翻譯 PDF 時，不能只留下翻譯後的文字。閱讀論文、報告或技術資料時，我們會看標題、找圖表，也會在原文與譯文之間來回核對。原來的排版，幫助我們記住這些內容之間的關係。

但從技術上看，保留這些關係並不簡單。

PDF 翻譯不是把一種語言換成另一種語言，再把文字放回原來的位置。它還需要理解一頁內容由什麼組成、判斷哪些文字屬於同一部分，並在譯文長度改變之後，重新安排頁面。

真正困難的地方在於：PDF 通常只告訴我們一個元素「放在哪裡」，卻不一定告訴我們它「屬於什麼」。一段文字屬於哪個標題、圖表對應哪段說明、公式中的符號與哪句話有關，這些關係往往需要從位置、樣式與上下文推斷。雙欄、圖表、公式和表格，都會讓這種推斷更複雜。

一頁 PDF，為什麼不能直接當作文字讀取

編輯文件時，我們通常知道標題是標題、段落是段落，也知道表格中的資料屬於哪一欄。但 PDF 更接近「頁面最後呈現的樣子」：文字、線條、圖片與留白各自放在指定位置，卻不一定帶有清楚的結構資訊。

同一段話可能被拆成許多獨立的文字區塊，圖表中的文字可能與圖形分開儲存，表格也可能只有一組線條和數字，沒有明確的列、欄資訊。掃描 PDF 更特別：頁面上看到的是一張圖片，文字、表格與公式都需要先從影像辨識出來。

因此，翻譯前需要先回答一些問題：

哪些文字屬於同一個段落？
哪個標題對應下方的內容？
兩欄文字的閱讀順序是什麼？
一段說明屬於哪張圖或哪張表？
頁首、頁尾與正文應該如何區分？

如果沒有先理解這些關係，就直接擷取文字、逐段翻譯，再依序放回頁面，結果可能是每句話都翻好了，讀者卻不知道該從哪裡讀起。

所以，PDF 翻譯的第一步不是替換文字，而是盡量理解頁面的結構。技術上，這更像是在一張已經完成的頁面上，重新建立「標題—段落—圖表—說明」的關係，而不是單純讀取一串文字。

雙欄排版，真正困難的是先後順序

論文與技術報告經常採用雙欄排版。我們要還原的不是兩條直立的區域，而是讀者沿著頁面閱讀的路徑：先讀哪一欄、標題屬於哪一部分、讀到哪裡時該停下來看註腳。

人眼可以很快判斷應該先讀左欄，再讀右欄；但對處理系統來說，文字在頁面上的位置，並不自然等同於閱讀順序。

一段文字可能被拆成很多行，每一行又被辨識成獨立的文字區塊。如果只按照座標或擷取順序處理，就可能出現幾種情況：左欄還沒讀完，內容已經跳到右欄；標題被放錯位置；註腳插進正文中間；跨欄圖表被誤認為只屬於其中一欄。

技術上，系統需要同時處理頁面分區、文字區塊排序，以及穿插其中的特殊內容：

先判斷欄與欄之間的邊界；
辨識標題、正文、註腳與頁首頁尾；
還原各個文字區塊的先後關係；
翻譯後，在可用欄寬內重新安排換行；
檢查讀者是否仍能按照原來的順序讀下去。

如果譯文比原文長，原來的文字區域可能容納不下。強行維持每一行的位置，容易造成文字重疊或留白過大。好的還原，不是讓每個字都停在原來的座標上，而是盡量保留雙欄帶來的閱讀秩序。

圖表不是一張圖，而是一組彼此關聯的資訊

圖表是 PDF 翻譯中很容易被低估的部分。我們要還原的不是一張「看起來差不多」的圖，而是圖形、資料、圖例、圖說與正文之間的對應關係。

對讀者而言，一張圖和附近的文字自然屬於同一段論述；但在 PDF 內部，它們可能是彼此獨立的物件，甚至來自不同的內容圖層。

正文可以完整翻譯，但如果圖表中的標題、座標軸、圖例與註解沒有處理，讀者仍可能無法理解作者想說明什麼。反過來，如果只翻譯圖表裡的文字，卻沒有保留它與正文、圖說的對應關係，資訊也會被拆散。

一張圖通常包含幾層內容：

圖表標題，說明正在討論什麼；
座標軸與單位，說明數字應該如何理解；
圖例，說明不同顏色、線條或標記的意義；
圖中的標註，指出某個結果或變化；
圖說與正文引用，補充適用條件和解釋。

這些內容需要視為一個整體。技術上，系統要判斷它們之間的關聯，不能只依靠「距離很近」這條規則：

圖說可能在圖的下方，也可能因分頁出現在下一頁；
雙欄頁面中，最近的一段文字不一定是圖表說明；
正文可能透過「見圖 2」這類引用，指向距離較遠的圖表；
圖表裡的文字可能是可擷取文字，也可能已經與圖形合併成圖片；
座標軸、圖例與資料標籤需要翻譯，但數字和資料關係不能改動。

翻譯時要盡量保留資料、圖形與說明之間的關係，而不只是翻譯能擷取出來的句子。換句話說，系統不只要辨識「這裡有一段文字」，還要判斷「這段文字在這張圖裡扮演什麼角色」。

這也是為什麼圖表還原不能只用「文字是否翻譯」來判斷。還要檢查：圖例是否對應正確、單位是否遺漏、圖說是否仍然找得到，以及正文提到的「圖 2」是否真的指向那張圖。只要其中一個關聯出錯，即使圖表還在，讀者理解到的內容也可能已經改變。

公式難處理的，是它周圍的關係

公式本身通常不需要翻譯，但我們要還原的是它與周圍文字的關係：變數如何解釋、編號如何引用、公式前後的限制條件如何保留。

例如，公式中的變數可能在下一段才解釋，公式編號可能被正文引用，前後的限制條件也可能決定結論是否成立。如果只保留公式，卻讓變數說明、編號或上下文失去對應，讀者仍然很難運用它。

從技術上看，公式也可能以不同形式存在：有些由文字字元和向量線條組成，有些已經是圖片，不一定保留原編輯器中的數學結構。擷取時，上標、下標、根號與希臘字母可能被拆散或混淆；重新排版時，公式又不能像一般句子那樣任意換行。公式、編號與正文引用也需要維持對應，不能因為位置或順序處理錯誤，讓讀者把「公式（3）」理解成另一個公式。

因此，公式還原至少要關注幾件事：

公式中的符號、上下標與特殊字元是否完整；
公式編號是否與正文引用一致；
變數說明是否仍在相關位置附近；
公式換行後是否清楚易讀；
公式周圍的解釋文字是否被錯誤拆開。

對論文與技術資料來說，公式是否「看起來還在」只是最基本的檢查。它與前後文字的關係同樣重要。

表格錯一個位置，數字就可能變成另一個意思

表格要還原的不是框線本身，而是列、欄、表頭、單位、註解與數字之間的關係。表格中的數字，只有與正確的列、欄、表頭和單位放在一起，才具有完整意義。

實際文件可能包含合併儲存格、跨頁表頭、沒有框線的隱藏欄位，甚至只是用空白排出來的文字。翻譯後，某個儲存格的文字變長，可能影響整欄寬度；如果只按照原座標放回去，文字可能溢出、遮住下一欄，或讓讀者誤以為某個數字屬於另一列。

因此，表格還原要保留的是列欄關係、表頭層級、單位與註解，而不只是把線條畫回相同位置。

譯文變長後，頁面需要重新取得平衡

即使已正確辨識頁面結構，翻譯完成後仍有一個實際問題：不同語言表達同一個意思，所需空間並不相同。這裡要還原的不是每個字元的原座標，而是標題、段落、圖表與公式之間依然清楚的空間關係。

英文段落譯成中文後，可能變短，也可能因術語、括號與解釋變長。換一種語言，單字能否換行、標點如何排列、字型寬度如何改變，都會影響頁面最後的樣子。

這會進一步影響：

雙欄中的換行位置；
標題是否需要占用兩行；
圖表旁是否還有足夠空間；
表格文字是否超出儲存格；
原來的頁面區域是否能容納完整譯文。

因此，翻譯後的排版不能只是把譯文貼回原來的文字框，而需要在結構相近與閱讀舒適之間取得平衡。

我們如何把這些關係還原回來

在 iSomor 的處理思路中，排版還原不是最後才補上的裝飾，而是翻譯過程的一部分。目前以可擷取文字的 PDF 為處理基礎，串接頁面配置辨識、段落組織、翻譯與譯文排版。以下幾個環節既說明我們在處理什麼，也說明如何判斷還原是否有用；不表示所有複雜關係都已能自動辨識與驗證。

先把頁面拆成可以理解的內容物件

頁面解析需要結合文字位置與版面區域，盡量區分正文、標題、圖表和公式等內容，再組織需要翻譯的段落。目標不是把頁面切成更多小塊，而是減少本應相連的文字被拆開、不同區域的文字混在一起的情況。

表格就是具體例子。我們的實作加入了儲存格區域資訊，輔助後續段落分組：同一格裡的幾行文字，盡量放在一起理解；不同格的內容，盡量不要混在一起。但這不代表所有表格都已準確重建。無框線表格、複雜表頭與格內多段內容，仍可能發生分組錯誤，需要進一步核查。

讓相關資訊盡量留在一起

辨識出圖表還不夠。還原結果是否有用，也要看圖說、圖例與正文引用能否對應；公式也是一樣，編號與變數說明不能失去聯繫。

這首先是一項還原目標，而不是承諾系統已理解所有引用關係。在實際檔案中，保留原有圖形、編號及附近文字的位置關係，有助於讀者繼續核對；但面對跨頁圖說、遠距離引用，或已合併到圖片裡的文字，不能只因頁面看起來完整，就認定關聯已被正確處理。

在段落中保留必要的上下文

目前翻譯以段落為單位，而不是將每一行文字視為獨立句子。盡量正確組織段落，可以減少句子被截斷後失去上下文的問題。

但段落分組不能自動保證全文術語一致。同一個術語在標題、正文、圖例與表格中仍可能有不同譯法，尤其當它們分屬不同區域時。對重要術語與結論，我們仍建議對照原文核查，不把翻譯完成視為已完成全文一致性檢查。

根據譯文重新計算頁面空間

文字長度改變後，需要依可用區域重新安排換行與文字配置，同時盡量保留圖表、公式等內容。困難在於，單一段落放得下，不代表它就不會與相鄰區域衝突。

例如，標題譯成兩行後是否擠到下方內容；圖說變長後是否超出原有空間；表格中的譯文是否碰到相鄰欄位。這些都說明，重新排版是在彼此牽制的區域中尋找可讀的配置，而不是逐字貼回原座標。我們不把自動重建欄寬、跨頁移動圖表或重新分頁，視為所有檔案都能得到的效果。

最終結果不一定與原檔逐像素相同。更重要的是，讀者仍能區分標題與正文、找到圖表對應的說明，並沿著原來的論述繼續讀下去。

最後回到原文，檢查內容與版面

頁面看起來整齊，不代表內容已經正確。核查時需要分別看三類問題：內容有無遺漏或重複、關係有無錯配，以及頁面有無重疊、截斷或順序錯誤。這些是檢查結果時應留意的面向，不表示工具已自動完成所有內容與視覺驗證。

例如，圖表可能完整出現在頁面上，但它與圖說的對應關係已變得不清楚；公式可能沒有遺漏，上下標卻放錯位置；表格看起來對齊，某個數字卻落到相鄰欄位。這些問題需要透過內容與結構的對照來發現，不能只靠最後的截圖檢查。

對數字、術語、公式與結論而言，原文仍是重要參照。排版還原可以減少尋找與核對的阻力，卻不能取代讀者對關鍵內容的判斷。

我們追求的是能繼續閱讀，而不是一張完全相同的圖片

「還原」很容易被理解為每個字、每條線都必須停在與原文完全相同的位置。但語言已經改變時，這個目標不一定合理。

如果為了維持原來的行數，把譯文縮得很小，或讓段落擠在一起，頁面雖然更像原文，閱讀反而更困難。相反地，在可用區域內適度調整換行、字級或行距，只要標題、圖表、公式與說明之間的關係依然清楚，讀者可能更容易讀下去。

因此，我們更關心幾件實際的事：

內容是否完整保留；
閱讀順序是否清楚；
圖表、公式與正文能否對應；
讀者需要時能否回到原文核對；
頁面是否仍適合實際閱讀。

這也是 iSomor 希望解決的問題。我們不是把 PDF 變成一串翻譯後的句子，而是盡量讓它仍像一份可以閱讀、查找與持續使用的資料。

複雜檔案仍需要檢查

不同 PDF 的來源與製作方式差異很大。iSomor 目前處理包含可擷取文字的 PDF；整頁掃描影像所需的 OCR 辨識不在目前開放範圍內。即使是文字 PDF，複雜的巢狀表格、特殊字型，以及合併到圖片中的文字，也可能超出自動處理的能力範圍。

因此，翻譯完成後，尤其是論文中的關鍵數字、公式、圖表與結論，仍值得回到原文檢查。我們不把版面看起來整齊，當作內容已完全正確的證明。

對我們來說，技術工作的意義不是把複雜性轉交給讀者，而是盡量預先處理那些會打斷閱讀的部分。少一次重新整理、少一次尋找對應位置，讀者就多一點機會把注意力放回資料本身。