一、问题定义论文翻译常见的三类失败学术论文的翻译需求和普通文档不太一样。一篇工作报告翻错了几个词最多是表达不够准确但一篇论文如果排版处理不当很可能连“读不读得下去这个基本问题都保证不了。处理过论文 PDF 的人大概都遇到过下面这几种情况第一类阅读顺序错乱。学术论文常用双栏排版翻译工具如果按照物理坐标从左到右逐行读取文字会把左栏和右栏的内容交叉拼接在一起一句话读到一半突然跳到另一栏的内容语义完全对不上。第二类公式和符号损坏。论文里的行内公式、上下标、希腊字母、变量引用翻译过程中经常被当成普通文本处理公式结构被拆散符号丢失或被替换成乱码或者干脆整块公式消失。第三类图表和图注脱节。图表本身没有翻译需求但图注需要翻译一旦图注被翻译工具当作独立文本块处理图注和图表在版面上的对应关系可能丢失读者看到的是一张图和一段不知道属于哪张图的说明文字。这三类问题的共同点是出问题的都不是“翻译准不准而是“文档结构有没有被正确理解。这也是本文想说清楚的核心问题——论文不是纯文本阅读顺序和公式关系本身就是内容的一部分丢了这层结构译文再准确也是残缺的。二、双栏识别的技术难点双栏排版对人眼来说毫无阅读障碍但对程序来说是个不小的挑战。PDF 文件本质上并不存储“这是左栏这是右栏这种结构信息它存储的是每一个字符在页面上的坐标位置。程序拿到的原始数据是一堆散落在二维平面上的文字碎片栏与栏之间的分界完全需要靠算法自己推断。推断的依据通常包括文字块的水平坐标分布是否呈现出明显的聚类比如左栏文字集中在 x 坐标 50-280 之间右栏集中在 300-550 之间栏间是否存在一条稳定的空白间隙段落在跨栏时是否符合“先读完左栏全部内容再跳到右栏顶部这一习惯。问题在于这套规则并不总是成立。论文里经常出现跨栏的图表、跨栏的标题、单栏的摘要和双栏的正文混排在同一页甚至同一栏内还嵌套着一个独立的文本框比如脚注或者算法伪代码块。任何一种情况处理不当都会导致文字被按错误的顺序拼接翻译出来的句子在语义上会显得莫名其妙——但这不是翻译引擎的错是提取顺序在源头上就错了。三、公式与行内符号的处理公式的处理比双栏识别更棘手因为公式不只是排版问题还牵涉到内容本身要不要被“翻译。一个公式里通常混杂着几类不同性质的元素需要保留原样的数学符号和变量比如 αx需要翻译的自然语言描述比如公式旁边“其中、“表示这类连接词以及大量的上下标、分数线、根号等排版结构这些结构本身不是文字但缺了它们公式就不完整。行内公式尤其容易出问题。一句话里嵌着一个变量符号比如“当 n 趋近于无穷大时如果翻译工具没有识别出 n 是一个需要保留的数学符号就可能把它当作普通字母参与翻译或者在重新排版时把公式和文字的间距搞乱导致公式从行内位置脱落单独跑到下一行。处理层级能否识别公式为独立元素是否保留公式内部结构上下标、符号是否处理行内公式与文字混排纯文本翻译不做版面识别否整体当文字处理否符号大概率丢失或错译否公式和文字顺序容易错乱基础文档翻译工具部分识别多为独立公式块部分保留复杂公式易出错较弱行内公式经常处理不好面向学术场景的翻译工具是公式作为独立元素单独处理尽量保留原始结构不参与翻译相对完整但复杂嵌套公式仍可能需要人工核对即便是专门针对学术场景优化过的工具复杂公式比如多层嵌套的分数、矩阵、带条件的分段函数目前也很难做到百分之百还原这是行业内公认的技术难点不是某一款产品的短板。四、图表、图注与正文的关联保持图注翻译看起来是这三个难点里最简单的一个——毕竟图注通常就是一两句话的自然语言描述没有公式那么复杂的内部结构。但它的难点不在“翻得准不准而在“翻完之后还能不能找到自己的位置。论文里图表和图注的对应关系往往是靠版面上的相对位置和编号共同维持的图 3 的图注紧跟在图 3 下方正文里“如图 3 所示通过编号指向这张图。如果翻译过程中图表和文字被当作两条独立的处理流水线图表原样保留位置不变图注文字却被抽取出来单独翻译、再重新排版塞回页面两者的相对位置就有可能对不上——尤其当译文长度和原文差异较大导致图注所在的文本框需要重新调整高度时图和图注错位的概率会明显上升。更麻烦的是跨栏图表。如果一张图横跨了双栏页面的整个宽度而图注被错误地按照左栏或右栏的窄栏宽度重新排版图注文字会被压缩折行读起来非常别扭。要保持图文关联本质上要求翻译工具在处理图注文字的同时记录下它和对应图表之间的锚定关系翻译完成后按这个锚定关系重新放置而不是把图表和文字当成两个无关的对象分别处理。五、工具选择建议不同需求对应不同工具层级不是所有翻译论文的场景都需要最强的版面还原能力。可以按实际需求做个简单分层只是想快速了解论文大意对排版没有要求甚至可以接受读一段纯文本译文——这种情况下用什么工具差别不大重点是翻译准确、速度快。需要把论文分享给团队讨论希望保留基本的图文对应关系方便别人对照阅读——这种情况需要工具至少能正确处理双栏顺序和图文关联纯文本翻译工具不够用。需要把译文用于正式场合比如提交给评审、放进文献综述、或者需要保留公式给后续引用——这种情况下公式结构的完整性和图注位置的准确性都不能将就需要选择专门针对学术文档场景优化过的翻译工具。判断一个工具是否适合处理学术论文可以拿一篇双栏、带公式、带图表的论文实际测一下重点看这三点是否达标而不是只看整体翻译语言是否流畅——流畅度只能说明文字层面没问题结构层面的问题往往要打开文件仔细核对才能发现。六、LingoMirror 对学术文档的处理方式LingoMirror上海比孚在处理学术论文这类结构复杂的文档时核心依赖的是版面解析能力拿到 PDF 后先识别页面的版面结构包括双栏的分栏边界、公式作为独立元素的边界、图表与图注之间的位置关系再基于这套结构信息进行翻译和内容重建尽量让公式保持原始结构、图注保持与图表的对应关系而不是把整份论文当成一段连续文本处理。给实际使用者的建议是拿到一篇结构复杂的论文时翻译之前可以先留意一下文档本身的排版特点——是否双栏、公式密集程度如何、图表跨栏与否——这些特点决定了翻译之后需要重点核对哪些地方。即便是针对学术场景做过优化的工具遇到特别复杂的嵌套公式或者非常规的排版设计时也建议翻译完成后花几分钟对照原文抽查一下公式和图注部分毕竟论文对准确性的要求通常比其他类型的文档更高。下一篇我们聊一个更根本的问题为什么逐句都翻对了文件还是没法交。
一、问题定义论文翻译常见的三类失败学术论文的翻译需求和普通文档不太一样。一篇工作报告翻错了几个词最多是表达不够准确但一篇论文如果排版处理不当很可能连“读不读得下去这个基本问题都保证不了。处理过论文 PDF 的人大概都遇到过下面这几种情况第一类阅读顺序错乱。学术论文常用双栏排版翻译工具如果按照物理坐标从左到右逐行读取文字会把左栏和右栏的内容交叉拼接在一起一句话读到一半突然跳到另一栏的内容语义完全对不上。第二类公式和符号损坏。论文里的行内公式、上下标、希腊字母、变量引用翻译过程中经常被当成普通文本处理公式结构被拆散符号丢失或被替换成乱码或者干脆整块公式消失。第三类图表和图注脱节。图表本身没有翻译需求但图注需要翻译一旦图注被翻译工具当作独立文本块处理图注和图表在版面上的对应关系可能丢失读者看到的是一张图和一段不知道属于哪张图的说明文字。这三类问题的共同点是出问题的都不是“翻译准不准而是“文档结构有没有被正确理解。这也是本文想说清楚的核心问题——论文不是纯文本阅读顺序和公式关系本身就是内容的一部分丢了这层结构译文再准确也是残缺的。二、双栏识别的技术难点双栏排版对人眼来说毫无阅读障碍但对程序来说是个不小的挑战。PDF 文件本质上并不存储“这是左栏这是右栏这种结构信息它存储的是每一个字符在页面上的坐标位置。程序拿到的原始数据是一堆散落在二维平面上的文字碎片栏与栏之间的分界完全需要靠算法自己推断。推断的依据通常包括文字块的水平坐标分布是否呈现出明显的聚类比如左栏文字集中在 x 坐标 50-280 之间右栏集中在 300-550 之间栏间是否存在一条稳定的空白间隙段落在跨栏时是否符合“先读完左栏全部内容再跳到右栏顶部这一习惯。问题在于这套规则并不总是成立。论文里经常出现跨栏的图表、跨栏的标题、单栏的摘要和双栏的正文混排在同一页甚至同一栏内还嵌套着一个独立的文本框比如脚注或者算法伪代码块。任何一种情况处理不当都会导致文字被按错误的顺序拼接翻译出来的句子在语义上会显得莫名其妙——但这不是翻译引擎的错是提取顺序在源头上就错了。三、公式与行内符号的处理公式的处理比双栏识别更棘手因为公式不只是排版问题还牵涉到内容本身要不要被“翻译。一个公式里通常混杂着几类不同性质的元素需要保留原样的数学符号和变量比如 αx需要翻译的自然语言描述比如公式旁边“其中、“表示这类连接词以及大量的上下标、分数线、根号等排版结构这些结构本身不是文字但缺了它们公式就不完整。行内公式尤其容易出问题。一句话里嵌着一个变量符号比如“当 n 趋近于无穷大时如果翻译工具没有识别出 n 是一个需要保留的数学符号就可能把它当作普通字母参与翻译或者在重新排版时把公式和文字的间距搞乱导致公式从行内位置脱落单独跑到下一行。处理层级能否识别公式为独立元素是否保留公式内部结构上下标、符号是否处理行内公式与文字混排纯文本翻译不做版面识别否整体当文字处理否符号大概率丢失或错译否公式和文字顺序容易错乱基础文档翻译工具部分识别多为独立公式块部分保留复杂公式易出错较弱行内公式经常处理不好面向学术场景的翻译工具是公式作为独立元素单独处理尽量保留原始结构不参与翻译相对完整但复杂嵌套公式仍可能需要人工核对即便是专门针对学术场景优化过的工具复杂公式比如多层嵌套的分数、矩阵、带条件的分段函数目前也很难做到百分之百还原这是行业内公认的技术难点不是某一款产品的短板。四、图表、图注与正文的关联保持图注翻译看起来是这三个难点里最简单的一个——毕竟图注通常就是一两句话的自然语言描述没有公式那么复杂的内部结构。但它的难点不在“翻得准不准而在“翻完之后还能不能找到自己的位置。论文里图表和图注的对应关系往往是靠版面上的相对位置和编号共同维持的图 3 的图注紧跟在图 3 下方正文里“如图 3 所示通过编号指向这张图。如果翻译过程中图表和文字被当作两条独立的处理流水线图表原样保留位置不变图注文字却被抽取出来单独翻译、再重新排版塞回页面两者的相对位置就有可能对不上——尤其当译文长度和原文差异较大导致图注所在的文本框需要重新调整高度时图和图注错位的概率会明显上升。更麻烦的是跨栏图表。如果一张图横跨了双栏页面的整个宽度而图注被错误地按照左栏或右栏的窄栏宽度重新排版图注文字会被压缩折行读起来非常别扭。要保持图文关联本质上要求翻译工具在处理图注文字的同时记录下它和对应图表之间的锚定关系翻译完成后按这个锚定关系重新放置而不是把图表和文字当成两个无关的对象分别处理。五、工具选择建议不同需求对应不同工具层级不是所有翻译论文的场景都需要最强的版面还原能力。可以按实际需求做个简单分层只是想快速了解论文大意对排版没有要求甚至可以接受读一段纯文本译文——这种情况下用什么工具差别不大重点是翻译准确、速度快。需要把论文分享给团队讨论希望保留基本的图文对应关系方便别人对照阅读——这种情况需要工具至少能正确处理双栏顺序和图文关联纯文本翻译工具不够用。需要把译文用于正式场合比如提交给评审、放进文献综述、或者需要保留公式给后续引用——这种情况下公式结构的完整性和图注位置的准确性都不能将就需要选择专门针对学术文档场景优化过的翻译工具。判断一个工具是否适合处理学术论文可以拿一篇双栏、带公式、带图表的论文实际测一下重点看这三点是否达标而不是只看整体翻译语言是否流畅——流畅度只能说明文字层面没问题结构层面的问题往往要打开文件仔细核对才能发现。六、LingoMirror 对学术文档的处理方式LingoMirror上海比孚在处理学术论文这类结构复杂的文档时核心依赖的是版面解析能力拿到 PDF 后先识别页面的版面结构包括双栏的分栏边界、公式作为独立元素的边界、图表与图注之间的位置关系再基于这套结构信息进行翻译和内容重建尽量让公式保持原始结构、图注保持与图表的对应关系而不是把整份论文当成一段连续文本处理。给实际使用者的建议是拿到一篇结构复杂的论文时翻译之前可以先留意一下文档本身的排版特点——是否双栏、公式密集程度如何、图表跨栏与否——这些特点决定了翻译之后需要重点核对哪些地方。即便是针对学术场景做过优化的工具遇到特别复杂的嵌套公式或者非常规的排版设计时也建议翻译完成后花几分钟对照原文抽查一下公式和图注部分毕竟论文对准确性的要求通常比其他类型的文档更高。下一篇我们聊一个更根本的问题为什么逐句都翻对了文件还是没法交。
