Comment traduire un PDF numérisé : le guide complet OCR + traduction

Réponse rapide : un PDF numérisé a besoin d’un OCR avant la traduction

Pour traduire un PDF numérisé, exécutez d’abord un OCR afin de transformer les images des pages en texte sélectionnable. Ensuite, traduisez le PDF traité par OCR avec un traducteur de documents comme PDF Translator. Si vous sautez l’OCR, de nombreux outils de traduction renverront le fichier d’origine inchangé, ignoreront des pages ou ne traduiront que les parties qui contiennent déjà une couche de texte.

Utilisez ce flux de travail :

1. Ouvrez le PDF et essayez de sélectionner une phrase.
2. Si vous ne pouvez pas sélectionner le texte, exécutez un OCR.
3. Vérifiez le texte OCR avant de traduire.
4. Téléversez le PDF traité par OCR dans PDF Translator.
5. Comparez le résultat traduit au scan d’origine.

Si votre PDF contient déjà du texte sélectionnable et que le problème concerne la préservation de la mise en page, utilisez le guide pour traduire un PDF sans perdre la mise en forme.

Pourquoi les PDF numérisés échouent dans les outils de traduction

Un PDF numérisé n’est souvent qu’un ensemble d’images de pages à l’intérieur d’un conteneur PDF. La page peut afficher des mots pour un humain, mais le fichier peut ne contenir aucun vrai texte que le logiciel puisse extraire.

Cela entraîne un échec simple :

Le test le plus utile n’est pas technique :

1. Ouvrez le PDF.
2. Essayez de surligner des mots individuellement.
3. Copiez une phrase.
4. Collez-la dans un éditeur de texte.

Si la phrase se colle correctement, le PDF possède une couche de texte. Si rien ne se colle, ou si la page entière se comporte comme une seule image, le PDF a besoin d’un OCR.

L’OCR n’est pas facultatif

OCR signifie reconnaissance optique de caractères. Il lit le texte à partir d’une image et crée un texte lisible par machine. Pour la traduction de PDF, l’OCR crée généralement une couche de texte invisible au-dessus de la page numérisée.

Cette couche de texte devient la source de la traduction. Si l’OCR fait des erreurs, la traduction hérite de ces erreurs.

Erreurs fréquentes d’OCR :

C’est pourquoi l’étape de vérification de l’OCR est importante. Ne traduisez pas un document numérisé avant d’avoir contrôlé par sondage le texte extrait.

Le flux de travail OCR d’abord

Étape 1 : identifier le type de PDF

Essayez de sélectionner du texte. Si la sélection fonctionne, vous n’avez peut-être pas besoin d’OCR. Si la sélection échoue, traitez le fichier comme un document en image seule.

Inspectez aussi la page visuellement :

• Des pages inclinées suggèrent un scan.
• Une texture de papier grise suggère un scan.
• Des ombres près de la reliure suggèrent un livre photographié.
• Un contraste irrégulier suggère une photocopie.
• Une recherche qui ne trouve pas des mots visibles suggère qu’il n’y a pas de couche de texte.

Étape 2 : améliorer le scan si possible

La qualité de l’OCR commence par la qualité de l’image. Si vous pouvez refaire le scan, faites-le avant de passer du temps à corriger les erreurs d’OCR.

Utilisez cette liste de contrôle de qualité d’image :

• Numérisez avec une résolution assez élevée pour les petits caractères.
• Gardez les pages plates et droites.
• Évitez les ombres près de la reliure.
• Recadrez les bords de table, les doigts ou l’encombrement de l’arrière-plan.
• Utilisez un contraste fort entre le texte et la page.
• Gardez toute la ligne visible.
• Utilisez la bonne orientation de page.
• Ne compressez pas l’image au point de rendre les lettres floues.

Pour les vieux livres et les photocopies, les gains les plus importants viennent généralement du redressement, de la correction du contraste et de la renumérisation des pages floues.

Étape 3 : exécuter l’OCR

Choisissez un outil OCR selon le document, pas selon la marque.

Pour les contrats privés, dossiers médicaux, documents financiers, manuscrits inédits ou travaux universitaires en cours d’évaluation, privilégiez un flux de travail OCR local ou un environnement de confiance. Ne téléversez pas des scans sensibles sur des sites OCR gratuits au hasard.

Étape 4 : vérifier le texte OCR

Vérifiez avant la traduction, pas après. Copiez le texte de plusieurs pages difficiles et contrôlez s’il reste lisible.

Exemples de pages à inspecter :

• La page de titre.
• Une page de corps de texte dense.
• Une page de tableau.
• Une page avec des notes de bas de page.
• Une page avec de petits caractères.
• Une page avec des tampons, de l’écriture manuscrite ou des notes en marge.
• Une page dans chaque langue si le document est multilingue.

Recherchez :

• Des paragraphes manquants.
• Des colonnes fusionnées.
• Des mots cassés.
• Des caractères erronés.
• Des signes diacritiques perdus.
• Des libellés de tableau séparés des valeurs.
• Des en-têtes insérés dans le corps du texte.
• Des numéros de page mêlés aux phrases.

Si la qualité de l’OCR est mauvaise, corrigez-la avant la traduction. Un traducteur ne peut pas reconstituer de manière fiable un sens que l’OCR n’a jamais capturé.

Étape 5 : traduire le PDF traité par OCR

Une fois que le PDF possède une couche de texte propre, téléversez-le dans PDF Translator. L’étape de traduction peut alors travailler avec du texte au lieu d’images de pages.

Après la traduction, comparez :

• Le scan d’origine
• La couche de texte OCR
• Le PDF traduit

Cette vérification à trois voies vous aide à identifier si une erreur provient de l’OCR ou de la traduction. Si le texte OCR est faux, relancez l’OCR. Si le texte OCR est correct mais que la traduction est fausse, corrigez la traduction.

Étape 6 : vérifier le contenu à haut risque

Les documents numérisés contiennent souvent précisément le type de contenu qui exige une vérification attentive : anciens contrats, formulaires administratifs, articles universitaires, manuels, documents historiques et pages de livres.

Vérifiez manuellement ces éléments :

• Noms
• Repères chronologiques
• Nombres
• Adresses
• Codes produit
• Références juridiques
• Références
• Libellés de tableau
• Unités
• Équations
• Légendes
• Notes de bas de page

Pour les fichiers de recherche et universitaires, lisez aussi le guide sur la traduction d’articles de recherche universitaire, car les PDF universitaires numérisés ajoutent des risques liés aux références et à la mise en page en plus du risque OCR.

Exemples d’échec côte à côte

Utilisez ce tableau pendant la vérification du résultat OCR.

Si vous voyez ces erreurs dans la couche OCR, corrigez l’OCR avant de traduire.

Quel outil faut-il utiliser ?

Choisissez selon la difficulté du document.

Si vous voulez une comparaison d’outils plus large, consultez le guide des meilleurs traducteurs PDF.

Problèmes fréquents des PDF numérisés

Pages à basse résolution

Les scans à basse résolution rendent les lettres floues et les collent entre elles. L’OCR peut confondre rn et m, cl et d, ou la ponctuation et la poussière.

Correction : refaites le scan si possible. Sinon, augmentez le contraste et essayez à nouveau l’OCR.

Pages inclinées ou courbées

Les scans de livres se courbent souvent près de la reliure. L’OCR lit mal les lignes courbées et peut réorganiser le texte.

Correction : aplatissez la page, rescanez-la ou utilisez un outil OCR avec redressement et correction de courbure.

Mise en page à plusieurs colonnes

L’OCR peut fusionner les colonnes de gauche et de droite en un seul flux de phrases.

Correction : inspectez l’ordre de lecture avant la traduction. Les articles universitaires demandent ici une attention particulière.

Tableaux

Les tableaux sont difficiles parce que l’OCR doit détecter à la fois le texte et la structure. Un tableau peut sembler correct visuellement alors que la couche de texte est fausse.

Correction : copiez le texte OCR du tableau et confirmez que les libellés correspondent toujours aux valeurs.

Écriture manuscrite et signatures

L’OCR de texte imprimé est bien plus fiable que la reconnaissance de l’écriture manuscrite. Les notes manuscrites en marge, les signatures et les formulaires remplis peuvent être ignorés ou déformés.

Correction : transcrivez manuellement l’écriture manuscrite essentielle avant la traduction.

Langues mixtes

L’OCR fonctionne mieux lorsqu’il connaît la langue source. Un scan avec de l’anglais, du français et du chinois peut échouer si l’OCR n’est réglé que sur une seule langue.

Correction : choisissez toutes les langues OCR pertinentes si l’outil le permet, puis vérifiez chaque section linguistique par sondage.

Liste de contrôle confidentialité et sécurité

Avant de téléverser un PDF numérisé n’importe où, demandez-vous :

• Le document contient-il des données personnelles ?
• Inclut-il du contenu médical, juridique, financier, universitaire ou inédit ?
• Est-il couvert par un accord client ou une politique scolaire ?
• Un service OCR en ligne est-il autorisé pour ce document ?
• Avez-vous plutôt besoin d’un flux de travail local ?
• Pouvez-vous supprimer les pages qui n’ont pas besoin d’être traduites ?

Les PDF numérisés sont souvent sensibles parce qu’ils proviennent de contrats, de pièces d’identité, de formulaires, de brouillons de recherche et d’archives internes. Traitez les décisions de téléversement OCR de la même façon que vous traiteriez le document d’origine.

FAQ

Comment traduire un PDF numérisé ?

Exécutez d’abord un OCR pour créer une couche de texte, vérifiez le résultat OCR, puis traduisez le PDF traité par OCR avec PDF Translator. Ne sautez pas l’étape de vérification de l’OCR.

Pourquoi Google Translate n’a-t-il pas traduit mon PDF numérisé ?

Le PDF est peut-être composé uniquement d’images. S’il n’y a pas de couche de texte, Google Translate n’a aucun texte à extraire. Utilisez d’abord l’OCR, puis traduisez. Le flux de travail propre à Google est présenté dans le guide Google Translate PDF.

ChatGPT peut-il traduire un PDF numérisé ?

ChatGPT peut aider avec des images individuelles ou du texte extrait, mais un PDF numérisé de plusieurs pages a toujours besoin d’un OCR et d’une vérification. Pour un flux de travail de document complet, faites d’abord l’OCR, puis utilisez un flux de traduction de PDF.

Quel est le meilleur outil OCR pour les PDF numérisés ?

Cela dépend du document. Les outils de type Acrobat et ABBYY sont utiles pour les scans généraux et complexes. Tesseract ou OCRmyPDF est utile pour les flux de travail techniques en local. L’OCR en ligne peut convenir pour des fichiers simples et peu sensibles, mais la confidentialité et la qualité varient.

L’OCR peut-il préserver la mise en forme ?

L’OCR peut créer une couche de texte et parfois récupérer l’ordre de lecture, mais ce n’est pas la même chose que préserver la mise en page traduite d’origine. Après l’OCR, utilisez un flux de traduction PDF et vérifiez le résultat par rapport à l’original.

Que faire si la qualité de l’OCR est mauvaise ?

Améliorez le scan avant de traduire. Refaites-le si possible, redressez les pages, augmentez le contraste, recadrez les éléments parasites, choisissez la bonne langue OCR et vérifiez à nouveau les pages difficiles.

L’OCR fonctionne-t-il sur des écritures non latines comme le hindi ou le tamoul ?

Oui, mais la qualité du moteur varie selon l’écriture. Les scans en devanagari, tamoul, télougou et bengali nécessitent un moteur OCR entraîné sur ces écritures, et l’étape de traduction a besoin de polices qui les affichent correctement. Un traducteur de documents avec OCR intégré gère les deux étapes ensemble — par exemple, traduire un PDF numérisé du hindi vers l’anglais.