Traduire un PDF scanné : problèmes d'OCR et solutions pratiques
Apprenez à océriser et traduire des PDF scannés, à diagnostiquer les échecs de reconnaissance courants et à préserver la mise en page grâce à un flux de travail adapté aux documents.
Réponse rapide : un PDF scanné nécessite l'OCR avant la traduction
Pour traduire un PDF scanné, commencez par lancer l'OCR afin de convertir les images de pages en texte sélectionnable. Traduisez ensuite le PDF océrisé avec un traducteur de documents tel que PDF Translator. Si vous sautez l'OCR, de nombreux outils de traduction renverront le fichier original inchangé, manqueront des pages ou ne traduiront que les parties contenant déjà une couche de texte.
Utilisez ce flux de travail :
- Ouvrez le PDF et essayez de sélectionner une phrase.
- Si vous ne pouvez pas sélectionner de texte, lancez l'OCR.
- Vérifiez le texte OCR avant de traduire.
- Téléchargez le PDF océrisé sur PDF Translator.
- Comparez le résultat traduit avec le scan original.
Si votre PDF contient déjà du texte sélectionnable et que le problème est la préservation de la mise en page, consultez le guide pour traduire un PDF sans perdre le formatage.
Pourquoi les PDF scannés échouent dans les outils de traduction
Un PDF scanné n'est souvent qu'un ensemble d'images de pages dans un conteneur PDF. La page peut montrer des mots à un humain, mais le fichier peut ne pas contenir de texte réel que le logiciel peut extraire.
Cela crée un échec simple :
| Type de fichier | Ce que voit le traducteur | Ce qui se passe |
|---|---|---|
| PDF textuel | Texte et données de mise en page | La traduction peut commencer immédiatement. |
| PDF scanné composé uniquement d'images | Images de pages | L'OCR est requis au préalable. |
| PDF avec texte superposé à l'image | Image numérisée avec couche de texte OCR masquée | La traduction peut fonctionner, mais les erreurs d'OCR nuisent à la qualité. |
Le test le plus utile n'est pas technique :
- Ouvrez le PDF.
- Essayez de surligner des mots individuellement.
- Copiez une phrase.
- 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 toute la page se comporte comme une seule image, le PDF a besoin de l'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 par-dessus la page numérisée.
Cette couche de texte devient la source de la traduction. Si l'OCR commet des erreurs, la traduction hérite de ces erreurs.
Erreurs d'OCR courantes :
| Erreur d'OCR | Risque de traduction |
|---|---|
rn lu comme m | Les mots changent de sens. |
1 lu comme l | Les nombres, références ou codes deviennent erronés. |
O lu comme 0 | Les identifiants, formules et noms peuvent être altérés. |
| Accents omis | Les noms et termes deviennent imprécis. |
| Colonnes fusionnées | Les phrases sont traduites dans le mauvais ordre. |
| Les cellules du tableau sont lues ligne par ligne de manière incorrecte | Les étiquettes de données ne correspondent plus aux valeurs. |
| Les notes de bas de page traitées comme du texte courant | Les citations et les notes se retrouvent dans le mauvais contexte. |
C'est pourquoi l'étape de vérification de l'OCR est essentielle. Ne traduisez pas un document numérisé avant d'avoir vérifié par échantillonnage 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 de l'OCR. Si la sélection échoue, considérez le fichier comme composé uniquement d'images.
Inspectez également 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 renumériser, faites-le avant de passer du temps à corriger les erreurs d'OCR.
Utilisez cette liste de contrôle pour la qualité de l'image :
- Numérisez à une résolution suffisamment élevée pour les petits textes.
- Gardez les pages à plat et droites.
- Évitez les ombres près de la reliure.
- Recadrez les bords de tableaux, les doigts ou les éléments parasites en arrière-plan.
- Utilisez un fort contraste 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 livres anciens et les photocopies, les gains les plus importants proviennent généralement du redressement, de la correction du contraste et de la numérisation à nouveau des pages floues.
Étape 3 : lancer l'OCR
Choisissez un outil d'OCR en fonction du document, pas de la marque.
| Option OCR | Idéal pour | Points de vigilance |
|---|---|---|
| OCR d'Adobe Acrobat | Numérisations professionnelles courantes et nettoyage de PDF | Vérifiez l'accès à votre offre actuelle avant de vous y fier. |
| ABBYY FineReader | Numérisations complexes, tableaux, colonnes et mises en page difficiles | Nécessite toujours une relecture manuelle. |
| Tesseract ou OCRmyPDF | Flux de travail OCR locaux, techniques et reproductibles | Nécessite une certaine aisance avec les outils en ligne de commande. |
| Outils d'OCR en ligne | Fichiers occasionnels à faible risque | La confidentialité, les limites de taille et la qualité varient. |
| Applications de numérisation pour téléphone | Capturer rapidement une nouvelle numérisation | La distorsion de perspective peut nuire à l'OCR. |
Pour les contrats privés, les dossiers médicaux, les documents financiers, les manuscrits non publiés ou les travaux universitaires en cours d'évaluation, privilégiez un flux de travail OCR local ou un environnement de confiance. Ne téléversez pas de numérisations sensibles sur des sites d'OCR gratuits quelconques.
Étape 4 : relire le texte OCR
Relisez avant de traduire, pas après. Copiez le texte de plusieurs pages difficiles et vérifiez s'il est lisible.
Pages à inspecter en priorité :
- La page de titre.
- Une page de texte dense.
- Une page contenant un tableau.
- Une page avec des notes de bas de page.
- Une page avec du texte en petits caractères.
- Une page avec des tampons, des annotations manuscrites ou des notes en marge.
- Une page dans chaque langue si le document est multilingue.
Recherchez :
- Des paragraphes manquants.
- Des colonnes fusionnées.
- Des mots coupés.
- Des caractères erronés.
- Des diacritiques perdus.
- Des libellés de tableau séparés de leurs valeurs.
- Des en-têtes insérés dans le corps du texte.
- Des numéros de page mélangés aux phrases.
Si la qualité de l'OCR est médiocre, corrigez-la avant de traduire. 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 dispose d'une couche de texte propre, importez-le dans PDF Translator. L'étape de traduction peut alors travailler sur du texte plutôt que sur des images de pages.
Après la traduction, comparez :
- Le scan original
- La couche de texte OCR
- PDF traduit
Cette vérification en trois étapes vous aide à déterminer si une erreur provient de l'OCR ou de la traduction. Si le texte OCR est erroné, relancez l'OCR. Si le texte OCR est correct mais que la traduction est erronée, 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 minutieuse : anciens contrats, formulaires administratifs, articles universitaires, manuels, documents historiques et pages de livres.
Vérifiez manuellement ces éléments :
- Noms
- Dates
- Nombres
- Adresses
- Codes produit
- Références juridiques
- Citations
- Étiquettes de tableau
- Unités
- Équations
- Légendes
- Notes de bas de page
Pour les fichiers de recherche et universitaires, consultez également le guide sur la traduction d'articles de recherche universitaires, car les PDF universitaires numérisés ajoutent des risques liés aux citations et à la mise en page en plus du risque OCR.
Exemples d'échecs en comparaison côte à côte
Utilisez ce tableau lors de la vérification de la sortie OCR.
| Le scan original montre probablement | Sortie OCR erronée | Pourquoi c'est important |
|---|---|---|
modern | modem | Le sens change complètement. |
Section 10 | Section IO | Les références juridiques ou techniques peuvent être erronées. |
2026 | 2O26 | Les dates et les identifiants deviennent peu fiables. |
patient | patlent | Les termes médicaux ou techniques deviennent incorrects. |
| Deux colonnes distinctes | Un paragraphe fusionné | La traduction lit les phrases dans le mauvais ordre. |
| Ligne de tableau avec libellés et valeurs | Une seule ligne de texte mixte | Les données ne correspondent plus au bon libellé. |
Appel de note 1 | Lettre l | Les notes peuvent être rattachées à la mauvaise phrase. |
Si vous constatez ces erreurs dans la couche OCR, corrigez l'OCR avant de traduire.
Quel outil utiliser ?
Choisissez en fonction de la difficulté du document.
| Document | Parcours recommandé |
|---|---|
| Scan professionnel propre | OCR dans Acrobat ou un autre outil OCR fiable, puis PDF Translator. |
| Scan de livre ancien | Redressez et améliorez le contraste, effectuez un OCR soigné, puis traduisez. |
| Scan d'article universitaire | OCR, vérifiez les équations, les citations et les tableaux, puis traduisez en contrôlant la mise en page. |
| Notes manuscrites | Une transcription manuelle peut être nécessaire avant la traduction. |
| Document personnel simple | L'OCR en ligne peut convenir si le risque pour la vie privée est faible. |
| Document sensible | Utilisez un OCR local ou un flux de travail contrôlé et fiable. |
Si vous souhaitez une comparaison plus large des outils, consultez le guide des meilleurs traducteurs PDF.
Problèmes courants des PDF numérisés
Pages à basse résolution
Les numérisations à basse résolution rendent les lettres floues. L'OCR peut confondre rn et m, cl et d, ou encore la ponctuation et les poussières.
Solution : renumérisez si possible. Sinon, augmentez le contraste et relancez l'OCR.
Pages inclinées ou courbées
Les numérisations de livres sont souvent courbées près de la reliure. L'OCR lit mal les lignes courbes et peut réorganiser le texte.
Solution : aplatissez la page, renumérisez ou utilisez un outil OCR doté de fonctions de redressement et de correction de la courbure.
Mise en page multicolonne
L'OCR peut fusionner les colonnes de gauche et de droite en un seul flux de phrases.
Solution : vérifiez l'ordre de lecture avant la traduction. Les articles universitaires demandent une attention particulière à ce niveau.
Tableaux
Les tableaux sont difficiles car 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 erronée.
Solution : copiez le texte OCR du tableau et vérifiez 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 manqués ou déformés.
Solution : transcrivez manuellement les passages manuscrits essentiels avant la traduction.
Langues mélangées
L'OCR fonctionne mieux lorsqu'il connaît la langue source. Une numérisation contenant de l'anglais, du français et du chinois peut échouer si l'OCR n'est configuré que pour une seule langue.
Correctif : sélectionnez toutes les langues OCR pertinentes si l'outil le permet, puis vérifiez par échantillonnage chaque section linguistique.
Liste de contrôle pour la confidentialité et la sécurité
Avant de téléverser un PDF numérisé où que ce soit, demandez-vous :
- Le document contient-il des données personnelles ?
- Comprend-il des éléments médicaux, juridiques, financiers, universitaires ou non publiés ?
- 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 car 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 manière que le document original.
Articles connexes
