Como traduzir um PDF mantendo a formatação

Resposta rápida: Preserve a estrutura significativa do documento, e não cada coordenada

Para traduzir um PDF sem perder a formatação, primeiro determine se ele contém texto selecionável, imagens digitalizadas ou ambos. Em seguida, teste a página representativa mais difícil com um tradutor de PDF com noção de layout antes de processar o arquivo completo. Revise a ordem de leitura, o estouro de texto, as tabelas, os rótulos de gráficos, as notas de rodapé, as fontes e o texto da direita para a esquerda separadamente.

O objetivo não é obter uma identidade pixel por pixel. Uma tradução pode alterar uma quebra de linha ou adicionar uma página e ainda assim preservar o documento corretamente. Ela falha quando as informações desaparecem, movem-se para a linha de tabela incorreta, tornam-se ilegíveis ou perdem a relação com uma legenda, nota de rodapé ou elemento visual.

Utilize esta tabela de decisão como ponto de partida:

Este é o fluxo de trabalho central para a categoria de tradução de PDF. Se você estiver escolhendo entre produtos em vez de diagnosticar um arquivo, comece com a comparação de tradutores de PDF. Se não conseguir selecionar nenhum texto, vá diretamente para o fluxo de trabalho de PDF digitalizado e OCR.

O que "manter a formatação" realmente deve significar

A preservação da formatação não é um recurso simples de aprovação/reprovação. Ela possui pelo menos cinco camadas:

1. Completude do conteúdo: cada parágrafo, rótulo, aviso, número e nota significativa permanece presente.
2. Estrutura lógica: títulos, listas, células de tabela, legendas, notas de rodapé e ordem de leitura continuam expressando as mesmas relações.
3. Hierarquia visual: os títulos continuam parecendo títulos, as legendas permanecem subordinadas e os objetos relacionados continuam agrupados.
4. Suporte a scripts: as fontes escolhidas contêm os glifos de destino, e a direcionalidade e a pontuação são renderizadas corretamente.
5. Usabilidade da página: o resultado permanece legível em um tamanho normal, sem cortes, sobreposições ou redução indiscriminada de fontes.

A documentação de PDF da Adobe descreve o conteúdo visível da página como uma lista de objetos e operações de marcação, e não como uma sequência de parágrafos editáveis semelhante ao Word. Ela também distingue a estrutura lógica de um documento do seu posicionamento visual. Essa distinção explica por que um PDF pode parecer correto enquanto o texto copiado, a ordem de acessibilidade ou a ordem de tradução estão incorretos. Consulte a documentação da Adobe sobre conteúdo de página de PDF e estrutura lógica em PDFs marcados.

A regra prática é simples: compare o documento traduzido no nível das relações, e não apenas por capturas de tela.

Um teste de estresse de layout de PDF reprodutível

Criamos um teste de estresse de tradução de layout de PDF sintético de duas páginas para que as partes difíceis de um PDF possam ser testadas sem documentos de clientes. Trata-se de um PDF em formato A4, marcado, com nomes e figuras inventados. É um fixture, não um benchmark de fornecedor e nem prova de que qualquer ferramenta produza uma tradução precisa.

A Página 1 testa:

• ordem de leitura em duas colunas;
• uma tabela com uma célula mesclada;
• um número inteiro, valor de moeda, porcentagem com sinal e fórmula;
• rótulos de gráficos cuja posição transmite significado;
• uma região de texto fixa propositalmente estreita;
• uma nota de rodapé que deve permanecer conectada ao seu marcador.

A Página 2 posiciona texto em inglês, alemão, chinês e árabe dentro de caixas de tamanho igual. Ela expõe quatro problemas diferentes: expansão local, quebra de linha, glifos ausentes e layout bidirecional.

A orientação do W3C sobre tamanho de texto na tradução explica por que rótulos curtos e regiões rigidamente restritas podem se expandir desproporcionalmente, enquanto outras traduções podem se contrair. O Algoritmo Bidirecional do Unicode especifica como caracteres mistos da esquerda para a direita e da direita para a esquerda são resolvidos. Nenhum dos problemas pode ser resolvido de forma confiável contando os caracteres de origem.

Baixe o fixture e execute-o em qualquer fluxo de trabalho que você esteja considerando. Registre a ferramenta, a data, as configurações, o idioma de origem, o idioma de destino e o arquivo de saída. Isso transforma "a formatação parece ok" em um teste repetível.

Diagnostique seu PDF antes de traduzi-lo

1. Teste se o texto é selecionável

Tente selecionar uma frase e uma célula de tabela.

• Se ambos forem selecionados claramente, o PDF provavelmente possui uma camada de texto utilizável.
• Se a página inteira for selecionada como uma única imagem, ela precisará de OCR.
• Se o texto for selecionado em pequenos fragmentos ou as linhas copiadas chegarem fora de ordem, o posicionamento visual não será igual à estrutura lógica.

A Adobe observa que um PDF digitalizado contém inicialmente dados de imagem em vez de texto pesquisável. O OCR adiciona uma camada selecionável e pesquisável, mas a Adobe também recomenda revisar os erros de reconhecimento após o processamento. Consulte Reconhecer texto em PDFs digitalizados.

2. Copie uma seção difícil para um editor de texto simples

Faça isso com um parágrafo de duas colunas, uma linha de tabela completa e uma legenda. Se a ordem colada estiver incorreta antes da tradução, a camada de tradução estará começando a partir da sequência errada.

A documentação da ferramenta Ordem de Leitura da Adobe mostra que tabelas complexas, figuras, colunas próximas e elementos de página podem exigir reparos explícitos de ordem e marcação. A fluência não consegue reparar um parágrafo montado a partir de fragmentos errados.

3. Escolha a página representativa mais difícil

Não teste a página de rosto. Escolha a página com maior probabilidade de falha:

• a tabela mais densa;
• a barra lateral ou o bloco de destaque mais estreito;
• uma página de duas colunas com uma nota de rodapé;
• um gráfico com rótulos curtos;
• uma página contendo CJK, árabe, devanágari ou scripts mistos;
• uma digitalização com baixo contraste ou inclinação.

Se a página mais difícil falhar, traduzir 200 páginas mais fáceis primeiro apenas gerará mais trabalho de limpeza.

4. Registre as restrições inegociáveis

Documentos diferentes exigem definições diferentes de "preservado".

Anote essas restrições antes de escolher um reparo. Caso contrário, os revisores tendem a proteger a similaridade visual mesmo quando ela prejudica o significado.

O fluxo de trabalho de ponta a ponta mais seguro

Etapa 1: Preserve a origem e estabeleça uma linha de base

Mantenha um arquivo de origem intocado. Registre a contagem de páginas, o tipo de arquivo, o idioma, se o PDF está marcado e se o texto é selecionável. Se o documento for atualizado posteriormente, mantenha o documento de origem original, bem como o PDF.

Etapa 2: Execute o OCR apenas quando necessário

Para páginas apenas com imagens, execute o OCR no idioma de origem correto. Revise nomes, números, pontuação, tabelas, notas de rodapé e regiões de baixo contraste antes da tradução. Os erros de OCR são erros iniciais: um sistema de tradução pode produzir uma saída fluente a partir de texto que foi reconhecido incorretamente.

O guia de PDF digitalizado dedicado aborda a limpeza de digitalizações, a seleção de idiomas de OCR, os caracteres suspeitos e as verificações de privacidade com mais detalhes.

Etapa 3: Traduza a página representativa

Utilize um fluxo de trabalho projetado para retornar um documento, e não apenas prosa traduzida. Para a maioria dos PDFs formatados, isso significa carregar o arquivo de teste para o Tradutor de PDF do BookTranslator, selecionar o par de idiomas e revisar o PDF retornado.

Não avalie apenas o parágrafo mais fácil. Compare os elementos exatos listados em sua linha de base.

Etapa 4: Revise a estrutura antes da redação

Verifique nesta ordem:

1. Todas as regiões de origem foram incluídas?
2. A ordem de leitura está correta?
3. As linhas da tabela, os rótulos de gráficos, as legendas e as notas de rodapé ainda apontam para os objetos corretos?
4. Os números, nomes, unidades e fórmulas estão intactos?
5. O script de destino é renderizado corretamente?
6. Somente então: a tradução é fluente e precisa?

Uma tradução polida da ordem de texto incorreta ainda é um documento com falha.

Etapa 5: Traduza o arquivo completo e faça amostragem de páginas de risco

Após a aprovação da página representativa, traduza o PDF completo. Revise a primeira, a do meio e a última ocorrência de cada estrutura de risco, em vez de verificar apenas a primeira página.

Para um relatório longo, isso pode significar:

• a primeira e a última página de duas colunas;
• a tabela mais simples e a mais densa;
• um gráfico próximo ao início e ao fim;
• todas as páginas de aviso;
• todas as páginas em que o script ou a fonte de destino muda.

Etapa 6: Aplique o reparo menos destrutivo

Repare um problema local localmente. Não reduza globalmente o documento porque um título é longo.

Corrija o estouro de texto sem reduzir tudo

O texto traduzido transborda quando a redação de destino não cabe mais na geometria da região de origem. A causa imediata pode ser a expansão do texto, mas a restrição de limite geralmente é uma caixa, coluna, linha, fonte ou regra de quebra de linha específica.

Aplique os reparos nesta ordem:

Não confie em uma única porcentagem de expansão de idioma. Um parágrafo em alemão pode caber enquanto um título composto falha. A prosa em chinês pode se contrair enquanto uma URL não traduzida ainda ultrapassa uma célula. O árabe pode caber por contagem de caracteres, mas falhar porque a fonte, a modelagem, a pontuação ou a direção estão incorretas.

Utilize este diagnóstico:

• Cortado em uma caixa: redimensione ou faça o refluxo dessa região.
• Caixas ou caracteres ausentes: substitua ou incorpore uma fonte com os glifos necessários.
• Palavras longas ou URLs recusam a quebra: corrija as regras de quebra de linha ou hifenização.
• Apenas os cabeçalhos de tabela falham: utilize um reparo específico para tabelas.
• Cabeçalhos repetidos colidem em todas as páginas: revise o modelo de página em vez de cada parágrafo.
• Dois fragmentos se tornam um parágrafo grande demais: repare a ordem de leitura antes de mexer na tipografia.

Se o layout de origem não tiver espaço para uma versão fiel no idioma de destino, as coordenadas idênticas serão o critério de aceitação incorreto. Em vez disso, preserve a integridade, a hierarquia e a legibilidade.

Preserve tabelas, gráficos, números e notas de rodapé

Uma tabela em PDF nem sempre é armazenada como uma tabela. Ela pode ser texto editável sobre linhas de grade, muitos fragmentos posicionados ou uma única imagem. O rótulo de um gráfico pode ser um texto separado ou integrado ao gráfico.

Isso cria quatro classes de falhas independentes:

Utilize uma revisão de token protegido para:

• números inteiros e valores decimais;
• sinais positivos e negativos;
• porcentagens, moedas, datas e números de versão;
• unidades e fórmulas;
• números de tabelas e figuras;
• marcadores de notas de rodapé e seu texto qualificatório.

As convenções locais podem alterar os separadores decimais ou o posicionamento de moeda. A questão não é se cada caractere é idêntico; é se o destino representa a mesma quantidade e permanece anexado ao rótulo correto.

Para cada tabela, verifique:

1. A contagem de linhas e colunas ainda corresponde.
2. As células mescladas cobrem os mesmos registros.
3. Cada número permanece emparelhado com seu rótulo de origem.
4. Unidades, sinais e precisão estão corretos.
5. As notas de rodapé ainda qualificam o valor pretendido.
6. A quebra de linha do cabeçalho não ocultou conteúdo.

Para cada gráfico, verifique se a geometria e os dados permanecem inalterados, se os rótulos ainda identificam as marcas visuais corretas e se as legendas permanecem anexadas. Se os rótulos estiverem embutidos em uma imagem, utilize OCR com noção de imagem e redesenhe-os, ou retenha o gráfico original com uma legenda ou rubrica traduzida. Não estique ou corte um gráfico para ajustá-lo a rótulos mais longos.

Se uma tabela financeira, científica ou jurídica contiver apenas uma relação de valor incorreta, o documento falhará, independentemente de quão polido ele pareça.

Escolha um layout de PDF bilíngue

Um PDF bilíngue é útil quando alguém precisa verificar o destino em relação à origem. Ele não é automaticamente o melhor entregável final.

Não alinhe por quebras de linha visuais. A tradução pode dividir uma frase de origem em duas frases de destino ou combinar duas frases curtas. Utilize títulos, sequência de parágrafos, números de tabelas, números de figuras, itens de lista e marcadores de notas de rodapé como âncoras estáveis.

O formato lado a lado é uma escolha padrão inadequada quando a origem já possui várias colunas, tabelas densas, notas marginais ou grande expansão local. Nesses casos, páginas opostas ou arquivos monolíngues sincronizados preservam a largura normal de leitura e facilitam o isolamento de falhas.

Ambos os idiomas devem permanecer pesquisáveis e selecionáveis quando possível. Verifique a ordem do texto copiado, os metadados do idioma do documento, os títulos, as tags de tabela e as descrições de figuras. Se a acessibilidade for um requisito rígido, arquivos monolíngues separados costumam ser mais seguros do que uma estrutura complexa de colunas alternadas.

Escolha a ferramenta certa para o trabalho

Tradutor de PDF dedicado

Utilize um tradutor dedicado para PDFs longos, formatados ou voltados para o cliente. É o ponto de partida correto quando a saída necessária é outro PDF utilizável em vez de uma transcrição de texto.

Google Translate

Utilize o Google Translate para rápida compreensão de documentos curtos e simples quando o layout não for o entregável. Páginas de várias colunas, digitalizações, tabelas densas e publicação final exigem um fluxo de trabalho mais controlado. O guia de PDF do Google Translate aborda seu fluxo de trabalho de documentos e sinais de falha.

ChatGPT

Utilize o ChatGPT para passagens curtas, preparação de glossário, decisões de tom e revisão bilíngue. Não trate uma interface de chat como o mecanismo de layout de página para um PDF longo. O fluxo de trabalho de PDF do ChatGPT inclui prompts que proíbem resumo e conteúdo adicionado.

Converter PDF para DOCX

Converta primeiro apenas se pretender editar ou reconstruir o documento manualmente. A conversão pode dividir tabelas, reordenar fragmentos e transformar rótulos de gráficos em caixas flutuantes antes que a tradução comece. Teste a página mais difícil antes de se comprometer. Se o DOCX convertido estiver estruturalmente limpo, continue com o tradutor de DOCX; se já estiver corrompido, a tradução não consertará a conversão.

Revisor humano ou bilíngue

Utilize um revisor qualificado para conteúdo jurídico, médico, financeiro, crítico para a segurança, acadêmico ou publicado. Um fluxo de trabalho de layout pode preservar cada caixa enquanto o significado ainda está errado. Utilize as amostras de tradução reais para ver como separamos a revisão de idioma da revisão de layout.

Lista de verificação de aceitação de tradução de PDF

Bloqueadores

• Texto ausente ou cortado
• Ordem de leitura incorreta
• Parágrafos ou rótulos sobrepostos
• Números atribuídos à linha ou elemento de gráfico errado
• Fórmulas, sinais, unidades ou referências alterados
• Tamanho de fonte ilegível
• Glifos no idioma de destino ausentes
• Direção e pontuação em árabe ou hebraico corrompidas
• Avisos, legendas ou notas de rodapé ocultos

Defeitos maiores

• Quebra de linha incômoda, mas legível
• Legendas separadas de figuras
• Grande desvio de página inexplicado
• Tratamento de título inconsistente
• Alterações repetidas no tamanho da fonte local
• Blocos bilíngues alinhados à passagem de origem errada

Diferenças cosméticas

• Terminações de linha diferentes
• Pequenas alterações de espaço em branco
• Uma alteração modesta na contagem de páginas com referências corrigidas
• Alturas de linha de tabela ligeiramente diferentes com todo o conteúdo visível

Para cada página com falha, registre a página de origem, o tipo de elemento, o sintoma, a restrição de limite, o reparo e se a revisão de significado bilíngue é necessária. Essa trilha de auditoria é mais útil do que dizer "formatação ajustada".

Fluxo de trabalho recomendado para a maioria dos PDFs

1. Mantenha um PDF de origem intocado.
2. Verifique se o texto e as células da tabela são selecionáveis.
3. Execute o OCR apenas para conteúdo exclusivamente de imagem e, em seguida, reveja os erros de reconhecimento.
4. Baixe o teste de estresse de PDF ou selecione a página mais difícil do seu próprio arquivo.
5. Traduza essa página representativa com o Tradutor de PDF.
6. Revise a ordem de leitura, tabelas, números, rótulos, notas de rodapé, fontes e direção antes da fluência do idioma.
7. Traduza o arquivo completo somente após a aprovação da página representativa.
8. Repare as restrições locais localmente; não reduza globalmente o documento.
9. Mantenha a origem, o PDF traduzido, as configurações, o glossário e as notas de revisão juntos para revisões futuras.

Para equações, citações e layouts de pesquisa, continue com o fluxo de trabalho de tradução de artigos acadêmicos. Se você ainda estiver decidindo se a origem deve ser PDF ou EPUB, utilize o guia de decisão EPUB vs PDF.