OCR یا مدل ترجمه؟ دو مرحله ترجمه از صفحه‌نمایش
هرکس از ترجمه صفحه‌نمایش استفاده کرده باشد، احتمالاً این سردرگمی را تجربه کرده است: ترجمه عجیب به نظر می‌رسد اما معلوم نیست مشکل کجاست — آیا ابزار حروف روی صفحه را اشتباه خوانده یا خودِ ترجمه راه را گم کرده؟ راه‌حل این دو خطا کاملاً متفاوت است، و به‌محض آنکه «خواندن حروف» و «ترجمه کردن» را به دو مرحله جدا ببینید، مسئله فوراً روشن می‌شود.
ترجمه صفحه‌نمایش دو مرحله است، نه یکی
بسیاری تصور می‌کنند ترجمه صفحه‌نمایش یک جعبه سیاه است: یک تصویر داخلش می‌گذارید و یک بند ترجمه بیرون می‌آید. در عمل، جریان کار دو مرحله دارد و هر مرحله به قطعه‌ای جداگانه سپرده شده است.
با مثال VoriTrans زنجیره کامل چنین است:
- موتور OCR مسئول «خواندن» است: متن تصویر در ناحیه انتخابی صفحه را به متنی قابل ویرایش تبدیل می‌کند و خروجی‌اش متن اصلی است، مثلاً جمله ژاپنی「宿は右です」。این مرحله فقط حروف را می‌شناسد و معنا را نمی‌فهمد.
- مدل ترجمه مسئول «ترجمه» است: متن خروجی OCR را می‌گیرد و به زبان مقصد انتخابی شما ترجمه می‌کند؛ خروجی‌اش ترجمه است. این مرحله فقط با زبان سروکار دارد و تصویر را نمی‌بیند.
این دو مرحله نسبت خط تولید دارند: ورودی مدل ترجمه همان خروجی OCR است. از همین‌جا نتیجه کلیدی به دست می‌آید — اگر OCR حروف را اشتباه بشناسد، هیچ مدل ترجمه‌ای هرقدر هم قوی باشد ترجمه درستی از آب درنمی‌آورد. آشغال بدهی، آشغال می‌گیری: خطای بالادست تا خودِ ترجمه پیش می‌رود.
مرحله نخست: چرا OCR در محیط صفحه دشوارتر است
OCR (بازشناسی نوری نویسه‌ها) فناوری تازه‌ای نیست؛ بازشناسی اسناد اسکن‌شده سال‌هاست رسیده است. اما صفحه‌نمایش بسیار دشوارتر از سند اسکن‌شده است و همه سختی‌ها در «تصویر» نهفته است.
اسکن یک سطح تمیز است: حروف سیاه روی کاغذ سفید، جهت ثابت، اندازه قلم یکنواخت. تصویر صفحه اما کاملاً متفاوت است — متن ممکن است روی پس‌زمینه گرادیانی بنشیند، پشت پنجره گفتگوی نیمه‌شفاف گم شود، دست‌نویس یا قلم تزئینی با دورخط باشد، حتی با عناصر تصویر همپوشانی داشته باشد. متن عمودی ژاپنی هم درگیری ترتیب خواندن را اضافه می‌کند: OCR باید بداند ستون راست را اول بخواند یا ستون چپ؛ برعکس بخواند، جمله از هم می‌پاشد.
به همین دلیل ابزار در اختیارتان تنظیم می‌گذارد. در تنظیمات برگزیده VoriTrans چند موتور OCR برای جابه‌جایی وجود دارد — موتورهای مختلف در برابر قلم تزئینی و تصاویر کم‌تفکیک‌پذیری توانایی‌های متفاوتی دارند؛ هنگام انتخاب ناحیه، قاب را کوچک کنید و فقط محدوده متن را بگیرید، این هم نویز تصویر را کم می‌کند. وقتی نتیجه بازشناسی دلخواه نیست، اول به شرایط تصویر شک کنید و بعد به موتور — با این ترتیب راه دورتری نمی‌روید.
مرحله دوم: مدل ترجمه سقف کیفیت ترجمه را تعیین می‌کند
متن اصلی خروجی OCR به مدل ترجمه سپرده می‌شود و از همین مرحله کیفیت ترجمه طبقه‌بندی می‌شود.
مدل‌های ترجمه دو دسته‌اند. مدل محلی روی کامپیوتر خودتان اجرا می‌شود: پاسخ سریع، بی‌نیاز از شبکه، و در جملات و دیالوگ‌های کوتاه تمیز و چابک — بهای آن اما درک محدود از بافت است: ایهام، شوخی و عنوان‌های خطاب در بازی‌ها را مدل‌های محلی معمولاً محتاطانه مدیریت می‌کنند. مدل‌های ابری (مدل‌های بزرگ ماند Qwen، DeepSeek و GLM) تعداد پارامتر بسیار بیشتری دارند و در جملات بلند، بافت و لحن به‌وضوح بهتر عمل می‌کنند — بهایشان مصرف اعتبار بر اساس میزان استفاده است.
شایان تأکید است: مدل ترجمه نمی‌تواند خطاهای OCR را جبران کند. اگر متن شناسایی‌شده خودش حرف کم یا حرف غلط داشته باشد، مدل بزرگ ابری ورودی ناقص می‌گیرد و ترجمه همان‌طور منحرف می‌شود. پس «تعویض مدل قوی‌تر» و «تعمیر بازشناسی» دو کار جداگانه‌اند؛ منتظر نباشید اولی مشکلات دومی را حل کند.
دو مرحله ببینید تا در رفع اشکال و بهینه‌سازی گم نشوید
ارزش عملی فهم این تقسیم کار در زمان استفاده پیدا می‌شود: وقتی مشکلی پیش می‌آید، مرحله مقصر را می‌توان نشانی گرفت و هنگام بهینه‌سازی، اصلاح دقیقاً به هدف می‌خورد.
رابط کاربری VoriTrans دقیقاً بر پایه همین تقسیم کار طراحی شده — «متن اصلی شناسایی‌شده» و «نتیجه ترجمه» دو پنل کنار هم‌اند و محصول میانی مرحله بازشناسی مستقیم دیده می‌شود. فرمول رفع اشکال ساده است:
- پنل متن اصلی از همان اول غلط است: مشکل در OCR است. ناحیه انتخابی را کوچک‌تر کنید، موتور OCR را عوض کنید، زمان انتظار پایداری تصویر را تنظیم کنید، یا برای نام‌های خاصِ پرخطا یک ردیف اصلاح OCR در واژه‌نامه اصطلاحات اضافه کنید (واژه اصلی→جایگزین)؛ ترجمه بعدی به‌طور خودکار اعمالش می‌کند.
- متن اصلی درست است، ترجمه غلط است: مشکل در مدل ترجمه است. برای متون کوتاه، یک بار مدل محلی و یک بار مدل ابری ترجمه کنید و مقایسه کنید؛ اگر نام‌های ثابت (نام شخصیت، نام مکان، نام مهارت) یکدست نیستند، با ردیف ترجمه واژه‌نامه اصطلاحات قفلشان کنید.
یک مثال کوچک: نام شخصیت「ユキ」گاهی「ユヌ」بازشناسی می‌شود و ترجمه هم به‌هم می‌ریزد. وقتی「ユキ」در واژه‌نامه اصطلاحات به‌عنوان ردیف اصلاح OCR تنظیم شود، مرحله بازشناسی اول حرف را اصلاح می‌کند و مرحله ترجمه بعد یکدست به شکل Yuki ترجمه می‌کند — هر مرحله اصلاح خودش را انجام می‌دهد و مزاحم دیگری نیست. چنین دقتی دقیقاً هدیه معماری دو مرحله‌ای است.
یک مرز: تقسیم کار به حروف روی صفحه مربوط است
قلمرو خط تولید دو مرحله‌ای، متنی است که روی صفحه‌نمایش ظاهر می‌شود. گفتار بدون زیرنویس، مکالمه صوتی، محتوای صرفاً صوتی — OCR حرفی برای خواندن ندارد و مدل ترجمه هم کاری با آن ندارد؛ مسئله قوی یا ضعیف بودن مدل نیست، ورودی اصلاً چیزی برای شناسایی ندارد.
با فهم این نکته، مرز توانایی ابزار روشن می‌شود: هرگاه متن در تصویر ظاهر شود — دیالوگ بازی، حباب‌های گفتگوی مانگا، زیرنویس چسبیده ویدیو، رابط نرم‌افزار — خط تولید دو مرحله‌ای می‌تواند آن را بر عهده بگیرد؛ اگر متن فقط در صدا وجود دارد، راه‌حل دیگری لازم است. VoriTrans از ۱۰۵ زبان مقصد پشتیبانی می‌کند: مرحله دوم از این دو مرحله به زبان انتخابی شما خروجی می‌دهد و در مرحله بازشناسی، زبان متن اصلی خودکار تشخیص داده می‌شود.
پرسش‌های پرتکرار
OCR و مدل ترجمه، کدام بیشتر خطا می‌کند؟
بستگی به صحنه دارد. در تصویر تمیز با قلم واضح، OCR کم خطا می‌کند؛ قلم تزئینی، تفکیک‌پذیری پایین و متن روی پس‌زمینه شلوغ، سخت‌ترین میدان بازشناسی‌اند. هنگام رفع اشکال اول پنل متن اصلی را ببینید: تا متن اصلی درست نباشد، نوبت به قضاوت مدل ترجمه نمی‌رسد.
آیا مدل ترجمه قوی‌تر می‌تواند خطاهای بازشناسی را جبران کند؟
نمی‌تواند. ورودی مدل ترجمه همان خروجی OCR است: حروف جاافتاده یا غلطِ مرحله بازشناسی دست‌نخورده به مرحله بعد می‌روند. ترتیب درست این است که اول بازشناسی را تعمیر کنید (ناحیه، موتور، اصلاح OCR) و بعد به ارتقای مدل ترجمه بیندیشید.
واژه‌نامه اصطلاحات در کدام مرحله عمل می‌کند؟
در هر دو. وقتی «اصلاح OCR» تنظیم شود، حروف پرخطای مرحله بازشناسی را اصلاح می‌کند؛ وقتی «ترجمه اصطلاح» تنظیم شود، یکدستی نام‌های ترجمه‌شده در مرحله ترجمه را قفل می‌کند. یک ردیف فقط می‌تواند یک کاربرد داشته باشد — بسته به مشکلی که می‌خواهید حل کنید انتخاب کنید.
دفعات بعد که ترجمه عجیب به نظر رسید، عجله نکنید ترجمه را مقصر بدانید — پنل متن اصلی شناسایی‌شده را باز کنید و در دو ثانیه بفهمید مشکل از کدام مرحله است. وقتی تقسیم کار را بفهمید، رفع اشکال و بهینه‌سازی ترجمه صفحه‌نمایش دیگر بر حدس تکیه نمی‌کند.
