OCR et modèle de traduction : les deux étapes de la traduction d'écran
Qui utilise la traduction d'écran a déjà vécu ce doute : la traduction semble incorrecte, mais difficile de dire où se situe le problème — l'outil a-t-il mal lu le texte à l'écran, ou la traduction elle-même a-t-elle dérapé ? Les solutions à ces deux types de panne sont totalement différentes, et dès qu'on sépare « lire » et « traduire » en deux étapes, tout s'éclaire.
La traduction d'écran se fait en deux étapes, pas en une
Beaucoup s'imaginent la traduction d'écran comme une boîte noire : une image entre, une traduction sort. En réalité, le processus se déroule en deux étapes, chacune confiée à un composant différent.
En prenant VoriTrans comme exemple, voici toute la chaîne :
- Le moteur d'OCR se charge de la « lecture » : il convertit le texte de la zone sélectionnée à l'écran en texte modifiable ; le résultat est le texte original, par exemple la réplique en japonais「宿は右です」. À cette étape, le moteur reconnaît uniquement les caractères, sans en comprendre le sens.
- Le modèle de traduction se charge de la « traduction » : il reçoit le texte issu de l'OCR et le traduit dans la langue cible choisie ; le résultat est la traduction. Cette étape ne traite que la langue et ne voit pas l'écran.
Les deux étapes forment une chaîne de production : l'entrée du modèle de traduction est exactement la sortie de l'OCR. D'où une conclusion essentielle — si l'OCR reconnaît un caractère de travers, aucun modèle de traduction, même excellent, ne produira une bonne traduction. Déchets à l'entrée, déchets à la sortie : une erreur en amont se propage jusqu'à la traduction finale.
Première étape : pourquoi l'OCR est particulièrement difficile à l'écran
L'OCR (reconnaissance optique de caractères) n'a rien de nouveau ; sur les documents scannés, il est déjà parfaitement au point. Mais l'écran est bien plus retors qu'un document numérisé, et toutes les difficultés tiennent à l'« image ».
Un document scanné est une surface propre : encre noire sur papier blanc, orientation fixe, taille de police uniforme. L'écran est un tout autre monde : le texte peut reposer sur un dégradé, être masqué par une boîte de dialogue semi-transparente, être manuscrit ou en typographie artistique contourée, voire chevaucher des éléments de l'image. Le japonais vertical ajoute en plus l'ordre de lecture : l'OCR doit savoir s'il commence par la colonne de droite ou de gauche ; s'il lit à l'envers, les phrases partent en vrille.
C'est pourquoi l'outil vous laisse une marge de réglage. Dans les préférences de VoriTrans, plusieurs moteurs d'OCR sont commutables, avec des aptitudes différentes face aux typographies artistiques et aux basses résolutions ; restreindre la sélection à la seule zone de texte réduit aussi les interférences de l'image. Quand la reconnaissance déçoit, suspectez d'abord les conditions de l'image, puis le moteur — dans cet ordre, vous évitez bien des détours.
Deuxième étape : le modèle de traduction fixe le plafond de qualité
Le texte original reconnu par l'OCR passe au modèle de traduction, et c'est à partir de là que la qualité commence à se hiérarchiser.
Il existe deux familles de modèles. Les modèles locaux tournent sur votre propre machine : réponse rapide, aucune dépendance au réseau, et les courtes répliques sont traitées proprement ; en contrepartie, la compréhension du contexte reste limitée — jeux de mots, mèmes et appellations des jeux vidéo sont généralement traités de façon prudente. Les modèles en nuage (les grands modèles comme Qwen, DeepSeek et GLM) comptent bien plus de paramètres et gèrent visiblement mieux les phrases longues, le contexte et le ton ; en contrepartie, ils consomment des crédits à l'usage.
À souligner : le modèle de traduction ne peut pas compenser les erreurs de l'OCR. Si le texte reconnu comporte déjà des caractères manquants ou erronés, même le grand modèle en nuage reçoit une entrée incomplète, et la traduction part du même coup à côté. « Changer pour un modèle plus puissant » et « réparer la reconnaissance » sont deux choses distinctes — n'espérez pas que la première règle le problème de la seconde.
Voir les deux étapes séparément : diagnostic et optimisation sans errance
La valeur concrète de cette compréhension se manifeste à l'usage : en cas de problème, vous localisez l'étape ; pour optimiser, vous savez où agir.
L'interface de VoriTrans est conçue précisément selon cette répartition — « Texte reconnu » et « Résultat de la traduction » occupent deux panneaux côte à côte, et le produit intermédiaire de la reconnaissance reste visible. La règle de diagnostic est simple :
- Le panneau du texte original est déjà faux : le problème vient de l'OCR. Réduisez la zone de sélection, changez de moteur d'OCR, ajustez le délai de stabilisation de l'image, ou ajoutez dans le glossaire une entrée de correction OCR (mot d'origine → mot de remplacement) ; elle s'appliquera automatiquement dès la traduction suivante.
- Le texte original est bon, la traduction non : le problème vient du modèle de traduction. Faites traduire un passage court une fois par un modèle local et une fois par un modèle en nuage, puis comparez ; si les noms fixes (personnages, lieux, compétences) manquent d'uniformité, verrouillez leur traduction avec une entrée du glossaire.
Petit exemple : le nom du personnage「ユキ」était parfois reconnu comme「ユヌ」, et la traduction suivait dans le chaos. Après avoir enregistré「ユキ」dans le glossaire comme correction OCR, la reconnaissance corrigeait d'abord le caractère, puis la traduction unifiait le tout en Yuki — chaque étape répare son propre côté, sans gêner l'autre. C'est précisément cette précision qu'offre l'architecture en deux étapes.
Une limite : la répartition vaut pour le texte affiché à l'écran
Le champ d'application de la chaîne en deux étapes, c'est le texte affiché à l'écran. Voix d'un personnage sans sous-titres, appels vocaux, contenus purement audio : l'OCR n'a aucun caractère à lire et le modèle de traduction n'a rien à reprendre — ce n'est pas une question de modèle fort ou faible, c'est que l'entrée ne contient rien de reconnaissable.
Compris cela, les limites de l'outil deviennent nettes : tant que le texte figure dans l'image — dialogues de jeu, bulles de manga, sous-titres incrustés dans les vidéos, interfaces logicielles — la chaîne en deux étapes s'en charge ; si le texte n'existe que dans le son, il faut une autre solution. VoriTrans prend en charge 105 langues cibles : la deuxième étape de la chaîne produit dans la langue que vous choisissez, tandis que la reconnaissance détecte automatiquement la langue du texte original.
Questions fréquentes
OCR ou modèle de traduction : lequel se trompe le plus souvent ?
Cela dépend de la scène. Image nette et police lisible : l'OCR fait peu d'erreurs ; typographies artistiques, basse résolution, texte posé sur des arrière-plans complexes — la reconnaissance y est la plus vulnérable. Commencez le diagnostic par le panneau du texte reconnu : tant que l'original n'est pas correct, évaluer le modèle de traduction n'a pas de sens.
Un modèle de traduction plus puissant peut-il rattraper les erreurs de reconnaissance ?
Non. L'entrée du modèle de traduction est la sortie de l'OCR : si la reconnaissance a perdu ou altéré des caractères, l'erreur d'amont se transmet intacte. Le bon ordre : réparer d'abord la reconnaissance (sélection, moteur, correction OCR), et seulement ensuite songer à améliorer le modèle de traduction.
À quelle étape le glossaire intervient-il ?
À toutes les deux. En « correction OCR », il répare les caractères que la reconnaissance fausse souvent ; en « règle de traduction », il impose la traduction uniforme d'un nom. Une même entrée ne peut servir qu'à l'un des deux usages — choisissez selon le problème à résoudre.
La prochaine fois que la traduction paraîtra bizarre, ne blâmez pas hâtivement la traduction : ouvrez le panneau du texte reconnu, et en deux secondes vous saurez à quelle étape se situe le problème. Une fois la répartition comprise, le diagnostic et l'optimisation de la traduction d'écran ne relèvent plus de la divination.
