OCR of AI-vertaalmodel: schermvertaling in twee stappen
Wie schermvertaling gebruikt, kent dit misschien: de vertaling voelt niet goed aan, maar waar het precies hapert is onduidelijk — heeft de tool de tekst op het scherm verkeerd gelezen, of is de vertaling zelf de mist ingegaan? De oplossingen voor deze twee storingen zijn volkomen verschillend, en zodra je "tekst lezen" en "vertalen" in twee stappen opdeelt, wordt het probleem meteen duidelijk.
Schermvertaling is twee stappen, niet één
Veel mensen zien schermvertaling als een zwarte doos: er gaat een beeld in, er komt een vertaling uit. In werkelijkheid bestaat het proces uit twee stappen, elk met een eigen onderdeel.
Aan de hand van VoriTrans ziet de hele keten er zo uit:
- De OCR-engine leest: zet de tekst in het geselecteerde schermgebied om naar bewerkbare tekst en levert de brontekst, bijvoorbeeld de Japanse zin「宿は右です」。In deze stap worden alleen letters herkend; er is geen begrip van betekenis.
- Het vertaalmodel vertaalt: krijgt de tekst van de OCR en vertaalt die naar je gekozen doeltaal; de uitkomst is de vertaling. Deze stap werkt alleen met taal en ziet het beeld niet.
De twee stappen vormen een lopende band: de invoer van het vertaalmodel is precies de uitvoer van de OCR. Daaraan zit een cruciale conclusie vast — als de OCR een letter verkeerd herkent, vertaalt nog zo'n sterk vertaalmodel het fout. Rommel erin, rommel eraan: een fout aan de bron loopt door tot in de vertaling.
Stap één: waarom OCR op het scherm extra lastig is
OCR (optische tekenherkenning) is geen nieuwe techniek; het herkennen van scans is al lang volgroeid. Maar een scherm is veel geraffineerder dan een scan, en alle moeilijkheden zitten in het beeld.
Een scan is een schoon vlak: zwarte letters op wit papier, vaste richting, gelijk lettertype. Een schermafbeelding is heel anders — tekst kan op een kleurverloop liggen, bedekt worden door een doorschijnend dialoogvenster, uit handgeschreven of omlijste sierletters bestaan, of overlappen met beeldelementen. Verticale Japanse tekst vraagt bovendien om extra aandacht voor de leesvolgorde: de OCR moet weten of eerst de rechter- of de linkerkolom aan de beurt is; lees je die omgekeerd, dan staat de zin door elkaar.
Daarom geeft de tool je ruimte om bij te sturen. In de voorkeuren van VoriTrans zijn meerdere OCR-engines te kiezen — de ene engine gaat beter om met sierletters of beelden met lage resolutie dan de andere; maak bij het selecteren het kader klein en omsluit alleen het tekstgebied, dat vermindert ook beeldruis. Als de herkenning tegenvalt, verdenk eerst de beeldomstandigheden en pas daarna de engine — die volgorde scheelt veel omwegen.
Stap twee: het vertaalmodel bepaalt het plafond van de vertaling
De brontekst van de OCR gaat naar het vertaalmodel, en vanaf deze stap begint de kwaliteit uiteen te lopen.
Er zijn twee soorten vertaalmodellen. Lokale modellen draaien op je eigen computer: ze reageren snel, zijn niet van het netwerk afhankelijk en verwerken korte zinnen vlot — maar begrijpen beperkt context: woordspelingen, grappen en aanspreekvormen in games verwerken lokale modellen doorgaans behoedzaam. Cloudmodellen (grote modellen als Qwen, DeepSeek en GLM) hebben veel meer parameters, doen het aantoonbaar beter bij lange zinnen, context en toon — maar verbruiken credits naar gebruik.
Belangrijk om te benadrukken: een vertaalmodel kan OCR-fouten niet goedmaken. Bevat de herkende tekst al ontbrekende of verkeerde letters, dan krijgt het cloudmodel een verminkte invoer en raakt de vertaling alsnog op het verkeerde spoor. "Een sterker model kiezen" en "de herkenning herstellen" zijn dus twee verschillende dingen; verwacht niet dat het eerste het probleem van het tweede oplost.
Splits het in twee stappen, en zowel zoeken als optimaliseren raakt op het juiste spoor
Het praktische nut van dit onderscheid merk je in het gebruik: als er iets misgaat, weet je welke stap het is, en je optimalisatie raakt recht op doel.
De interface van VoriTrans is precies naar deze verdeling ontworpen — "Herkende brontekst" en "Vertaalresultaat" zijn twee naast elkaar geplaatste panelen, waarin het tussenproduct van de herkenning direct zichtbaar is. De vuistregel voor foutopsporing is simpel:
- Het bronpaneel klopt al niet: het probleem zit in de OCR. Maak de selectie kleiner, kies een andere OCR-engine, stel de wachttijd voor een stabiel beeld bij, of voeg voor makkelijk foutieve eigennamen een OCR-correctie toe aan de termenlijst (oorspronkelijk woord→vervanging); de volgende vertaling past het automatisch toe.
- De brontekst klopt, de vertaling niet: het probleem zit in het vertaalmodel. Vergelijk bij korte teksten een lokale en een cloudvertaling; als vaste namen (personages, plaatsen, vaardigheden) inconsistent worden, zet je ze vast met een vertaalterm uit de termenlijst.
Een klein voorbeeld: de personagenaam「ユキ」wordt af en toe herkend als「ユヌ」, en de vertaling raakt in de war. Zet je「ユキ」in de termenlijst als OCR-correctie, dan herstelt de herkenningsstap eerst de letters en vertaalt de vertaalstap daarna consequent naar Yuki — elke stap herstelt het zijne zonder de ander te storen. Precies die nauwkeurigheid schenkt de tweestapsarchitectuur.
Één grens: de verdeling geldt letters op het scherm
Het bereik van de tweestaps-lopende band is tekst die op het scherm staat. Gesproken tekst zonder ondertitels, telefoongesprekken, puur audio — de OCR heeft geen letters om te lezen en het vertaalmodel komt er niet aan te pas; dat is geen kwestie van een sterk of zwak model, maar van een invoer waarin simpelweg niets te herkennen valt.
Met dit besef is de grens van de tool duidelijk: zodra tekst in beeld staat — dialogen in games, stripsballonnen, ingebrande ondertitels, software-interfaces — pakt de tweestaps-lopende band het op; bestaat de tekst alleen als geluid, dan is een andere oplossing nodig. VoriTrans ondersteunt 105 doeltalen: de tweede van de twee stappen levert in de taal van je keuze, en bij de herkenning wordt de brontaal automatisch vastgesteld.
Veelgestelde vragen
Wat gaat vaker mis: de OCR of het vertaalmodel?
Dat hangt af van de situatie. Op een schoon beeld met heldere letters maakt de OCR weinig fouten; sierletters, lage resolutie en tekst over een drukke achtergrond zijn het zwaarste terrein voor herkenning. Begin het spoorzoekwerk bij het paneel met de herkende brontekst: klopt de brontekst, dan is pas het vertaalmodel aan de beurt om beoordeeld te worden.
Kan een sterker vertaalmodel herkenningsfouten herstellen?
Nee. De invoer van het vertaalmodel is de uitvoer van de OCR: ontbrekende of verkeerde letters uit de herkenning gaan ongewijzigd mee. De juiste volgorde is eerst de herkenning herstellen (selectie, engine, OCR-correctie) en pas daarna een upgrade van het vertaalmodel overwegen.
Bij welke stap werkt de termenlijst?
Bij beide. Als "OCR-correctie" stelt hij verkeerd herkende letters bij de herkenning bij; als "vertaalterm" dwingt hij bij de vertaling een consistente naamgeving af. Eén term kan maar één doel dienen — kies naar gelang het probleem dat je wilt oplossen.
De volgende keer dat een vertaling niet klopt, geef niet meteen de vertaling de schuld — open het paneel met de herkende brontekst en binnen twee seconden weet je welke stap hapert. Wie de verdeling van taken snapt, hoeft bij schermvertaling niet meer te gissen.
