OCR czy model tłumaczeniowy? Dwa etapy tłumaczenia z ekranu
Korzystając z tłumaczenia z ekranu, być może znałeś tę frustrację: tłumaczenie wygląda podejrzanie, ale trudno powiedzieć, gdzie leży problem — narzędzie źle odczytało tekst z ekranu, czy samo tłumaczenie poszło w złą stronę? Rozwiązania tych dwóch usterek są zupełnie inne, a gdy rozdzielisz „odczytywanie tekstu" i „tłumaczenie" na dwa etapy, sprawa od razu staje się jasna.
Tłumaczenie z ekranu to dwa etapy, nie jeden
Wielu ludzi sądzi, że tłumaczenie z ekranu to czarna skrzynka: wrzucasz obraz, a dostajesz fragment przetłumaczonego tekstu. W rzeczywistości proces składa się z dwóch etapów, za które odpowiadają różne komponenty.
Na przykładzie VoriTrans cały łańcuch wygląda tak:
- Silnik OCR odpowiada za „czytanie": zamienia tekst widoczny na obrazie w zaznaczonym obszarze ekranu na edytowalny tekst; wynikiem jest tekst oryginalny, np. japońska kwestia „宿は右です". Ten etap tylko rozpoznaje znaki i nie rozumie znaczenia.
- Model tłumaczeniowy odpowiada za „tłumaczenie": bierze tekst wyjściowy z OCR i przekłada go na wybrany język docelowy; wynikiem jest tłumaczenie. Ten etap zajmuje się tylko językiem i nie widzi obrazu.
Etapy te tworzą linię produkcyjną: wejściem modelu tłumaczeniowego jest wyjście OCR. Stąd kluczowy wniosek — jeśli OCR pomyli znaki, żaden, nawet najsilniejszy model tłumaczeniowy nie przetłumaczy tego dobrze. Śmieci na wejściu, śmieci na wyjściu — błąd u źródła przenosi się aż do samego tłumaczenia.
Etap pierwszy: dlaczego OCR na ekranie jest wyjątkowo trudne
OCR (optyczne rozpoznawanie znaków) samo w sobie nie jest nową technologią — rozpoznawanie skanów jest już bardzo dojrzałe. Ekran jest jednak znacznie bardziej kapryśny niż skan, a wszystkie trudności biorą się z „obrazu".
Skan to czysta płaszczyzna: czarne litery na białym papierze, stały kierunek, jednolita wielkość pisma. Obraz z ekranu jest zupełnie inny — tekst może leżeć na gradientowym tle, być przykryty półprzezroczystym dymkiem dialogowym, być napisany pismem odręcznym lub ozdobnym z obrysem, a nawet nakładać się na inne elementy sceny. Pionowy japoński wymaga dodatkowo ustalenia kolejności czytania: OCR musi wiedzieć, czy zacząć od prawej czy od lewej kolumny — czytając w odwrotnej kolejności, psuje całe zdania.
Dlatego narzędzie daje ci pole do manewru. Ustawienia VoriTrans pozwalają przełączać się między kilkoma silnikami OCR, które różnie radzą sobie z pismem ozdobnym i obrazami o niskiej rozdzielczości; przy zaznaczaniu warto zawęzić obszar do samego fragmentu z tekstem, co też ogranicza zakłócenia z obrazu. Gdy rozpoznawanie wypada słabo, najpierw podejrzewaj warunki na ekranie, a dopiero potem silnik — taka kolejność oszczędza nerwów.
Etap drugi: model tłumaczeniowy wyznacza górny limit jakości tłumaczenia
Tekst oryginalny z OCR trafia do modelu tłumaczeniowego i od tego momentu zaczyna się rozwarstwienie jakości tłumaczenia.
Modele tłumaczeniowe dzielą się na dwie kategorie. Model lokalny działa na twoim komputerze: reaguje błyskawicznie i nie zależy od transmisji sieciowej, a krótkie kwestie dialogowe obługuje sprawnie — kosztem ograniczonego rozumienia kontekstu, więc gry słowne, memy i formy zwrotne w grach zwykle obsługuje ostrożnie. Modele w chmurze (duże modele typu Qwen, DeepSeek, GLM) mają znacznie więcej parametrów, lepiej radzą sobie z długimi zdaniami, kontekstem i tonem, a kosztem jest zużycie punktów proporcjonalne do użycia.
Podkreślenia wymaga fakt: model tłumaczeniowy nie jest w stanie skompensować błędów OCR. Jeśli rozpoznany tekst ma braki i pomyłki, wielki model chmurowy otrzymuje okaleczone dane wejściowe, więc tłumaczenie i tak zbacza z kursu. „Zmiana na silniejszy model" i „naprawa rozpoznawania" to dwie różne sprawy — nie oczekuj, że pierwsze rozwiąże problem drugiego.
Rozdziel na dwa etapy, a diagnostyka i optymalizacja nie zbłądzą
Prawdziwa wartość zrozumienia podziału ról ujawnia się w praktyce: gdy coś nie działa, umiesz wskazać etap, a optymalizację prowadzisz celownie.
Interfejs VoriTrans jest zaprojektowany właśnie według tego podziału — „rozpoznany tekst oryginalny" i „wynik tłumaczenia" to dwa obok siebie stojące panele, a produkt pośredni etapu rozpoznawania jest widoczny od razu. Zasada diagnostyki jest prosta:
- Panel oryginału już jest błędny: problem leży w OCR. Zawęź zaznaczenie, przełącz silnik OCR, dostosuj czas stabilizacji obrazu albo dodaj w glosariuszu terminów poprawkę OCR (wyraz oryginalny → wyraz zamienny) dla łatwo mylonej nazwy własnej — przy następnym tłumaczeniu zadziała automatycznie.
- Oryginał poprawny, tłumaczenie błędne: problem leży w modelu tłumaczeniowym. Przy krótkich tekstach przetłumacz raz lokalnie i raz w chmurze i porównaj; jeśli stałe nazwy (imiona, miejsca, nazwy umiejętności) są niespójne, zablokuj je zapisem tłumaczeniowym w glosariuszu.
Mały przykład: imię postaci „ユキ" kilka razy zostało rozpoznane jako „ユヌ" i tłumaczenie poszło za tym w losowe strony. Gdy w glosariuszu dodamy „ユキ" jako wpis poprawki OCR, etap rozpoznawania najpierw prostuje znak, a etap tłumaczenia spójnie oddaje go jako Yuki — oba etapy poprawiają swoje, nie wchodząc sobie w drogę. Taka precyzja to właśnie owoc architektury dwuetapowej.
Jedna granica: podział ról dotyczy tekstu na ekranie
Zakres zastosowania dwuetapowej linii to tekst wyświetlany na ekranie. Mowa postaci bez napisów, rozmowy głosowe, czysty dźwięk — tu OCR nie ma czego czytać, więc model tłumaczeniowy nie ma za co się zabrać. To nie kwestia siły modeli, lecz brak rozpoznawalnego obiektu po stronie wejścia.
Gdy to zrozumiesz, granice możliwości narzędzia stają się jasne: dopóki tekst pojawia się na obrazie — dialogi w grach, dymki w mangach, wypalone napisy w filmach, interfejsy programów — dwuetapowa linia sobie poradzi; jeśli tekst istnieje tylko w dźwięku, potrzebne jest inne rozwiązanie. VoriTrans obsługuje 105 języków docelowych — drugi etap wypisuje wynik w wybranym przez ciebie języku, a strona rozpoznawania samodzielnie wykrywa język oryginału.
Częste pytania
OCR czy model tłumaczeniowy — co częściej się myli?
Zależy od sceny. Gdy obraz jest czysty, a pismo wyraźne, OCR rzadko się myli; pismo ozdobne, niska rozdzielczość i tekst na tle to strefa największych strat. W diagnostyce zacznij od panelu rozpoznanego oryginału: najpierw oryginał musi być poprawny, dopiero potem oceniamy model tłumaczeniowy.
Czy silniejszy model tłumaczeniowy zdoła naprawić błędy rozpoznawania?
Nie. Wejściem modelu tłumaczeniowego jest wyjście OCR — jeśli etap rozpoznawania zgubił lub przekręcił znaki, błąd z góry przechodzi dalej bez zmian. Właściwa kolejność to najpierw naprawa rozpoznawania (zaznaczenie, silnik, poprawka OCR), a dopiero potem ewentualny upgrade modelu.
Do którego etapu służy glosariusz terminów?
Do obu. Jako „poprawka OCR" prostuje łatwo mylone znaki na etapie rozpoznawania; jako „zapis tłumaczeniowy" pilnuje spójności nazw na etapie przekładu. Jeden wpis może mieć tylko jedno przeznaczenie — wybierz według problemu, który chcesz rozwiązać.
Następnym razem, gdy tłumaczenie będzie krzywe, nie obwiniaj od razu tłumaczenia — otwórz panel rozpoznanego oryginału i w dwie sekundy ustalisz, który etap zawodzi. Gdy zrozumiesz podział ról, diagnostyka i optymalizacja tłumaczenia z ekranu przestaną być zgadywanką.
