OCR чи AI-модель перекладу: два кроки перекладу з екрана
Користуючись перекладом з екрана, ви, можливо, стикалися з таким подивом: переклад виглядає підозрілим, але важко сказати, у чому проблема — інструмент неправильно розпізнав слова на екрані чи сам переклад пішов не туди? Рішення для цих двох несправностей зовсім різні, а якщо розбити «читання тексту» та «переклад» на два кроки, усе одразу стає зрозумілим.
Переклад з екрана — це два кроки, а не один
Багато хто вважає, що переклад з екрана — це чорна скринька: завантажуєш зображення, отримуєш переклад. Насправді робочий процес складається з двох кроків, за кожен із яких відповідає окремий компонент.
На прикладі VoriTrans уся схема виглядає так:
- OCR-рушій відповідає за «читання»: перетворює текст на зображенні у виділеній області екрана на редаговуваний текст і видає оригінал — наприклад, японську репліку「宿は右です」。На цьому кроці текст лише розпізнається, без розуміння змісту.
- Модель перекладу відповідає за «переклад»: отримує текст від OCR і перекладає його обраною мовою, видаючи переклад. Цей крок працює лише з мовою і не бачить зображення.
Кроки пов'язані як конвеєр: вхід моделі перекладу — це вихід OCR. З цього випливає ключовий висновок — якщо OCR розпізнав слово неправильно, жодна модель перекладу, навіть найпотужніша, не перекладе правильно. Сміття на вході — сміття на виході: помилка нагорі тягнеться аж до перекладу.
Крок перший: чому OCR особливо важкий на екрані
OCR (оптичне розпізнавання символів) — не нова технологія, розпізнавання сканованих документів давно відпрацьоване. Але екран значно підступніший за скан, і всі труднощі криються саме в «зображенні».
Скан — це чиста площина: чорні літери на білому папері, фіксований напрямок, однаковий кегль. Екран зовсім інший — текст може лежати на градієнтному фоні, бути перекритим напівпрозорим діалоговим вікном, бути рукописним шрифтом або художнім шрифтом з обведенням, а то й перекриватися з елементами зображення. Вертикальний японський текст додає ще й проблему порядку читання: OCR має знати, яку колонку читати спершу — праву чи ліву; переплутаєш — і речення розвалюється.
Тому інструмент дає вам простір для налаштування. У налаштуваннях VoriTrans можна перемикати кілька OCR-рушіїв: різні рушії по-різному справляються з художніми шрифтами та зображеннями низької роздільності; виділяючи область, зменшуйте її та захоплюйте лише зону з текстом — це теж зменшує перешкоди. Якщо розпізнавання не тішить, спершу підозрюйте умови зображення, а вже потім рушій — такий порядок заощадить час.
Крок другий: модель перекладу визначає стелю перекладу
Текст оригіналу, виданий OCR, передається моделі перекладу — саме з цього кроку починається розшарування якості.
Моделі перекладу бувають двох типів. Локальні моделі працюють на вашому власному комп'ютері: швидко відгукуються, не залежать від мережі, короткі репліки обробляють чітко, але ціною є обмежене розуміння контексту — каламбури, жарти та звертання в іграх локальні моделі зазвичай обробляють обережно. Хмарні моделі (великі моделі на кшталт Qwen, DeepSeek, GLM) мають значно більший обсяг параметрів, помітно краще справляються з довгими реченнями, контекстом і тоном, але витрачають кредити пропорційно до використання.
Варто наголосити: модель перекладу не може виправити помилки OCR. Якщо розпізнаний текст сам по собі має пропуски й помилки, хмарна модель отримує обірваний вхід — і переклад так само з'їжджає вбік. Тож «поставити потужнішу модель» і «полагодити розпізнавання» — це два різні завдання, не сподівайтеся вирішити друге за рахунок першого.
Розділіть на два кроки — і в діагностиці, й в оптимізації не заблукайте
Практична цінність розуміння розподілу роботи проявляється в користуванні: коли щось ламається, можна знайти потрібний етап, а оптимізація б'є точно в ціль.
Інтерфейс VoriTrans побудований саме за цим принципом — «Розпізнаний текст» і «Результат перекладу» — це дві суміжні панелі, проміжний результат розпізнавання видно просто неба. Правило діагностики просте:
- Вже панель оригіналу неправильна: проблема в OCR. Зменшіть область виділення, змініть OCR-рушій, налаштуйте очікування стабільності зображення або додайте в глосарій запис OCR-виправлення (оригінальне слово→заміна) для схильних до помилок назв — наступний переклад застосується автоматично.
- Оригінал правильний, переклад ні: проблема в моделі перекладу. Для коротких текстів порівняйте локальне та хмарне перекладення; якщо сталі назви (імена, топоніми, назви навичок) не збігаються, зафіксуйте їх через перекладний запис глосарію.
Малий приклад: ім'я персонажа「ユキ」час від часу розпізнається як「ユヌ」, і переклад ламається слідом. Після того як「ユキ」додано до глосарію як запис OCR-виправлення, етап розпізнавання спершу виправляє символ, а етап перекладу вже перекладає все як Yuki — кожен етап лагодить своє, не заважаючи іншому. Саме таку точність дає двоетапна архітектура.
Одна межа: розподіл стосується слів на екрані
Двоетапний конвеєр працює з текстом, відображеним на екрані. Озвучення без субтитрів, дзвінки, суто аудіоконтент — OCR нема чого читати, і моделі перекладу нічого не дістається; справа не в силі моделі, а в тому, що на вході просто немає об'єкта для розпізнавання.
Коли це зрозуміло, межі можливостей інструменту стають очевидними: щойно текст з'являється на зображенні — ігрові діалоги, бульбашки в манзі, вбудовані субтитри у відео, інтерфейси програм — двоетапний конвеєр береться до роботи; якщо ж текст існує лише у звуці, потрібне інше рішення. VoriTrans підтримує 105 мов перекладу: другий із двох кроків видає результат обраною мовою, а на кроці розпізнавання мова оригіналу визначається автоматично.
Часті запитання
Що помиляється частіше — OCR чи модель перекладу?
Залежить від сцени. На чистому зображенні з чітким кеглем OCR помиляється рідко; художні шрифти, низька роздільність і текст на насиченому фоні — зона ризику номер один для розпізнавання. Діагностику починайте з панелі розпізнаного тексту: спершу оригінал має бути правильним, і лише тоді оцінюємо модель перекладу.
Чи може потужніша модель перекладу виправити помилки розпізнавання?
Ні. Вхід моделі перекладу — це вихід OCR: пропущені чи спотворені символи на етапі розпізнавання передаються далі як є. Правильний порядок — спершу полагодити розпізнавання (область, рушій, OCR-виправлення), і вже потім думати про апгрейд моделі.
На якому кроці працює глосарій?
На обох. У режимі «OCR-виправлення» він виправляє помилкові символи на етапі розпізнавання; у режимі «перекладний запис» фіксує єдиний переклад назв на етапі перекладу. Один запис може мати лише одне призначення — обирайте за завданням, яке треба вирішити.
Наступного разу, коли переклад здається неправильним, не поспішайте звинувачувати переклад — відкрийте панель розпізнаного тексту й за дві секунди зрозумієте, який крок винен. Розібравшись із розподілом роботи, ви більше не вгадуватимете ні в діагностиці, ні в оптимізації перекладу з екрана.
