一段英文交给模型几秒钟就能得到中文。可把一本几百页的技术手册做成双语 PDF问题往往出在翻译之后。原文写着pRuncodenpm install/code, then readahref/guidethe guide/a./p理想的结果是“运行npm install然后阅读指南。”命令保持原样“指南”仍然可以点击。如果把整个 HTML 节点直接交给模型译文可能改掉命令、丢掉链接或者生成一段看起来正确、却无法放回原节点的文本。PDF 还要面对双栏阅读顺序、表格、坐标和分页。模型翻对了不代表双语文档就做对了。图 1从文档解析到双语写回的主要环节。一、为什么“提取文字 → 翻译 → 拼回去”容易出错HTML 的一个段落里可能混有文字、代码、链接和公式。PDF 中看起来连续的一段话底层可能是几十个独立绘制的文本片段。EPUB 的一章也可能分布在多个 XHTML 文件中。直接按字符或固定 Token 数切分容易遇到四种情况**切错顺序**PDF 双栏的左右两列被交替拼接页眉或脚注混进正文。**丢失结构**链接、代码或公式与普通文字一起翻译写回时无法恢复原节点。**找错位置**只凭原文字符串定位相同句子在文档里出现多次译文可能放错段落。**撑坏版面**译文长度改变固定文本框溢出表格行高和分页随之变化。所以第一步不是决定“每段多少 Token”而是先识别文档里哪些内容属于同一个语义块哪些内容虽然出现在块内却不能让模型改动。二、先给原文块一个稳定身份标题、段落、列表项、表格单元格、图注可以分别成为语义块。每个块记录自己的blockId和来源位置而不是仅靠它在数组里的序号。一个简化的中间结构可以长这样{blockId:p-0286-04,sourceAnchor:{page:286,bbox:[72,180,510,232]},sourceText:Run npm install, then read the guide.,inlineTokens:[CODE_1,LINK_1],status:segmented}HTML 可以记录 DOM 路径PDF 可以记录页码、坐标和阅读顺序EPUB 可以记录 spine 与元素路径。这一层可称为Document IR文档中间表示不同格式的来源信息各自保留翻译调度则统一按块管理。这里还要分清两个概念**语义块是最终写回和检查的单位翻译单元是一次送给模型的输入。**为了让模型理解上下文可以把相邻的几个块放在一次请求中返回后仍要按blockId拆回原块。三、代码和链接先保护再翻译回到开头的例子。如果希望链接文字“the guide”可以翻译但链接地址和 HTML 节点不被改动可以把输入整理为Run ⟪PH_001:CODE⟫, then read ⟪PH_002:LINK_START⟫the guide⟪PH_003:LINK_END⟫.npm install的原始代码节点以及链接的href由系统单独保存。模型只处理可翻译的文字并保留占位符。写回前至少要检查占位符有没有缺失、重复或被改名链接的开始和结束标记是否仍然成对。检查通过再恢复代码与链接节点。公式、URL、产品型号、{name}和%s这类变量也可以按各自规则保护。这一步并不能保证译文质量但能防止模型在翻译时顺手改掉文档结构。四、翻译完成后怎么找到原来的位置假设第 286 页有两个几乎一样的提示段落。只用原文内容搜索两个位置都可能匹配。即使保存了 PDF 坐标重新解析或排版后坐标也可能发生变化。比较稳妥的做法是把三个信号放在一起核对**结构位置**原来属于哪一页、哪个节点或 EPUB 文件。**邻居特征**前后分别是什么块阅读顺序是否一致。**内容校验**原文摘要或关键特征是否仍然匹配。先按原始位置查找对不上时只在附近范围内重定位。如果仍有多个候选位置就标记为待复核而不是选一个“最像的”自动写入。图 2blockId关联原文和译文多个定位信号确认最终写回位置。最隐蔽的错误不是没翻出来而是译文读起来没问题却出现在错误的原文下面。五、写回 PDF位置正确还不够HTML 可以在原文段落后插入译文节点EPUB 可以修改对应 XHTML再检查章节导航和内部链接。PDF 更难译文通常不能直接塞回原来的文本框。例如原文只有两行译文变成四行。如果仍按原坐标绘制可能压住下一个段落。表格单元格里的译文变长还会影响行高、跨页和图注位置。因此双语 PDF 通常要在“原文块与译文块保持对应”的前提下重新安排版面并在生成后检查溢出、阅读顺序和链接。准确写回包含两件事找对内容位置以及让新页面仍然可读。网页实时翻译又是另一种写回场景。页面可能被 React、Vue 等框架重新渲染插件插入的译文也会触发 DOM 变化监听。因此它还需要节点标记、重复翻译检测和视口调度。两种场景可以共用分块与占位符的思路但不能直接共用写回实现。六、翻到第 286 块失败前面的结果怎么办几百页的文档不可能假设一次处理永远成功。接口超时、某个块解析失败、人工审核暂停都可能打断任务。如果每个块都保存状态和结果流程就可以从未完成的块继续segmented → translating → translated → approved → rendered这里要区分第 286 页和第 286 块一页可能包含多个块真正用于续跑和局部复核的是块级状态。术语更新也类似。比如一份手册里API Gateway已确认译为“API 网关”后续块应尽量遵循同一译法。若术语表变更可以找出命中该术语的块逐块检查或重译而不必默认重跑整本书。七、怎么检查双语成品有没有做好只看“翻译是否通顺”还不够。更能暴露系统问题的是下面几类测试代码与变量npm install、{name}、%s是否保持原样**链接**链接文字翻译后点击是否仍指向原地址**重复段落**两处相同原文的译文是否写回各自位置**复杂页面**双栏、表格、脚注和图注的阅读顺序是否正确**长译文**文本框、表格和分页有没有溢出或遮挡**中断恢复**某一块失败后已确认的块是否可以保留占位符完整性、数字与单位异常、疑似漏译、异常长度等可以先由程序筛查语义准确性和有歧义的写回位置仍需要复核。自动检查是质量门槛不等于质量保证。最后模型翻对一句话只是开始文档翻译真正难的是模型前后的工程识别结构、保护内联对象、保持块与位置的关联、适配新版面以及在失败后继续处理。翻译 API 可以返回一段不错的中文。但要把几百页的原文变成可阅读、可核对的双语文档每一段译文还得知道自己从哪里来、该回哪里去。双语文档最怕的不是某段没有译文而是译文看着正确却放错了位置。如果想进一步了解这些能力在产品里的实际应用可以体验有谷大脑https://brain.yogu.pro