BabelDOC PDF翻译实战5分钟拿到第一份双语对照PDF【免费下载链接】BabelDOCYet Another Document Translator项目地址: https://gitcode.com/GitHub_Trending/ba/BabelDOCBabelDOC PDF翻译指的是用这个开源命令行工具把一份英文 PDF 变成中英双语对照的 PDF公式、表格和原版式尽量保留译文按原文的版式重新排版而不是简单覆盖在原文上。它用 Python 编写要求 Python 3.103.13官方示例用 3.12翻译服务走任何 OpenAI 兼容接口官方 API、DeepSeek、GLM、本地 Ollama 都行。需要说明的一点官方把这条 CLI 定位得更偏向开发调试用普通用户也可以用但大规模生产建议配套它的 WebUI 项目使用。5分钟跑通第一个翻译任务先安装。官方推荐用 uv 从 PyPI 装装完得到一个独立的babeldoc命令uv tool install --python 3.12 BabelDOC babeldoc --version # 当前版本 0.6.2没有 uv 的话pip install BabelDOC也一样它发布在 PyPI 上。装好之后第一条翻译命令只需要四个关键参数babeldoc --openai \ --openai-model gpt-4o-mini \ --openai-base-url https://api.openai.com/v1 \ --openai-api-key sk-xxx \ --files example.pdf -o ./out--openai是必选的开关CLI 目前只接 OpenAI 协议所以换服务只改--openai-base-url、--openai-model、--openai-api-key三个值即可本地 Ollama 的 key 随便填一个非空字符串。-o指定输出目录不写就输出到输入文件同目录。默认会生成两份 PDF单语译文版和双语对照版默认左右并排不想要哪份就用--no-mono或--no-dual。第一次运行会下载布局分析模型和字体等资产网络慢的话可以先跑babeldoc --warmup预下载并校验一遍。BabelDOC 是怎么把 PDF 变成双语文档的拿到结果之后再回头看流程会简单很多。整个管线在 docs/ImplementationDetails/README.md 里有逐步文档源码集中在 babeldoc/format/pdf/document_il/frontend 解析、midend 处理、backend 生成 PDF核心环节是解析用 pdfminer/PyMuPDF 提取文本块、字体、坐标生成一份内部 XML 中间表示IL而不是在原始 PDF 上动刀布局识别本地 ONNX 模型doclayout.py把每页划分成语段、公式、图片、表格区域段落与公式把离散文本块拼回段落识别公式并做占位符保护翻译时不会碰公式本身翻译调用 LLM带本地缓存重复文本不重复计费术语表在这一步注入 prompt重排与输出匹配原字体风格、自动缩放字号重新生成一份新的 PDF。因为输出是新构建的 PDF所以译文塞不进原文框这类问题靠缩放和重排解决而不是叠加透明图层。调优翻译质量术语表、提示词与速率参数语言方向默认-li en→-lo zh其他语言对官方明确说只做了基础支持比如英文作目标语言时减少词内换行论文场景就用默认即可。真正影响质量的是术语。它默认开启自动术语抽取先让 LLM 扫一遍文档、挑出领域词翻译时强制使用不想用就加--no-auto-extract-glossary想留档就加--save-auto-extracted-glossary会在输出目录多生成一份 CSV 供下次复用。手动术语表是 CSV列为source,target,tgt_lngtgt_lng可省略仓库里有个示例 docs/example/demo_glossary.csvsource,target,tgt_lng AutoML,自动ML,zh-CN用--glossary-files a.csv,b.csv传入多个文件逗号分隔。有个细节值得知道术语表的名字取自文件名翻译时只有命中当前文本片段的术语表才会进 prompt所以文件名写清楚用途比堆一张大表更有效。其余常用参数--custom-system-prompt自定义系统提示词官方建议的典型用途是给 Qwen 3 注入/no_think指令--qps默认 4翻译接口限速--pool-max-workers不填时直接取 qps 的值作为线程数--min-text-length默认 5短于这个长度的片段不翻译避免图1这类碎词被翻坏--formular-font-pattern/--formular-char-pattern文档里公式字体比较特殊时用字体名或字符特征显式标记公式减少误翻。扫描版 PDF 的处理方法扫描 PDF 的判断和应对是三个独立开关默认会做一次是否扫描件检测确认自己的文档是电子版时加--skip-scanned-detection直接跳过省时间--ocr-workaround在译文下方垫白色色块盖住原页文字并强制全部文本为黑色让双语版更干净。前提是白底黑字的清晰扫描件彩色或复杂背景文档别用--auto-enable-ocr-workaround检测到超过 80% 页面是扫描页时自动启用上面那套 OCR 模式适合不确定混不混合的批次任务。注意它与另外两个开关有交互关系开启后初始检测阶段的手动设置会被覆盖。需要提醒它做的是垫白底盖原文的排版补偿不会把图片里的文字重新识别出来真正的 OCR 提取不在这条 CLI 的职责范围内。大文件与批量分段、并发与离线部署几百页的文档直接翻容易卡在中途或撑爆内存。做法babeldoc --files big.pdf --max-pages-per-part 50 \ --pool-max-workers 8 --openai --openai-model gpt-4o-mini \ --openai-base-url https://api.openai.com/v1 --openai-api-key sk-xxx--max-pages-per-part 50会把文档切成每段 50 页分别翻译、再自动拼回完整 PDF扫描检测默认只在第一段做。批量则直接多次--filesbabeldoc --files a.pdf --files b.pdf -o ./out参数多到命令行难读时改用--config指向一个 TOML 文件命令行仍可覆盖单个值[babeldoc] openai true openai-model gpt-4o-mini qps 10 output ./out max-pages-per-part 50完全断网的机器用离线资产包联网机器上babeldoc --generate-offline-assets ./assets-dir生成一个 zip模型字体文件名里带内容哈希不能改名目标机器上babeldoc --restore-offline-assets ./assets-dir恢复传目录也可以它会自动找对文件。排错兼容性、水印、页码范围与调试某些阅读器里译文版式错乱先加--enhance-compatibility它等价于--skip-clean --dual-translate-first --disable-rich-text-translate的组合拳。代价是--skip-clean会让输出文件变大。双语版想要上下交替默认是左右并排加--use-alternating-pages-dual改成原文页/译文页交替排布--dual-translate-first则把译文页放前面。水印默认译文带水印--watermark-output-mode no_watermark去掉both则两个版本都输出。只翻几页--pages 1,2,1-,-3,3-5支持区间与正负偏移写法配合--only-include-translated-page让输出只含译了的那几页。复现问题--debug会把详细中间结果导出到~/.cache/babeldoc/working排查哪一段被识别错了基本靠它翻译结果默认走缓存换模型或改 prompt 后记得加--ignore-cache强制重翻。已知边界也要提前有数作者和参考文献区翻译后可能合并成一段横线、首字下沉暂不支持超大页面会被跳过表格内文字翻译是实验特性需要--translate-table-text显式打开。想深入某个环节解析、段落切分、排版算法按 docs/ImplementationDetails/README.md 里的顺序读对应文档即可每个阶段都配了独立说明。【免费下载链接】BabelDOCYet Another Document Translator项目地址: https://gitcode.com/GitHub_Trending/ba/BabelDOC创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考