企业官网建设流程全解析

PDF 翻译，外行觉得难在「翻译准不准」，内行知道难在「译完了还像不像原来那份文档」。后者往下拆，其实卡在两道具体的坎上：

1. 字体忽大忽小——译文和原文长度几乎不可能一样，翻译后重新排版时，每个块各自决定字号，通篇字号一会儿大一会儿小，标题缩成正文、正文又胀成标题，观感直接崩。
2. 段落合并靠标点靠不住——中英文标点体系不同，译文里句号、分号、引号的位置和原文对不上，靠标点去判断「这里该不该断段」经常失灵，结果一句话拆成十几段，或者几段并成一段。

谁把这两道坎过得漂亮，谁才敢说自己「保留格式」。这篇拿三个有代表性的工具拆实现路径：PolyglotPDF（就地替换型）、RetainPDF（解析重建型）、WPS PDF 翻译（商业一体化型），重点看它们的字体和行距策略，最后讲桐鸾译馆是怎么针对这两道坎走两条路的。

先给一个总览：三条路线

下面逐个展开。

路线一：就地替换——PolyglotPDF

实现路径：不开 Word、不重新排版，直接用 PyMuPDF 把 PDF 里的文本块（text block）读出来，按块送给 LLM 翻译，再把译文写回原来的坐标位置。因为结构一点没动，「版面保留」天然就做到了——原文在哪，译文就在哪。

优点：

• 快。文本型 PDF 一页识别约 1 秒、整篇约 10 秒，识别和翻译几乎合并成一步。
• 版面保真度天然高，因为根本没重排。
• 开源、可接多种 LLM（豆包 / 通义 / DeepSeek / GPT-4o 等）。

缺点：

• 颜色空间只支持 Gray / RGB / CMYK，遇到其它空间得退回 OCR。
• 复杂向量公式在表格里处理不好，本质是「按文本块切」，块与块之间的语义关系它不管。
• 项目定位是「版面保留翻译的演示」，不是完整编辑器，批量、审校、术语库这些工程能力偏弱。

字体和行距策略：就地复用。它不重建排版，所以字体、字号、行距基本是原 PDF 的「原位状态」。这带来一个所有就地替换路线的通用短板：译文变长时一行放不下，只能缩小字号或溢出重叠——而它没有 RetainPDF 那种「渲染前实测再缩」的闭环，长译文挤爆一行是这类工具的常见翻车点。换句话说，就地替换避免不了「字体忽大忽小」——译文变长就缩字号、缩不下就溢出，字号忽大忽小和文本溢出经常一起出现。

路线二：解析重建——RetainPDF

实现路径：一条四层流水线。先用 PaddleOCR / MinerU / 视觉模型把 PDF 解析成结构化信息（段落、公式、表格、图片、页眉页脚边界），再送 LLM（默认 DeepSeek）翻译，最后用 Typst 从零重新排版生成一份新 PDF。它和 PolyglotPDF 的根本区别：PolyglotPDF 是「在旧纸上改字」，RetainPDF 是「读懂旧纸、拿译文重新画一张纸」。

优点：

• 公式是强项：LaTeX 行内/行间公式精准保留，不容易翻译后崩坏。
• 代码保护：命令行参数、代码块不会被误翻（--port 8080不会变成--端口 8080）。
• 扫描件/图片型 PDF 处理能力最强，OCR 是它的主通道。
• 翻译前先恢复完整语义单元（跨栏、跨页、断句、段落续接），比逐框翻译的上下文割裂要少。

缺点：

• 需要自己配 OCR 和翻译模型的 API key，不是完全离线免费。
• 长 PDF 偶发段落漏译/重复、表格翻译问题（社区反馈 v4.0.5 较稳）。
• MinerU 有跨栏区域填满/丢失的 bug。
• 「重新排版」意味着字体不可能逐字等于原 PDF，是近似重建。

字体和行距策略：这是它最值得讲的地方，也是它敢叫「排版不破」的底气。它做了一套字体缩放 + 文本密度估算算法，三层决策：页面基准字号（观察整页平均行高、行距、每行字符容量定锚点，密集页约 9.2pt、宽松页约 10.4pt）→ 块级修正（按框宽窄、高度、译文膨胀、公式密度上下调）→ 真实渲染贴框检查（渲染前实测，超框按比例再缩，如 9.4pt → 8.7pt → 8.5pt）。文本密度靠长度密度（中文字符数 ÷ 原文词数，阈值 0.9 触发紧凑、1.0 重度紧凑）和布局密度（单字宽 ≈ 0.92 倍字号，推算每行字数）估算。

一句话：它不逐字保留原字体行距，而是靠密度估算让译文「重新长得和原来一样紧凑」。这套多档位调节正是它治「字体忽大忽小」的办法——但它逐块各自缩放，块的相对大小关系未必严格守得住原比例。

路线三：商业一体化——WPS PDF 翻译

实现路径：智能文档解析 + 版式还原引擎。先把 PDF/Office 做结构解析，AI 翻译后再用版式还原引擎复现原排版，官方称还原度 95% 以上。扫描件先走 OCR。它和 RetainPDF 同属「重建」路，胜在整套 Office 生态里的一环，工程化程度最高。

优点：

• 一体化体验好，PDF / Word / PPT 同一套翻译能力。
• 版式还原覆盖面广：表格结构、图文混排与图片锚点、章节层级、字体样式、字号、超链接、目录、上下标、公式、项目符号、缩进、制表位、首字下沉。
• 字体映射是对的思路：语言一换，字体本来就不必逐字相同——要的是「观看感受一致」，不是「字体文件一样」。WPS 用相似字体映射 + 多语言字体包兜底，恰好踩在正确的目标上，还顺带解决了非系统字体缺失、德语法语特殊字符乱码的问题。
• 转 Word 天然有优势：WPS 自己就是 Word 格式的原生方，PDF→Word 引擎是它的主场，所以「转成 Word 再翻译」这条流式路线，WPS 在「转」这半程天生占优。
• 商业产品稳定，有术语库/语料库协同，替换术语时保留粗体、颜色等格式。

缺点：

• 收费（会员 / 365 订阅），不是按页付费，轻度用户不划算。
• 行距是「智能自适应调整」而非逐字节保留，译文膨胀靠引擎自动调。
• 输出锁定在 WPS 生态里，想拿去别的工具继续编辑要多一步。

字体和行距策略：字体走「非系统字体自动匹配相似字体并统一替换 + 内置字体包防乱码」，行距走「自适应调整行距、分页与列宽防溢出留白」。工程上最省心，观感还原到位；代价是「逐字保真」让位于「观感一致 + 不溢出」——而这恰恰是翻译场景里更合理的目标。

桐鸾译馆走两条路，专门治那两道坎

它没绑死在一条路线上，而是按场景分两条路，每条路各治一道坎：

路径一：PDF 直接翻译（就地替换思路）

对「翻完还是 PDF、要的就是原样那份版式」的场景，走的是 PolyglotPDF 那套就地替换思路——在原 PDF 上原位替换文字，结构不动。但就地替换路线最大的软肋——译文变长就溢出、字号失控——它没有硬扛，而是把字体策略补上：

• 字号多档位调节，思路借鉴 RetainPDF：先定页面基准，再按块修正，最后贴框复核，避免通篇字号失控。
• 保留原文字号的比例：不是每个块各自决定一个字号（那正是「字体忽大忽小」的来源），而是让译文块的相对大小关系跟着原文走——原标题是正文的几倍，译文还是几倍。这样「忽大忽小」从根上被摁住。
• 段落合并不靠标点：中英标点体系不同，译文里句号、分号、引号的位置和原文对不上，靠标点判断段落边界经常失灵。桐鸾用版面坐标和几何关系综合判断段落在哪断开，不把标点当唯一依据——这正好治了第二道坎。

路径二：先转成结构化 Word，再在结构上翻

对「翻完还要在 Word 里继续改」的场景，走七段式流水线（提取→布局检测→块分类→段级重建→表格/公式→阅读顺序→结构回填），先把 PDF 转成结构化的 Word，再在结构上翻译。这一步有个被低估的优势——转成 Word 再翻译，本质是流式思路：PDF 是坐标和字形，翻译器得先「猜」出哪几个字是一行、哪几行是一段；而 Word 天然有结构，文字、段落、表格、公式都是定好的明确结构，翻译顺着这条有阅读顺序的文本流走就行，不用再猜版面、拼段落，译出来自然有结果、也容易得多。加上翻译发生在已经重建好的结构上，双栏、表格、公式、脚注、参考文献编号这些「结构」是转 Word 时已经定好的，翻译时不容易翻乱。

这条路在字体和行距上的处理：

• 字体：中英混排按 script 拆成独立 run、各绑各的字体（中文走中文字体、西文走 Times New Roman 一类），避免一个 span 里字体打架导致行高异常；中文假粗体（描边型加粗）被识别还原成真粗体；字体做别名映射，缺字体时落到正确的替代字体而不是乱码。
• 行距：表格和正文区分处理——表格用相对行距（auto）而不是全局固定行距，逐段保留真实段前间隙；参考文献这类小字号紧排的段落做缩放补偿，防止译文变长溢出串栏；含中文的段落把两端对齐改回左对齐，避免中文被无空格地撑成大间隙。

两条路同样不靠大模型猜版面，走几何/规则重建路线，结果可复现、本地也能跑。

怎么挑

• 要快、要开源、文本型 PDF 随便翻翻：PolyglotPDF够用，别拿它翻满是向量公式的表。
• 科研论文、公式和代码多、扫描件多、愿意自己配 OCR 和模型 key：RetainPDF是开源里的最强，容忍它偶发的漏译和重排。
• 已经重度用 WPS、要一体化和术语库、不介意订阅：WPS最省心，字体映射和行距自适应其实是对的目标。
• 想要「字体不忽大忽小 + 段落不断错」、又要「转出来能在 Word 里继续改」、还只想按页付费：桐鸾译馆两条路各取所长，PDF 直接翻和转 Word 翻都稳，价格也更轻。

回到那句老话：简单文档格式一致，复杂文档需手工调整。三条路线没有谁绝对赢，看你要的是「原位保真」「抗膨胀」还是「省心一体化」；但无论哪条，字体忽大忽小、段落合并靠标点，这两道坎是谁都绕不过去的。

体验地址：ivyivy.com.cn —— PDF转Word免费、扫描件OCR转Word免费、不注册不登录；文档翻译 0.15 元/页按页付费。