PDF çevirisinde biçim neden bozulur ve nasıl korunur

Bir Word dosyası, hangi sözcüklerin bir paragrafı oluşturduğunu ve hangilerinin bir tabloya ait olduğunu kaydeder. Çoğu PDF bunu yapmaz. Onlar yalnızca harfleri ve onları çizmek için gereken koordinatları tutar; paragraflar, tablolar ve cümleler okuyucunun gözünün bir araya getirdiği şeylerdir. Bazı PDF'ler paragraf ve tabloları işaretleyen erişilebilirlik etiketleri (ekran okuyucular için eklenmiş) taşır, ama çoğu taşımaz (aşağıda örnek olarak kullandığımız iki makalede hiç yok), dolayısıyla bir çeviri aracı bunlara güvenemez. Yapı olarak gördüğünüz her şeyin (iki kolonlu bir düzen, birden çok kolona yayılan bir başlık ya da sonraki sayfada devam eden bir cümle) çeviri başlamadan önce yeniden çıkarılması gerekir. Ardından, artık daha uzun veya daha kısa olan çevrilmiş metnin özgün düzene yeniden sığması gerekir. Biçim bu iki adımdan birinde kaybolur.

Ne yapmanız gerektiği elinizdekine bağlı:

• Özgün .docx veya .pptx dosyası: PDF yerine onu çevirin.
• Az tablo içeren, 10 MB'ın altındaki düz metin PDF: Google Çeviri'nin ücretsiz belge yüklemesini denemek en hızlı seçenektir.
• Tablo, formül veya iki kolon içeren makale, kılavuz ya da rapor: düzeni yeniden kuran bir çeviri aracı kullanın, sonra 3. bölümdeki dört yeri kontrol edin.
• Taranmış belge (metni seçemediğiniz): çevrilebilmesi için önce metin tanıma (OCR) gerekir. DeepL taramaları kabul eder ve bu adımı kendisi halleder. Google Çeviri taranmış sayfaları çevrilmeden bırakır.

1. Bir çeviri aracı PDF'de aslında ne görür?

Bir belge çeviri aracı geliştiriyoruz, bu yüzden PDF'lerden ne çıktığına bakarak çok zaman geçiriyoruz. Bunu açıkça göstermek için arXiv'deki yapay zekâ dil modelleri üzerine iki araştırma makalesini, LLaMA ve Mistral 7B'yi aldık ve metinlerini MuPDF'nin yaygın kullanılan açık kaynaklı PDF aracı mutool ile çıkardık. Bu metin, düzeni de okumadığı sürece bir aracın çalıştığı şeye kabaca denk geliyor. Aşağıda her bölüm önce sayfada göründüğü hâliyle, sonra çıktığı hâliyle gösteriliyor (yalnızca … olan bir satır, bazı satırları atladığımız anlamına geliyor).

1.1 Tablolar bir sayı listesine dönüşür

LLaMA makalesindeki Tablo 3, on modeli sekiz testte karşılaştırır:

Çıkarıldığında 102 satırdır: beş satırlık bir başlık, ardından satır başına bir değer. Bunlar ilk 16 satır; GPT-3ten 57.6ya kadar olan on satır, vurgulanan tablo satırıdır.

BoolQ
PIQA
SIQA HellaSwag WinoGrande ARC-e
ARC-c
OBQA
GPT-3
175B
60.5
81.0
-
78.9
70.2
68.8
51.4
57.6
Gopher

Çeviri aracına hangi sayının hangi teste ait olduğunu söyleyen hiçbir şey yok. Bunu bir çeviri kutusuna yapıştırırsanız aynı listeyi geri alırsınız. Sözcükler çevrilir, ama tablo kaybolur.

1.2 Bir cümle ve içinde koca bir tablo

LLaMA makalesinin 3. sayfasındaki son cümle "we need to"da durur:

Sayfa 4'ün sol kolonunda, Tablo 3'ün hemen altında devam eder:

Çıkarılan metinde bir dipnot, sayfa sonu, tablonun 102 satırının tamamı ve tablo başlığı tek bir cümlenin içinde yer alır:

To fully benefit from this optimization, we need to
2https://github.com/facebookresearch/xformers
BoolQ
PIQA
…
Table 3: Zero-shot performance on Common Sense Reasoning tasks.
reduce the memory usage of the model by using

İki sayfa sonra yine olur. Sayfa 5 "…the textual description and tests in a" ile biter ve "docstring." ancak 6. sayfadaki Tablo 7'den sonra, arada tablonun 44 satırı ve yedi satırlık başlığıyla gelir.

Sayfa sayfa çeviren veya metni tam bu sırayla izleyen bir araç, birleştirmek için hiçbir nedeni olmadığı iki parça alır. Çevrilmiş dosyada bir cümlenin sayfanın altında yarım kaldığını, öteki yarısının da bir tablonun altında bir yerde çıktığını görürsünüz.

1.3 Alt simgeler ve kesirler başka bir şeye dönüşür

Mistral makalesinde bir değişken, alt simge i ile birlikte h olarak yazılır:

Çıkarıldığında alt simge kaybolur ve geriye hi kalır:

former to attend information beyond the window size W. The hidden
state in position i of the layer k, hi, attends to all hidden states from

Bir çeviri aracının bunu değişken olarak görmesi için hiçbir neden yok. Onun için hi sıradan bir İngilizce sözcüktür.

Kesirlerin hâli daha kötü. LLaMA bir değeri 4d'nin üçte ikisi olarak belirler ve bunu ⅔·4d biçiminde yazar; ⅔, 3'ün üzerine küçük bir 2 konularak dizilir:

improve the performance. We use a dimension of
2
34d instead of 4d as in PaLM.

4d'nin üçte ikisi 34d oldu. Üst simgeler, kesirler ve matematik fontlarından gelen simgeler, belirli konumlara yerleştirilmiş biçimlerden ibarettir. Çıkarılan metin biçimleri korur ama konumları kaybeder.

1.4 Sözcükler satır sonunda bölünür

İki kolonlu makaleler satır sonunda çok sayıda sözcüğü böler. LLaMA'da 242 satır, sıradan bir küçük harfli sözcüğü kısa çizgiyle böler. Bunları yeniden birleştirmek kolay görünür, ta ki bir ada ait kısa çizgiye varana kadar:

We introduce LLaMA, a collection of founda-
tion language models ranging from 7B to 65B
…
(175B) on most benchmarks, and LLaMA-
65B is competitive with the best models,

founda- ile tion kısa çizgi olmadan tek sözcük olur. Ama LLaMA- ile 65Bde kısa çizgi modelin adının bir parçasıdır ve kalması gerekir.

Tek bir çıkarma aracını, LaTeX ile hazırlanmış iki makale üzerinde çalıştırdık; LaTeX akademik yayımcılıkta yaygın bir dizgi sistemidir. Word'den dışa aktarılan PDF'ler, taranmış belgeler ve başka çıkarma araçları farklı sonuç verebilir, ama aranacak hasar türleri bu dördüdür.

2. Seçenekleriniz neler?

Google Çeviri ve DeepL ayrıntıları kendi yardım sayfalarından alınmıştır, 7 Ekim 2026'da kontrol edildi. Bir PDF çevirisi hayal kırıklığı yarattığında DeepL'in tavsiyesi, bunun yerine özgün belgeyi yüklemektir. Bu bizim tavsiyemizle aynı.

Son satır, Equalang'ın belge çevirisi için yapıldığı şeydir, dolayısıyla en iyi bildiğimiz yaklaşım odur. Equalang çeviriye başlamadan önce sayfa sonunun ikiye böldüğü cümleleri yeniden birleştirir. Birleştirilmiş hücreleri ve çok satırlı başlıkları olan tabloları tek bir listeye indirmek yerine özgün yapısında yeniden kurar. Formüller bozuk metin olarak atılmaz ve bir metin satırının içinde yer alan zor formüller için formül optimizasyonu seçeneği vardır.

Yapmadığı şey özgün belgeyi birebir yeniden üretmektir. Özgün metinden uzun olan bir çeviri satır sonlarını ve font boyutlarını kaydırır, bu yüzden sıkışık düzene sahip sayfaları kontrol etmeye değer. Belge çevirisi şu anda Çince, İngilizce, Japonca, Korece, İspanyolca, Fransızca ve başka dilleri kapsıyor.

3. PDF çevrildikten sonra neyi kontrol etmelisiniz?

1. Tablolar. Başlıklar hâlâ doğru kolonların üzerinde mi? Sayılar değişmemiş mi?
2. Sayfa sonları ve her tablonun altındaki metin. Her sayfanın son satırını ve her tablonun hemen ardındaki cümleyi okuyun. Durup bir daha hiç bitmeyen bir cümle, metnin parça parça çevrildiğinin en yaygın işaretidir.
3. Formüller ve değişkenler. Bir metin satırının içinde yer alan birkaç tanesini kontrol edin. Sözcüğe dönüşmüş harfleri ve başka sayılara dönüşmüş kesirleri arayın.
4. Sayfa sayısı ve bağlantılar. Çok farklı bir sayfa sayısı, metnin düştüğü ya da ek sayfalara taştığı anlamına gelir. Çalışıp çalışmadıklarını görmek için içindekiler bölümünden bir iki girdiye tıklayın.

Kaynaklar

• Touvron et al., "LLaMA: Open and Efficient Foundation Language Models", arXiv:2302.13971v1, CC BY 4.0.
• Jiang et al., "Mistral 7B", arXiv:2310.06825v1, CC BY 4.0.
• Google Çeviri Yardım, Translate documents & websites, 7 Ekim 2026'da kontrol edildi.
• DeepL Yardım Merkezi, Translate PDF files, 7 Ekim 2026'da kontrol edildi.
• Yöntem: metin 7 Ekim 2026'da MuPDF 1.25.6 ile çıkarıldı, mutool draw -q -F txt -o out.txt in.pdf. Görseller makalelerin sayfalarından kesitlerdir; vurgular bize ait.