Rất nhiều tài liệu chuyên ngành đến tay người dịch dưới dạng tệp PDF quét: báo cáo cũ, phiếu xét nghiệm, catalô thiết bị, chứng từ kế toán, và chất lượng bản dịch bị quyết định ngay từ bước chuyển ảnh thành chữ. Một chữ số bị nhận dạng sai ở bước này sẽ đi qua dịch máy, qua biên tập, và nằm im trong bản cuối nếu không ai quay lại nhìn ảnh gốc.
Bài này đi qua các bước xử lý tệp quét và bảng biểu cho ba mảng y tế, kỹ thuật, tài chính: chuẩn bị tệp, nhận dạng chữ, dựng lại bảng, dịch, soát và trả bố cục. Bài không nêu tên phần mềm cụ thể, vì tính năng thay đổi nhanh; bạn nên kiểm phiên bản hiện hành của công cụ mình dùng.
Vì sao tệp quét nguy hiểm hơn tệp chữ
Với tệp chữ gốc, những gì bạn thấy là những gì tác giả đã gõ. Với tệp quét, những gì bạn thấy sau bước nhận dạng là phỏng đoán của một phần mềm về các vệt mực trên ảnh. Phỏng đoán đó đúng phần lớn thời gian với chữ in rõ, nhưng sai theo những kiểu rất đặc trưng: số một thành chữ l, số không thành chữ O, số năm thành chữ S, dấu phẩy thành dấu chấm, dấu trừ biến mất khi nằm sát mép ô.
Những lỗi này đặc biệt nguy hiểm trong tài liệu chuyên ngành vì chúng rơi đúng vào chỗ quan trọng nhất là con số. Một câu văn bị nhận dạng sai thường lộ ra vì đọc không thành nghĩa, còn một con số sai vẫn là một con số hợp lệ. Dịch máy sau đó không có cách nào biết số đã sai từ trước, và người biên tập chỉ nhìn bản chữ cũng vậy.
Vì vậy nguyên tắc nền của bài này là: với tệp quét, ảnh gốc là bản gốc thật, còn bản chữ sau nhận dạng chỉ là bản nháp trung gian. Mọi lần kiểm số phải quay về ảnh, không kiểm giữa bản chữ trung gian và bản dịch.
Chuẩn bị tệp trước khi nhận dạng
Phần lớn lỗi nhận dạng có thể giảm đáng kể nếu bạn chuẩn bị tệp tốt. Các bước dưới đây áp dụng được với hầu hết công cụ.
- Xin khách bản quét tốt nhất có thể: độ phân giải đủ cao, không bị nghiêng, không bị cắt mép. Nếu khách còn giữ bản giấy, quét lại thường đỡ công hơn sửa một bản quét kém.
- Tách các trang có cấu trúc khác nhau: trang toàn chữ, trang bảng, trang có hình, trang có chữ viết tay. Mỗi loại cần cách xử lý riêng.
- Xoay thẳng và cắt viền đen trước khi nhận dạng; viền đen và trang nghiêng là nguyên nhân phổ biến khiến công cụ đọc sai cột.
- Chọn đúng ngôn ngữ nhận dạng. Tài liệu tiếng Việt cần bật nhận dạng có dấu, tài liệu song ngữ cần bật cả hai ngôn ngữ.
- Với tài liệu có thông tin cá nhân hoặc bí mật, che phần đó trên ảnh trước khi đưa vào công cụ nhận dạng trực tuyến, hoặc dùng công cụ chạy trên máy nếu khách yêu cầu.
Bước cuối thường bị quên vì nhiều người nghĩ nhận dạng chữ không phải là dịch nên không cần lo bảo mật. Thực tế, khi bạn tải một tệp lên dịch vụ nhận dạng trực tuyến, toàn bộ nội dung đã rời khỏi máy của bạn, giống như khi dán vào chatbot.
Lỗi nhận dạng hay gặp theo loại tài liệu
Mỗi mảng có những kiểu lỗi đặc trưng. Bảng dưới giúp bạn biết nên nhìn vào đâu trước khi soát.
| Loại tài liệu | Lỗi hay gặp | Chỗ cần soát kỹ |
|---|---|---|
| Phiếu xét nghiệm, đơn thuốc | Ký hiệu micro, dấu nhỏ hơn lớn hơn, chỉ số trên dưới bị mất | Cột kết quả, cột đơn vị, cột khoảng tham chiếu |
| Catalô, bảng thông số | Ký hiệu đường kính, dấu cộng trừ dung sai, phân số | Các dòng có dung sai và kích thước lắp ghép |
| Báo cáo tài chính quét | Ngoặc số âm, dấu phân cách hàng nghìn, cột bị lệch hàng | Tổng cộng của từng bảng, dòng đơn vị trình bày |
| Tài liệu cũ đánh máy | Chữ mờ, ký tự dính nhau, dấu tiếng Việt sai | Tên riêng, tên hoạt chất, mã hiệu |
| Trang song ngữ hai cột | Công cụ đọc ngang qua hai cột, trộn câu | Thứ tự đoạn văn sau nhận dạng |
Một mẹo đơn giản với bảng tài chính: sau khi nhận dạng, tự cộng lại các cột và so với dòng tổng trên ảnh. Nếu không khớp, gần như chắc chắn có một ô bị đọc sai. Phép cộng này không kiểm được bản gốc đúng hay sai, nhưng kiểm được bước nhận dạng của bạn.
Dựng lại bảng trước khi dịch
Đừng dịch bảng ở dạng văn bản liền. Nhiều công cụ nhận dạng trả bảng thành các dòng chữ nối tiếp, mất ranh giới ô. Nếu dịch ở dạng này, dịch máy sẽ nối các ô thành câu và đảo thứ tự. Hãy dựng lại bảng trong bảng tính hoặc trình soạn thảo trước, mỗi ô một giá trị.
Tách cột số khỏi cột chữ. Khi bảng đã dựng xong, chỉ đưa cột chữ qua dịch máy. Cột số chép nguyên sang bản dịch, sau khi đã đối chiếu với ảnh gốc. Cách làm này giống cách xử lý báo cáo tài chính, và áp dụng được cho mọi bảng chuyên ngành.
Ô gộp và tiêu đề nhiều tầng. Bảng kỹ thuật và bảng y tế hay có tiêu đề hai ba tầng với ô gộp. Khi dựng lại, ghi rõ ô nào thuộc nhóm nào, để khi dịch tiêu đề con bạn biết nó đang nằm dưới tiêu đề cha nào. Dịch sai tầng tiêu đề là dẫn người đọc đọc sai cả cột.
Chú thích chân bảng. Ký hiệu chú thích như dấu sao, chữ cái nhỏ, số mũ thường bị mất hoặc dính vào số liệu khi nhận dạng. Hãy kiểm mọi ký hiệu chú thích trên ảnh và đảm bảo chúng có mặt ở đúng ô trong bảng dựng lại.
Câu lệnh mẫu cho phần bảng và phần soát
Sau khi đã dựng bảng và che thông tin cần che, bạn có thể dùng các câu lệnh sau với chatbot. Nhớ rằng chatbot chỉ thấy bản chữ, không thấy ảnh gốc.
- “Dưới đây là một bảng dạng hai cột Mã ô và Nội dung chữ. Dịch cột Nội dung chữ sang tiếng Việt, giữ nguyên Mã ô, không gộp hay tách dòng. Không dịch các ô chỉ chứa số hoặc ký hiệu.”
- “Trong văn bản sau, liệt kê các chuỗi có khả năng là lỗi nhận dạng chữ, như chữ l đứng giữa các chữ số, chữ O trong số, ký tự lạ trong đơn vị. Chỉ liệt kê, không sửa.”
- “So sánh danh sách tiêu đề cột của bảng gốc và bảng dịch, kiểm xem số cột và thứ tự cột có giữ nguyên không.”
- “Với danh sách chú thích chân bảng sau, kiểm xem mỗi ký hiệu chú thích có xuất hiện ít nhất một lần trong bảng không.”
Câu lệnh thứ hai đặc biệt hữu ích với tài liệu cũ: chatbot có thể chỉ ra những chuỗi trông bất thường mà mắt người đã quen bỏ qua. Nhưng nó không biết giá trị thật là gì, nên mọi chỗ bị chỉ ra vẫn phải kiểm với ảnh.
Chữ viết tay, dấu mộc và ghi chú bên lề
Tệp quét chuyên ngành hiếm khi chỉ có chữ in. Phiếu khám có dòng chẩn đoán bác sĩ viết tay, biên bản nghiệm thu có chữ ký và ghi chú của kỹ sư hiện trường, chứng từ kế toán có con dấu đè lên số tiền. Công cụ nhận dạng chữ in thường bỏ qua những phần này, hoặc tệ hơn là đọc chúng thành một chuỗi ký tự vô nghĩa rồi chèn vào giữa đoạn văn bên cạnh.
Cách làm an toàn là tách riêng mọi vùng viết tay ngay từ bước chuẩn bị, đánh số vị trí, và đọc chúng bằng mắt. Chữ viết tay trong y tế đặc biệt dễ đọc nhầm: tên thuốc viết tắt, liều dùng, tần suất dùng trong ngày. Nếu bạn không đọc chắc một chữ, đừng đoán dựa trên ngữ cảnh rồi dịch như thể đã chắc. Hãy ghi trong ngoặc vuông rằng chữ đó không đọc được rõ, kèm cách đọc có khả năng nhất nếu khách đồng ý cách ghi như vậy, và nêu chỗ đó trong danh sách câu hỏi gửi khách.
Với dấu mộc và chữ ký, bản dịch thường chỉ mô tả sự có mặt và nội dung đọc được của con dấu, không cố tái hiện hình dạng. Phần chữ trên dấu nếu đọc được thì dịch hoặc phiên theo quy ước khách yêu cầu; phần không đọc được thì ghi rõ là không đọc được. Ghi chú bên lề cũng nên được giữ lại ở đúng vị trí tương ứng, vì đôi khi chính dòng ghi chú nhỏ đó mới là thông tin người nhận cần nhất, ví dụ một dòng sửa lại kích thước lắp đặt sau khi khảo sát thực tế.
Trả bố cục: bản dịch phải dùng được như bản gốc
Khách nhận bản dịch tài liệu quét thường muốn bản dịch trông gần giống bản gốc: cùng thứ tự trang, bảng ở cùng vị trí, chú thích ở cùng chỗ. Mức độ giống cần được thống nhất từ đầu, vì dàn trang lại một catalô nhiều hình tốn công không kém phần dịch. Ba mức thường gặp là: bản chữ đơn giản theo thứ tự trang, bản có bảng và tiêu đề giữ cấu trúc, bản dàn trang gần như bản gốc.
Dù ở mức nào, bản dịch nên ghi số trang gốc tương ứng để người đọc đối chiếu. Những phần không dịch được hoặc không đọc được trên ảnh, như dấu mộc mờ, chữ ký, ghi chú viết tay bên lề, được mô tả trong ngoặc vuông tại vị trí tương ứng. Phần hình minh hoạ không có chữ có thể được ghi chú là hình, không cần mô tả chi tiết, trừ khi khách yêu cầu.
Trước khi gửi, hãy mở bản dịch cạnh ảnh gốc, lật từng trang, và kiểm ba thứ: không thiếu trang, không thiếu bảng, không thiếu chú thích. Đây là bước rà mang tính cơ học, nhưng lại là nơi phát hiện những lỗi nặng nhất như sót cả một trang phụ lục mà công cụ nhận dạng đã bỏ qua vì trang quá mờ.
Câu hỏi thường gặp
Có nên dịch trực tiếp tệp PDF quét bằng công cụ dịch máy không?
Không nên với tài liệu chuyên ngành. Hãy nhận dạng chữ, soát bản chữ với ảnh gốc, dựng lại bảng, rồi mới dịch. Dịch thẳng tệp quét khiến lỗi nhận dạng đi thẳng vào bản dịch mà bạn khó phát hiện.
Làm sao biết bước nhận dạng chữ đã đúng?
Đối chiếu bản chữ với ảnh gốc ở các chỗ quan trọng như con số, đơn vị, tên riêng, và dùng các phép kiểm như cộng lại cột số so với dòng tổng. Không có cách nào thay được việc nhìn lại ảnh ở những chỗ đó.
Tệp quét có thông tin cá nhân thì dùng công cụ nhận dạng trực tuyến được không?
Chỉ khi khách đồng ý và bạn đã che thông tin trên ảnh trước khi tải lên. Tải tệp lên dịch vụ trực tuyến cũng là đưa dữ liệu ra ngoài, giống như dán vào chatbot.
Bảng có ô gộp và tiêu đề nhiều tầng nên xử lý ra sao?
Dựng lại bảng trong bảng tính, ghi rõ quan hệ giữa tiêu đề cha và tiêu đề con, rồi mới dịch phần chữ. Như vậy bạn tránh được việc dịch tiêu đề con lệch khỏi nhóm của nó.
Khách muốn bản dịch giống hệt bố cục bản gốc thì sao?
Thống nhất mức độ giống từ đầu và tính thời gian dàn trang riêng. Với tài liệu nhiều hình, có thể phối hợp với người dàn trang của khách: bạn giao bản chữ có cấu trúc, họ đặt vào bố cục.