BabelDOC 实测：带公式的英文论文翻成中文，版面居然没乱

BabelDOC 实测：带公式的英文论文翻成中文，版面居然没乱

【免费下载链接】BabelDOCYet Another Document Translator项目地址: https://gitcode.com/GitHub_Trending/ba/BabelDOC

BabelDOC 是一款开源 PDF 翻译工具，面向论文读者和文档处理工程师：它把 PDF 里的英文按段落拆好发给大模型，再把中文塞回原来的版面，一次给你单语和双语两种输出。

真正的痛点不是翻译，是版面 🎯

在线翻译工具能搞定大部分文字需求，但把译文粘回 PDF 后，公式错位、双栏断裂、行号对不上，这些活儿没人替你干。BabelDOC 做的事恰好在这一步：它不满足于"翻译"，而是把整页重新排一遍。原文的字体、换行、图表位置都尽量保留，中文嵌进原本的框里。

安装只需一行：uv tool install BabelDOC（或者pip install BabelDOC），要求 Python 3.10 到 3.13，翻译端点用任何 OpenAI 兼容 API 都行。

从安装到看到双语版，5 分钟 🚀

uv tool install BabelDOC babeldoc --files paper.pdf --openai \ --openai-model gpt-4o-mini --openai-base-url https://api.openai.com/v1 --openai-api-key sk-xxx

跑完后，输出目录里多出两份 PDF：单语版是纯中文内容，双语版原文和译文并排，方便逐页对照。第一次运行会下载本地布局模型和字体资产，所以头几分钟网速会被占满；想提前预热，可以单独跑一次--warmup。注意默认输出带水印，怎么去掉后面会说。

它怎么做到：解析、分类、翻译、排版 🧠

整条链路先要把 PDF 变成一份结构化的"中间层"，后面所有环节都基于它。四个环节分工很清：

1. 解析：用 pdfminer 和 pymupdf 逐行提取文本、字体、颜色（实现在babeldoc/format/pdf/下）；
2. 版面分类：本地跑 ONNX 的 DocLayout 模型，标出哪块是段落、哪块是图表；
3. 翻译：按段落送 LLM，公式和代码先换成占位符，模型碰不到也改不了（babeldoc/translator/）；
4. 排版：根据译文长短自动调字号和换行，最后写回新的 PDF。

前两步在本地完成"看懂文档"，LLM 只负责字面翻译。公式被占位符保护，所以排版还原度比"截图再 OCR"的路子稳得多。

三个场景，装好就能试 📄

带公式的论文怎么翻

场景：arXiv 论文，行间公式和行内下标一大片。关键参数：--formular-font-pattern告诉工具公式用的字体（很多模板是 Times New Roman），这些字符段会被当成公式保护起来。

babeldoc --files paper.pdf --openai --openai-api-key sk-xxx \ --formular-font-pattern "Times New Roman"

预期效果：公式留在原位、字号样式不变，正文中文填满原框架；如果按字体识别不准，还可以换--formular-char-pattern按字符集兜底。

扫描件怎么救

场景：纯扫描的旧文献，没有文本层，普通工具直接没戏。关键参数：--ocr-workaround会在译文下方垫白底遮住原文，前提是黑字白底。

babeldoc --files scan.pdf --openai --openai-api-key sk-xxx --ocr-workaround

预期效果：中文叠印在扫描件上直接可读。拿不准文件是不是扫描件就别管，内置检测会自动处理。

50 份合同批量过

场景：一批同类合同，每份几十页，逐份跑太慢。关键参数：--files重复传即可一次提交多份文件；--max-pages-per-part 50把大文件拆成 50 页一段处理、译完自动拼回，内存不会一路飙。合同术语要求统一时，顺手加--glossary-files传一份 CSV 术语表。

babeldoc --files c1.pdf --files c2.pdf -o ./out \ --max-pages-per-part 50 --watermark-output-mode no_watermark

预期效果：每份文件各出一组 PDF，且这一句顺带把水印去掉了。

进阶旋钮：四个值得知道的 🎛

参数多的话可以写进 TOML 配置文件，用--config加载，命令行就不用记那么长。

卡住了先看这三处 🩹

• 译文 PDF 在某些阅读器里显示不全→ 默认的清理和富文本流程兼容性不足，加--enhance-compatibility一次打开一组兼容开关。
• 几百页文件内存爆掉、进程被杀→--max-pages-per-part 50分段处理，译一段释放一段。
• 输出里带着不要的水印→ 默认就是带水印的，改成--watermark-output-mode no_watermark。

更难查的问题用--debug跑一遍，中间产物会导出到~/.cache/babeldoc/working，从版面分类到排版每一步的产物都能看到。另外 BabelDOC 的 PDF 翻译带缓存，同一份文档反复调试不必每次都重调 API；确认要重翻时再加--ignore-cache。

延伸阅读 🔖

• 解析与版面实现细节：适合想搞懂 BabelDOC 如何"读懂" PDF 的中间层设计的人。
• 排版实现细节：适合关心"版面为什么没乱"的人，字号和换行的判断逻辑都在这里。
• 术语表演示文件：--glossary-files可直接套用的 CSV 模板，适合需要统一术语译法的团队。

【免费下载链接】BabelDOCYet Another Document Translator项目地址: https://gitcode.com/GitHub_Trending/ba/BabelDOC