BabelDOC 高级配置扫描版 PDF 翻译、接入本地大模型、术语一致性怎么配【免费下载链接】BabelDOCYet Another Document Translator项目地址: https://gitcode.com/GitHub_Trending/ba/BabelDOCBabelDOC 是一个把 PDF 翻译成双语文档的开源工具而它的进阶价值藏在命令行参数里兼容输出、扫描件修补、本地大模型接入、术语表管理都是靠这些高级配置撑起来的。如果你翻过一本 200 页的论文 PDF或者被译文字体、术语不一致折腾过这篇文章的每个开关都能帮到你。译文 PDF 在挑剔的阅读器里打不开先开兼容组合有些 PDF 阅读器尤其是老版本对翻译后文档的字体、清理结构比较敏感轻则排版错位重则直接打不开。BabelDOC 为此准备了三个独立的兼容开关外加一个一键全开。一个参数打包兼容三件套记住一点--enhance-compatibility等价于同时开启下面三项嫌麻烦直接用它就行。参数作用默认--skip-clean跳过 PDF 清理不移除未用资源、不压缩字体保留原始结构关闭--dual-translate-first双语 PDF 中译文页排在原文页前面原文在前--disable-rich-text-translate关闭富文本翻译简化格式信息兼容性更好关闭用法很直接babeldoc --files input.pdf --openai -k YOUR_KEY --enhance-compatibility开启后的变化文件体积会略大、处理稍快但在各种阅读器里的翻车率明显下降。如果只是想省文件体积、阅读器够新就保持默认。水印、字体家族、双语页序这些细节输出阶段还有几个顺手能调的选项不用改代码水印--watermark-output-mode三选一——watermarked默认输出带水印版、no_watermark纯净版适合商用、both两版都出方便对比。字体家族--primary-font-family可指定serif/sans-serif/script来统一译文字体风格不指定时 BabelDOC 会按原文属性自动选字体。双语页序默认原文/译文交替想换顺序可以试--use-alternating-pages-dual或--dual-translate-first配合使用。黑白扫描件一翻译就乱版给文字垫个背景扫描件的文字其实是画在图片上的译文叠上去后容易出现字与字粘连、背景脏斑。BabelDOC 的应对思路很朴素给每个被翻译的字符区域垫一个填充背景。手动开--ocr-workaroundbabeldoc --files scanned.pdf --openai -k YOUR_KEY --ocr-workaround这个开关是实验性的开了之后会顺带自动跳过扫描件检测、并关闭富文本翻译属于为扫描件让路。适合已知是黑白扫描、文字发虚的文档。自动判断或者干脆不检测不想自己判断时用--auto-enable-ocr-workaroundBabelDOC 检测到文档重度扫描后自动启用背景方案并跳过后续扫描检测。反过来如果你确定文档不是扫描件加--skip-scanned-detection可以省掉检测这一步整体会快一些。两个开关别同时纠结手动开--ocr-workaround时检测和富文本翻译已经自动替你处理了。把大模型接进来云端、本地、限流与缓存BabelDOC 只要求一个 OpenAI 兼容端点所以云端 API、Ollama、vLLM 之类的本地推理都能接参数是同一套。任何 OpenAI 兼容端点都能指过去# 云端 babeldoc --files paper.pdf --openai \ --openai-model gpt-4o-mini \ --openai-api-key YOUR_KEY \ --lang-in en --lang-out zh # 本地Ollama 示例 babeldoc --files paper.pdf --openai \ --openai-base-url http://localhost:11434/v1 \ --openai-api-key ollama \ --openai-model llama3.1注意--openai-model默认是gpt-4o-mini接本地模型时务必显式指定。这些参数也可以写进 TOML 配置文件的[babeldoc]段用-c加载避免命令行反复敲。限流、重试与缓存帮你省钱省时限流--qps控制每秒请求数默认 4内部用漏桶式限速保证请求平稳工作线程数--pool-max-workers不填时默认等于 QPS。重试遇到限流错误RateLimitError会自动指数退避重试最多 100 次间隔 1~15 秒一般不用你操心。缓存翻译结果按模型、提示词、语言等参数做键存进本地 SQLite 缓存重复段落不再花钱重翻想强制重翻就加--ignore-cache。离线跑无网环境可以先在有网机器上--generate-offline-assets导出资源包目标机器--restore-offline-assets恢复--warmup则只下载并校验资源后退出适合提前预热。专业术语怎么翻得又稳又一致术语不一致是长文档翻译最常见的抱怨Transformer 前 50 页叫变换器后 50 页叫转换器。BabelDOC 给了两条路。自己写术语表三列 CSV 就够source,target,tgt_lng Transformer,变换器,zh-CN GPT,生成式预训练模型,zh-CN用--glossary-files terms.csv,acronyms.csv逗号分隔支持多份传入即可。tgt_lng列可选填了之后该术语只在目标语言匹配时生效条目按最长匹配优先、大小写不敏感来命中短语不会被拆散。让大模型自动提取术语再兜底BabelDOC 默认开启自动术语提取auto_extract_glossary默认为真它会先用 LLM 从文档里挑出关键术语并给出译文后续翻译时优先沿用。两个实用开关--save-auto-extracted-glossary把自动提取的术语存成 CSV 到输出目录下次直接当用户术语表复用--no-auto-extract-glossary关掉自动提取比如你已经有完整术语表或想省 token。优先级记住这个顺序用户术语表 自动提取术语 大模型自由发挥。想给术语提取单独指定更便宜的模型可以用--openai-term-extraction-model及配套的 base-url、api-key 参数。按场景选配置速查表先看结论照着选基本不会翻车。场景推荐参数最大兼容输出--enhance-compatibility --watermark-output-mode no_watermark黑白扫描件--ocr-workaround或--auto-enable-ocr-workaround确认不是扫描件求快--skip-scanned-detection大文档分段处理--max-pages-per-part 50本地大模型--openai --openai-base-url http://localhost:11434/v1 --openai-api-key ollama --openai-model llama3.1术语强一致--glossary-files terms.csv --save-auto-extracted-glossary离线环境先--generate-offline-assets再--restore-offline-assets只翻指定页--pages 1-3,7配合--only-include-translated-page只输出这些页更多细节可以直接翻仓库里的 实现文档 和 命令行入口每个参数都有对应的 help 文案。【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