尝试翻译有格式的文档

Vertex AI Translation 和光学字符识别 (OCR) 服务相结合，可提供名为“文档翻译”的文档处理功能。

Document Translate 可直接翻译 PDF 文件等格式化文档。与普通文本翻译相比，该功能会保留已翻译文档中的原始格式和布局，可帮助您保留很多段落内容，例如段落中断。

Document Translate 支持内嵌、从存储桶和批量翻译文档。

本页面将引导您通过互动式体验，使用 Google Distributed Cloud (GDC) 网闸隔离配置上的文档处理功能翻译文档，同时保留其格式。

支持的格式

文档翻译支持以下输入文件类型及其关联的输出文件类型：

输入 MIME 类型文档 输出
PDF application/pdf PDF、DOCX
DOC application/msword DOC、DOCX
DOCX application/vnd.openxmlformats-officedocument.wordprocessingml.document DOCX
PPT application/vnd.ms-powerpoint PPT、PPTX
PPTX application/vnd.openxmlformats-officedocument.presentationml.presentation PPTX
XLS application/vnd.ms-excel XLS、XLSX
XLSX application/vnd.openxmlformats-officedocument.spreadsheetml.sheet XLSX

原始和扫描的 PDF 文档翻译

文档翻译支持原生和扫描的 PDF 文件，包括与从右到左的语言之间的翻译。此外，文档翻译会保留文件中的超链接、字体大小和字体颜色。

准备工作

您必须先有一个名为 dt-project 的项目，然后才能开始使用文档处理功能。项目的自定义资源必须如以下示例所示：

apiVersion: resourcemanager.gdc.goog/v1
kind: Project
metadata:
  labels:
    atat.config.google.com/clin-number: CLIN_NUMBER
    atat.config.google.com/task-order-number: TASK_ORDER_NUMBER
  name: dt-project
  namespace: platform

此外，您必须同时启用 Vertex AI Translation 和 OCR 预训练 API，并拥有适当的凭证。考虑安装 Vertex AI Translation 和 OCR 客户端库，以便于进行 API 调用。如需详细了解前提条件，请参阅设置翻译项目。

翻译存储桶中的文档

如需翻译存储在存储桶中的文档，您可以使用 Vertex AI Translation API。

本部分介绍如何翻译存储桶中的文档，并将结果存储到另一个输出存储桶路径。响应还会返回一个字节流。 您可以指定 MIME 类型；如果您不指定，Document Translate 会使用输入文件的扩展名来确定 MIME 类型。

Document Translate 支持对存储在存储桶中的文档进行语言自动检测。如果您未指定源语言代码，Document Translate 会为您检测语言。检测到的语言包含在 detectedLanguageCode 字段的输出中。

请按照以下步骤翻译存储桶中的文档：

  1. 为对象存储区配置 gdcloud CLI。

  2. 在 dt-project 命名空间中创建存储桶。使用 Standard 存储类别。

    您可以通过在 dt-project 命名空间中部署 Bucket 资源来创建存储桶：

      apiVersion: object.gdc.goog/v1
  kind: Bucket
  metadata:
    name: dt-bucket
    namespace: dt-project
  spec:
    description: bucket for document vision service
    storageClass: Standard
    bucketPolicy:
      lockingPolicy:
        defaultObjectRetentionDays: 90

  3. 向 Vertex AI Translation 服务使用的服务账号（ai-translation-system-sa 和 g-vai-translation-sie-sa）授予对存储桶的 read 和 write 权限。

    请按照以下步骤在 Management API 服务器上使用自定义资源创建角色和角色绑定：

    1. 通过在 dt-project 命名空间中部署 Role 资源来创建角色：

        apiVersion: rbac.authorization.k8s.io/v1
  kind: Role
  metadata:
    name: dvs-reader-writer
    namespace: dt-project
  rules:
    -
      apiGroups:
        - object.gdc.goog
      resources:
        - buckets
      verbs:
        - read-object
        - write-object

    2. 通过在 dt-project 命名空间中部署 RoleBinding 资源来创建角色绑定：

        apiVersion: rbac.authorization.k8s.io/v1
  kind: RoleBinding
  metadata:
    name: dvs-reader-writer-rolebinding
    namespace: dt-project
  roleRef:
    apiGroup: rbac.authorization.k8s.io
    kind: Role
    name: dvs-reader-writer
  subjects:
    -
      kind: ServiceAccount
      name: ai-translation-system-sa
      namespace: g-vai-translation-sie
    -
      kind: ServiceAccount
      name: g-vai-translation-sie-sa
      namespace: g-vai-translation-sie

  4. 将文档上传到您创建的存储桶。如需了解详情，请参阅在项目中上传和下载存储对象。

  5. 向 Vertex AI Translation 预训练 API 发出请求：

    curl

    请按照以下步骤发出 curl 请求：

    1. 保存以下 request.json 文件：

      cat <<- EOF > request.json
{
  "parent": "projects/PROJECT_ID/locations/PROJECT_ID",
  "source_language_code": "SOURCE_LANGUAGE",
  "target_language_code": "TARGET_LANGUAGE",
  "document_input_config": {
    "mime_type": "application/pdf",
    "s3_source": {
      "input_uri": "s3://INPUT_FILE_PATH"
    }
  },
  "document_output_config": {
    "mime_type": "application/pdf"
  },
  "enable_rotation_correction": "true"
}
EOF

      替换以下内容：

      • PROJECT_ID：您的项目 ID。
      • SOURCE_LANGUAGE：文档所用的语言。查看支持的语言及其各自语言代码的列表。
      • TARGET_LANGUAGE：您要将文档翻译成的一种或多种语言。查看支持的语言及其各自语言代码的列表。
      • INPUT_FILE_PATH：存储桶中文档文件的路径。

      根据您的文档修改 mime_type 值。

    2. 获取身份验证令牌。

    3. 发出请求：

      curl -vv --data-binary @- -H "Content-Type: application/json" -H "Authorization: Bearer TOKEN" https://ENDPOINT:443/v3/projects/PROJECT_ID/locations/PROJECT_ID:translateDocument < request.json

      替换以下内容：

翻译内嵌文档

本部分介绍了如何将文档作为 API 请求的一部分以内嵌方式发送。您必须添加内嵌文档翻译的 MIME 类型。

文档翻译功能支持自动检测内嵌文本翻译的语言。如果您未指定源语言代码，文档翻译会为您检测语言。检测到的语言包含在 detectedLanguageCode 字段的输出中。

向 Vertex AI Translation 预训练 API 发出请求：

curl

请按照以下步骤发出 curl 请求：

  1. 获取身份验证令牌。

  2. 发出请求：

echo '{"parent": "projects/PROJECT_ID/locations/PROJECT_ID","source_language_code": "SOURCE_LANGUAGE", "target_language_code": "TARGET_LANGUAGE", "document_input_config": { "mime_type": "application/pdf", "content": "'$(base64 -w 0 INPUT_FILE_PATH)'" }, "document_output_config": { "mime_type": "application/pdf" }, "enable_rotation_correction": "true"}' | curl --data-binary @- -H "Content-Type: application/json" -H "Authorization: Bearer TOKEN" https://ENDPOINT/v3/projects/PROJECT_ID/locations/PROJECT_ID:translateDocument

替换以下内容：

  • PROJECT_ID：您的项目 ID。
  • SOURCE_LANGUAGE：文档所用的语言。查看支持的语言及其各自语言代码的列表。
  • TARGET_LANGUAGE：您要将文档翻译成的一种或多种语言。查看支持的语言及其各自语言代码的列表。
  • INPUT_FILE_PATH：文档文件的本地路径。
  • TOKEN：您获取的身份验证令牌。
  • ENDPOINT：您为组织使用的 Vertex AI Translation 端点。如需了解详情，请查看服务状态和端点

批量翻译文档

借助批量翻译，您可以在单个请求中将多个文件翻译成多种语言。对于每个请求，您可以发送最多 100 个文件，总内容大小不超过 1 GB 或 1 亿 Unicode 代码点，以最先达到的限额为准。您可以为每种语言指定特定的翻译模型。

如需了解详情，请参阅 batchTranslateDocument。

翻译多个文档

以下示例包含多个输入配置。每个输入配置都是一个指向存储桶中的文件的指针。

向 Vertex AI Translation 预训练 API 发出请求：

curl

请按照以下步骤发出 curl 请求：

  1. 将以下请求正文保存在名为 request.json 的文件中：

    {
  "source_language_code": "SOURCE_LANGUAGE",
  "target_language_codes": ["TARGET_LANGUAGE"],
  "input_configs": [
    {
      "s3_source": {
        "input_uri": "s3://INPUT_FILE_PATH_1"
      }
    },
    {
      "s3_source": {
        "input_uri": "s3://INPUT_FILE_PATH_2"
      }
    }
  ],
  "output_config": {
    "s3_destination": {
      "output_uri_prefix": "s3://OUTPUT_FILE_PREFIX"
    }
  }
}

    替换以下内容：

    • SOURCE_LANGUAGE：输入文档的语言代码。查看支持的语言及其各自语言代码的列表。
    • TARGET_LANGUAGE：要将输入文档翻译成的一种或多种目标语言。查看支持的语言及其各自语言代码的列表。
    • INPUT_FILE_PATH_1 和 INPUT_FILE_PATH_2：输入文档的存储桶位置和文件名。
    • OUTPUT_FILE_PREFIX：存储所有输出文档的存储桶位置。

  2. 获取身份验证令牌。

  3. 发出请求：

    curl -X POST \
  -H "Authorization: Bearer TOKEN" \
  -H "Content-Type: application/json; charset=utf-8" \
  -d @request.json \
  "https://ENDPOINT:443/v3/projects/PROJECT_ID/locations/PROJECT_ID:batchTranslateDocument"

    替换以下内容：

响应包含长时间运行的操作的 ID：

{
"name": "projects/PROJECT_ID/operations/OPERATION_ID",
"metadata": {
  "@type": "type.googleapis.com/google.cloud.translation.v3.BatchTranslateDocumentMetadata",
  "state": "RUNNING"
}
}

翻译和转换原始 PDF 文件

以下示例会将原始 PDF 文件翻译并转换为 DOCX 文件。您可以指定各种文件类型的多个输入，这些输入不一定都是原始 PDF 文件。但是，如果请求中包含转换，则不能包含扫描的 PDF 文件；否则请求会被拒绝，并且不会执行任何翻译。只有原始 PDF 文件会被翻译并转换为 DOCX 文件。例如，如果您添加了 PPTX 文件，这些文件会被翻译并以 PPTX 文件的形式返回。

如果您经常翻译扫描和原始 PDF 文件的混合内容，我们建议您将它们整理到不同的存储桶中。这样，在请求批量翻译和转换时，您可以排除包含扫描的 PDF 文件的存储桶，而不必排除个别文件。

向 Vertex AI Translation 预训练 API 发出请求：

curl

请按照以下步骤发出 curl 请求：

  1. 将以下请求正文保存在名为 request.json 的文件中：

    {
  "source_language_code": "SOURCE_LANGUAGE",
  "target_language_codes": ["TARGET_LANGUAGE"],
  "input_configs": [
    {
      "s3_source": {
        "input_uri": "s3://INPUT_FILE_PATH_1"
      }
    },
    {
      "s3_source": {
        "input_uri": "s3://INPUT_FILE_PATH_2"
      }
    }
  ],
  "output_config": {
    "s3_destination": {
      "output_uri_prefix": "s3://OUTPUT_FILE_PREFIX"
    }
  },
  "format_conversions": {
    "application/pdf": "application/vnd.openxmlformats-officedocument.wordprocessingml.document"
  }
}

    替换以下内容：

    • SOURCE_LANGUAGE：输入文档的语言代码。查看支持的语言及其各自语言代码的列表。
    • TARGET_LANGUAGE：要将输入文档翻译成的一种或多种目标语言。查看支持的语言及其各自语言代码的列表。
    • INPUT_FILE_PATH_1 和 INPUT_FILE_PATH_2：输入文档的存储桶位置和文件名。
    • OUTPUT_FILE_PREFIX：存储所有输出文档的存储桶位置。

  2. 获取身份验证令牌。

  3. 发出请求：

    curl -X POST \
  -H "Authorization: Bearer TOKEN" \
  -H "Content-Type: application/json; charset=utf-8" \
  -d @request.json \
  "https://ENDPOINT:443/v3/projects/PROJECT_ID/locations/PROJECT_ID:batchTranslateDocument"

    替换以下内容：

响应包含长时间运行的操作的 ID：

{
"name": "projects/PROJECT_ID/operations/OPERATION_ID",
"metadata": {
  "@type": "type.googleapis.com/google.cloud.translation.v3.BatchTranslateDocumentMetadata",
  "state": "RUNNING"
}
}

使用术语库

您可以添加术语表来处理特定领域的术语。如果您指定了术语表，则必须指定源语言。以下示例使用了术语表。您最多可以指定 10 种目标语言，每种语言都有自己的术语表。

如果您为某些目标语言指定了术语表，则系统不会对未指定的语言使用任何术语表。

向 Vertex AI Translation 预训练 API 发出请求：

curl

请按照以下步骤发出 curl 请求：

  1. 将以下请求正文保存在名为 request.json 的文件中：

    {
  "source_language_code": "SOURCE_LANGUAGE",
  "target_language_codes": ["TARGET_LANGUAGE"],
  "input_configs": [
    {
      "s3_source": {
        "input_uri": "s3://INPUT_FILE_PATH"
      }
    }
  ],
  "output_config": {
    "s3_destination": {
      "output_uri_prefix": "s3://OUTPUT_FILE_PREFIX"
    }
  },
  "glossaries": {
    "TARGET_LANGUAGE": {
      "glossary": "projects/GLOSSARY_PROJECT_ID/glossaries/GLOSSARY_ID"
    }
  }
}

    替换以下内容：

    • SOURCE_LANGUAGE：输入文档的语言代码。查看支持的语言及其各自语言代码的列表。
    • TARGET_LANGUAGE：要将输入文档翻译成的一种或多种目标语言。查看支持的语言及其各自语言代码的列表。
    • INPUT_FILE_PATH：一个或多个输入文档的存储桶位置和文件名。
    • OUTPUT_FILE_PREFIX：存储所有输出文档的存储桶位置。
    • GLOSSARY_PROJECT_ID：术语表所在项目的 ID。
    • GLOSSARY_ID：术语表的 ID。

  2. 获取身份验证令牌。

  3. 发出请求：

    curl -X POST \
  -H "Authorization: Bearer TOKEN" \
  -H "Content-Type: application/json; charset=utf-8" \
  -d @request.json \
  "https://ENDPOINT:443/v3/projects/PROJECT_ID/locations/PROJECT_ID:batchTranslateDocument"

    替换以下内容：

响应包含长时间运行的操作的 ID：

{
"name": "projects/PROJECT_ID/operations/OPERATION_ID",
"metadata": {
  "@type": "type.googleapis.com/google.cloud.translation.v3.BatchTranslateDocumentMetadata",
  "state": "RUNNING"
}
}