Tente traduzir documentos formatados

Os serviços de tradução e reconhecimento óptico de caracteres (OCR, na sigla em inglês) da Vertex AI se combinam para oferecer um recurso de processamento de documentos chamado Document Translate.

O Document Translate traduz diretamente documentos formatados, como arquivos PDF. Em comparação com traduções de textosimples, o recurso preserva a formatação e o layout originais nos documentos traduzidos, ajudando você a reter grande parte do contexto original, como quebras de parágrafo.

O Document Translate oferece suporte a traduções de documentos inline, de buckets de armazenamento e em lote.

Esta página orienta você em uma experiência interativa usando o recurso de processamento de documentos no Google Distributed Cloud (GDC) isolado para traduzir documentos, preservando a formatação.

Formatos compatíveis

O Document Translate oferece suporte aos seguintes tipos de arquivo de entrada e aos tipos de arquivo de saída associados:

Entradas Tipo de documento MIME Saída
PDF application/pdf PDF e DOCX
DOC application/msword DOC e DOCX
DOCX application/vnd.openxmlformats-officedocument.wordprocessingml.document DOCX
PPT application/vnd.ms-powerpoint PPT e PPTX
PPTX application/vnd.openxmlformats-officedocument.presentationml.presentation PPTX
XLS application/vnd.ms-excel XLS e XLSX
XLSX application/vnd.openxmlformats-officedocument.spreadsheetml.sheet XLSX

Traduções de documentos PDF originais e digitalizados

O Document Translate oferece suporte a arquivos PDF originais e digitalizados, incluindo traduções para ou de idiomas da direita para a esquerda. Além disso, o Document Translate preserva hiperlinks, tamanho e cor da fonte dos arquivos.

Antes de começar

Antes de começar a usar o recurso de processamento de documentos, você precisa ter um projeto chamado dt-project. O recurso personalizado do projeto precisa ser semelhante ao exemplo a seguir:

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

Além disso, é necessário ativar as APIs pré-treinadas de tradução e OCR da Vertex AI e ter as credenciais adequadas. Considere instalar as bibliotecas de cliente de tradução e OCR da Vertex AI para facilitar as chamadas de API. Para mais informações sobre os pré-requisitos, consulte Configurar um projeto de tradução.

Traduzir um documento de um bucket de armazenamento

Para traduzir um documento armazenado em um bucket, use a API Translation da Vertex AI.

Esta seção descreve como traduzir um documento de um bucket e armazenar o resultado em outro caminho de bucket de saída. A resposta também retorna um fluxo de bytes. É possível especificar o tipo MIME. Caso contrário, o Document Translate determina a extensão usando a extensão do arquivo de entrada.

O Document Translate oferece suporte à detecção automática de idioma para documentos armazenados em buckets. Se você não especificar um código de idioma de origem, o Document Translate detectará o idioma para você. O idioma detectado é incluído na saída no campo detectedLanguageCode.

Siga estas etapas para traduzir um documento de um bucket de armazenamento:

  1. Configure a CLI gdcloud para armazenamento de objetos.

  2. Crie um bucket de armazenamento no namespace dt-project. Use uma classe de armazenamento Standard.

    É possível criar o bucket de armazenamento implantando um recurso Bucket no namespace dt-project:

      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. Conceda permissões read e write no bucket à conta de serviço (ai-translation-system-sa) usada pelo serviço de tradução da Vertex AI.

    Siga estas etapas para criar o papel e a vinculação de papéis usando recursos personalizados:

    1. Crie o papel implantando um recurso Role no namespace dt-project:

        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. Crie a vinculação de papéis implantando um recurso RoleBinding no namespace dt-project:

        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

  4. Faça o upload do documento para o bucket de armazenamento que você criou. Para mais informações, consulte Fazer upload e download de objetos de armazenamento em projetos.

  5. Faça uma solicitação à API pré-treinada de tradução da Vertex AI:

    curl

    Siga estas etapas para fazer uma solicitação curl:

    1. Salve o arquivo request.json a seguir:

      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

      Substitua:

      • PROJECT_ID: o ID do projeto.
      • SOURCE_LANGUAGE: o idioma em que o documento está escrito. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
      • TARGET_LANGUAGE: o idioma ou idiomas para os quais você quer traduzir o documento. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
      • INPUT_FILE_PATH: o caminho do arquivo de documento no bucket de armazenamento.

      Modifique o valor mime_type de acordo com o documento.

    2. Receba um token de autenticação.

    3. Faça a solicitação:

      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

      Substitua:

Traduzir um documento inline

Esta seção descreve como enviar um documento inline como parte da solicitação de API. É necessário incluir o tipo MIME para traduções de documentos inline.

O Document Translate oferece suporte à detecção automática de idioma para traduções de texto inline. Se você não especificar um código de idioma de origem, o Document Translate detectará o idioma para você. O idioma detectado é incluído na saída no campo detectedLanguageCode.

Faça uma solicitação à API pré-treinada de tradução da Vertex AI:

curl

Siga estas etapas para fazer uma solicitação curl:

  1. Receba um token de autenticação.

  2. Faça a solicitação:

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

Substitua:

  • PROJECT_ID: o ID do projeto.
  • SOURCE_LANGUAGE: o idioma em que o documento está escrito. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
  • TARGET_LANGUAGE: o idioma ou idiomas para os quais você quer traduzir o documento. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
  • INPUT_FILE_PATH: o caminho do arquivo de documento localmente.
  • TOKEN: o token de autenticação que você recebeu.
  • ENDPOINT: o endpoint de tradução da Vertex AI que você usa na sua organização. Para mais informações, consulte Status e endpoints do serviço

Traduzir documentos em lote

A tradução em lote permite que você traduza vários arquivos em vários idiomas em uma única solicitação. Para cada solicitação, é possível enviar até 100 arquivos com tamanho de conteúdo total de até 1 GB ou 100 milhões de pontos de código Unicode, o limite que for atingido primeiro. É possível especificar um modelo de tradução específico para cada idioma.

Para mais informações, consulte batchTranslateDocument.

Traduzir vários documentos

O exemplo a seguir inclui várias configurações de entrada. Cada configuração de entrada é um ponteiro para um arquivo em um bucket de armazenamento.

Faça uma solicitação à API pré-treinada de tradução da Vertex AI:

curl

Siga estas etapas para fazer uma solicitação curl:

  1. Salve o corpo da solicitação a seguir em um arquivo chamado request.json:

    {
  "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"
    }
  }
}

    Substitua:

    • SOURCE_LANGUAGE: o código de idioma dos documentos de entrada. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
    • TARGET_LANGUAGE: o idioma ou idiomas de destino para traduzir os documentos de entrada. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
    • INPUT_FILE_PATH: o local do bucket de armazenamento e o nome do arquivo de um ou mais documentos de entrada.
    • OUTPUT_FILE_PREFIX: o local do bucket de armazenamento em que todos os documentos de saída são armazenados.

  2. Receba um token de autenticação.

  3. Faça a solicitação:

    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"

    Substitua:

A resposta contém o ID para uma operação de longa duração:

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

Traduzir e converter um arquivo PDF original

O exemplo a seguir traduz e converte um arquivo PDF original em um arquivo DOCX. É possível especificar várias entradas de vários tipos de arquivo. Nem todos precisam ser arquivos PDF originais. No entanto, os arquivos PDF digitalizados não podem ser incluídos ao incluir uma conversão: a solicitação será rejeitada, e nenhuma tradução será feita. Somente arquivos PDF originais são traduzidos e convertidos em arquivos DOCX. Por exemplo, se você incluir arquivos PPTX, eles serão traduzidos e retornados como arquivos PPTX.

Se você traduzir regularmente uma combinação de arquivos PDF digitalizados e originais, recomendamos que você os organize em buckets separados. Dessa forma, ao solicitar uma conversão e uma tradução em lote, é possível excluir facilmente o bucket que contém arquivos PDF digitalizados em vez de excluir arquivos individuais.

Faça uma solicitação à API pré-treinada de tradução da Vertex AI:

curl

Siga estas etapas para fazer uma solicitação curl:

  1. Salve o corpo da solicitação a seguir em um arquivo chamado request.json:

    {
  "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"
  }
}

    Substitua:

    • SOURCE_LANGUAGE: o código de idioma dos documentos de entrada. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
    • TARGET_LANGUAGE: o idioma ou idiomas de destino para traduzir os documentos de entrada. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
    • INPUT_FILE_PATH: o local do bucket de armazenamento e o nome do arquivo de um ou mais documentos de entrada.
    • OUTPUT_FILE_PREFIX: o local do bucket de armazenamento em que todos os documentos de saída são armazenados.

  2. Receba um token de autenticação.

  3. Faça a solicitação:

    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"

    Substitua:

A resposta contém o ID para uma operação de longa duração:

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

Usar um glossário

É possível incluir um glossário para a terminologia específica do domínio. Se você especificar um glossário, também precisará especificar o idioma de origem. O exemplo a seguir usa um glossário. É possível especificar até 10 idiomas de destino com o próprio glossário.

Se você especificar um glossário para alguns idiomas de destino, o sistema não usará nenhum glossário para os idiomas não especificados.

Faça uma solicitação à API pré-treinada de tradução da Vertex AI:

curl

Siga estas etapas para fazer uma solicitação curl:

  1. Salve o corpo da solicitação a seguir em um arquivo chamado request.json:

    {
  "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"
    },
    ...
  }
}

    Substitua:

    • SOURCE_LANGUAGE: o código de idioma dos documentos de entrada. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
    • TARGET_LANGUAGE: o idioma ou idiomas de destino para traduzir os documentos de entrada. Consulte a lista de idiomas compatíveis e os respectivos códigos de idioma.
    • INPUT_FILE_PATH: o local do bucket de armazenamento e o nome do arquivo de um ou mais documentos de entrada.
    • OUTPUT_FILE_PREFIX: o local do bucket de armazenamento em que todos os documentos de saída são armazenados.
    • GLOSSARY_PROJECT_ID: o ID do projeto em que o glossário está localizado.

  2. Receba um token de autenticação.

  3. Faça a solicitação:

    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"

    Substitua:

A resposta contém o ID para uma operação de longa duração:

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