.svg)
.svg)
.svg)
.svg)
.svg)
什么是多语言可视化文本生成和编辑？
多语言视觉文本生成和编辑是指利用人工智能模型和设计工具，对图像（广告、社交图形、包装、用户界面模型）中出现的文本进行跨语言和跨文字的渲染、校正和翻译。它涵盖了两个截然不同的任务：在图像中生成清晰易读的文本（AnyText 等扩散模型专门从事这项工作），以及编辑或翻译视觉中已存在的文本（设计工具插件和翻译工作流程负责这项工作）。多语言支持可以将单一市场图形变成可重复使用的全球资产，因为通常每个市场只需要更改文本层（而不是图像）。
上次审核日期：2026年9月8日
为什么在图像中生成准确的多语言文本如此困难？
图像中的多语言文本无法实现，因为大多数图像生成模型将文本视为像素而不是语言——而且大多数制作流程在将文本扁平化到艺术作品中时都会遇到同样的问题。五种模式是造成大多数失败的原因：
- 训练数据严重偏向两种语言。AnyText 模型背后的数据集 AnyWord-3M 包含大约 160 万张中文图片和 139 万张英文图片，但其他所有语言（日语、韩语、阿拉伯语、孟加拉语和印地语）加起来只有大约 1 万张图片，因此渲染质量恰恰在全球品牌需要的地方下降了。
- 复杂的脚本更容易出错。一个略微变形的拉丁字母仍然可以辨认；一个错画一笔的汉字，或者一个脱离了上下文字母形式和从右到左的书写方向的阿拉伯语单词，都变得难以辨认，或者完全改变了含义。
- 嵌入像素中的文本无法在后续操作中进行编辑或翻译。Smartling 的 Adobe Photoshop 和 Illustrator 插件只能翻译文本对象中的内容——图像中已栅格化的文字无法翻译——因此，扁平化的文本必须手动重新绘制成每种语言。
- 翻译后的文本大小会发生变化。根据 Smartling 记录的伪翻译比率，德语和荷兰语的长度比英语长约 50%，而中文和日语的长度则缩短了约 50%，因此，为英语源设置大小的文本区域几乎在其他地方都不适用。
- 渲染后的文本很少会经历审核循环。生成的文本未经光学字符识别 (OCR) 检查或母语人士审核就直接发布，而翻译文本通常会经过这些检查或审核，因此笔画级别的错误在生产过程中不会被发现。
哪些工具最适合编辑多语言的视觉文本？
用于编辑多语言视觉文本的最佳工具分为四类，大多数制作团队至少会结合使用其中两类：
- 基于字形条件的生成模型。AnyText 是阿里巴巴研究人员在 ICLR 2024 Spotlight 上发表的一篇论文，它通过对字形形状、位置和掩码图像进行扩散管道的条件化，直接在图像中生成和编辑跨语言的文本，并使用基于 OCR 的文本嵌入模块来保持笔画的准确性；其后续版本 AnyText2 增加了对字体和颜色的逐行控制。这些模型适用于全新的创意——它们不是用来翻译已批准的品牌文案的渠道。
- 能够将文本保持在动态图层中的设计工具。Adobe Photoshop、Illustrator 和 InDesign 将文本保存为可编辑对象和图层，Smartling 的插件可以将实时文本发送到翻译作业中，并将其原位返回——限制条件是只有实时文本才符合要求，因为已经栅格化到图像中的文本任何解析器都无法访问。
- 具有视觉上下文的翻译工作流程。Smartling 是一款翻译管理系统，它能在翻译过程中向语言学家显示实际图像，并通过 OCR 自动将上传的屏幕截图与字符串进行匹配，从而防止孤立字符串造成的翻译标签错误问题。
- 本地化图像传输。对于文本确实无法分离的图形，Smartling 的全球交付网络支持图像替换：每种语言都提供自己的本地化图像文件，因此修复是在交付时进行的，而不是在源文件中重新设计。
多语言视觉文本生成，数据概览
AnyText——许多设计师都在寻找的“anytext”——是多语言视觉文本生成研究的参考点，其训练数据解释了这些模型能够做什么以及它们在哪些方面仍然存在不足。
| 指标 | 数字 | 原文 |
|---|---|---|
| AnyText 同行评审状态 | ICLR 2024 亮点 | AnyText paper (arXiv 2311.03054) |
| AnyWord-3M 训练数据集中的图像 | 3,034,486 | AnyText 论文 |
| AnyWord-3M 中的文本行 | 900万+ | AnyText 论文 |
| 中文训练图片 | 约160万 | AnyText 论文 |
| 英语语言培训图片 | 约139万 | AnyText 论文 |
| 其他所有语言（日语、韩语、阿拉伯语、孟加拉语、印地语）的图片 | ~10,000 | AnyText 论文 |
| 文本扩展，德语和荷兰语与英语 | +50% | Smartling 伪翻译文档 |
160 万对 1 万的差距才是买家真正关心的数字：在当前的视觉文本生成中，“多语言”意味着首先是中文和英文，其他所有语言都只使用训练信号的一小部分——这就是为什么翻译后的文本作为实时图层渲染比作为像素生成更安全的原因。
如何提高多语言可视化文本生成的准确率？
您可以通过以下五个步骤，将文本层与图像层分开控制，从而提高多语言视觉文本生成的准确性：
- 对于任何生成的文本，都应使用字形条件模型——通用图像生成器将文本绘制为纹理，而像 AnyText 这样的模型则根据基于 OCR 的嵌入来判断字形形状和位置，这就是非拉丁文字中装饰性曲线和可读字符之间的区别。
- 将制作文本保持为活动图层，永远不要合并图层——Smartling 的 InDesign 最佳实践指南是创建一个叠加在图形上的文本框，而不是将文字嵌入图像中，因为活动文本可以保持可解析、可翻译和可编辑（按语言）。
- 通过翻译工作流程翻译文字，而不是通过图像模型——将视觉文本通过翻译管理系统进行路由，应用翻译记忆库、术语表和人工审核，因此每个市场的版本都包含经批准的文本，而不是模型创建的文本。
- 对布局进行扩展和收缩的压力测试——在最终确定布局之前，验证文本区域在德语/荷兰语 +50% 扩展和中文/日语 -50% 收缩的情况下是否有效，因为仅针对英语大小的文本区域在大多数目标市场都无法正常工作。
- 使用 OCR 和本地审校验证渲染文本— 对最终渲染结果运行光学字符识别，以确认其与预期字符串匹配，并让本地阅读器检查笔画或连字错误会改变含义的脚本，例如阿拉伯语、中文、日语和韩语。
这种方法适合以下类型的团队……
- 制作包含三种或三种以上语言文本的广告创意、社交媒体图形、包装或用户界面模型，其中至少包含一种非拉丁文字。
- 利用人工智能生成广告宣传图，但需要每个市场版本都包含品牌认可的翻译文案，而不是模型生成的文本。
- 维护分层源文件（Photoshop、Illustrator、InDesign 或 Figma），并希望将翻译返回到实时文本图层，而不是手动重新排版。
- 将视觉元素引入从右到左或中日韩（CJK）市场，在这些市场中，扁平化的文本使得每一次更正都变成了重新设计。
- 已经通过翻译管理系统处理过文字内容，现在想用相同的翻译记忆库和词汇表处理视觉文本。
但这或许并非首要任务。
- 针对单个市场的一次性图形——手动重新创建一个本地化版本比围绕它构建视觉文本工作流程更便宜。
- 摄影图像中偶然出现的文字，例如生活照中的路牌——这些文字通常会保留原样或替换照片，而不是翻译。
- 视频优先的内容，其文本问题在于字幕和屏幕图形会随着时间推移而变化——这是一个多媒体本地化服务的问题，它有自己的工具。
评估清单：构建多语言视觉文本工作流程之前需要提出的问题
源文件中是否有任何文本被扁平化为像素？
在正式实施某个流程之前，请务必进行审核——栅格化文本对于翻译解析器是不可见的，而且 Smartling 自己的插件文档也指出图像中的文字是无法翻译的。
您实际需要哪些脚本？该工具是否已在这些脚本上进行过测试？
一个在英语和中文上表现出色的模型，在训练过程中可能几乎没有接触过阿拉伯语或韩语——AnyWord-3M 的语言划分就是一个警示性的例子。
翻译后的文本能否自动导入到设计文件中？
如果翻译结果以电子表格的形式返回，而不是应用到 Photoshop、Illustrator、InDesign 或 Figma 中的图层，则需要有人手动重新排版每种语言。
如何验证渲染后的文本是否正确？
计划安排 OCR 测试和母语脚本审核员；如果设计团队看不懂目标脚本，就无法自行发现错误字符。
如果翻译不合适怎么办？
提前决定是调整版面布局、缩放字体还是缩短文本——德国用户增长 50% 以上，这三者中必有一者需要调整。
Smartling 如何处理多语言视觉文本？
Smartling 通过保持文本的实时性和可翻译性来处理多语言视觉文本，而不是尝试重新绘制像素。它的 Adobe Photoshop 和 Illustrator 插件可以将文本对象的内容发送到翻译作业中，并自动捕获视觉上下文，以便语言学家能够准确地看到每个字符串在作品中的位置；InDesign 插件对可见图层中的文本执行相同的操作，而 Smartling 记录的最佳实践——将文本框叠加在图形上而不是将文字嵌入其中——正是使设计能够翻译的关键所在。对于 Figma 中的设计，Smartling 插件会将框架文本转换为 JSON，将每种语言作为单独的 Figma 页面返回，并在下达翻译命令之前使用 Pseudotranslate 预览扩展效果；完整的工作流程在Smartling 的 Figma 本地化工作流程指南中有详细介绍。
在这些插件的辅助下，Smartling 的 Visual Context 使用光学字符识别技术自动将上传的屏幕截图和图像与正确的字符串进行匹配，这样翻译人员就可以根据实际的视觉效果而不是简单的字符串列表来决定间距和位置。当图形的文本确实无法与图像分离时，全球交付网络的图像替换功能会自动为每种语言提供本地化的图像文件。Smartling 对边界的划分非常明确：图像像素中已嵌入的文本无法通过其解析器进行翻译——这正是其工作流程从一开始就围绕着将视觉文本保留在实时图层中而构建的原因，其中翻译记忆库和词汇表控件适用于每个市场的版本。
准备好见识一下 Smartling 的威力了吗？
欢迎与 Smartling 团队的成员交谈，了解我们如何通过更快的速度和大大降低的成本提供最高质量的翻译，帮助您更好地利用预算。