手里只有导出图时，怎样换掉图上的语言

设计师把文件发过来的时候，往往已经不是可编辑的稿，而是一张导出的图。海报、菜单、包装、产品说明、信息图，字都嵌在像素里。你要的是另一种语言，而且版式还得是原来那一版：字重、颜色、背景、箭头和编号都别散。

点一下文字，选不中。全选，复制出来的是空的。这和把一段文档交给翻译完全不是一回事。文档的格子会让；图的格子是冻住的。你改的是意思，守的是设计。

下面不按工具清单的顺序讲。先顺着一个人拿到成品图之后真正会做的事走：先试着看懂，再试着交一张还能用的图，然后才回头看字为什么会把版式撑破，以及另外几条更重或更慢的路各自适合谁。十条做法都会写到，编号和后面的对照表一致，方便你跳着查，而不是让你从最慢的手工开始学。

打开成品图的前三分钟

你先把图放大。英文活动海报、日文菜单、德文标签、西班牙文示意图，差别在字，不在你要完成的动作。你要交出去的是一张图，不是一段从截图里抄下来的文字。光标停在标题上，没有插入点。图层面板如果打得开，往往也只有一个已经合并的背景。到这一步就可以停止幻想「把文字层找出来改掉」。

第一反应常常是手机。打开 Google Translate 的相机、Baidu Translate（百度翻译）的拍照、Microsoft Translator，或者 WeChat（微信）里的扫一扫翻译。导入这张图，几秒之内，译文盖在屏幕上。你看懂了促销在说什么、说明书写的是哪一步。到这里，方法 5 的任务已经完成。

你也会立刻看见它不能完成的部分。译文用的是默认字体，背景是一块粗遮罩，原有的字距、描边和层次都不在了。有的结果还带着工具自己的标识，或者一块色块压住画面的一角。保真是十条里最低的一档。它适合旅行和日常看懂，不适合当作可以发布的设计稿。几秒、费用低、几乎不用学习，这是优点；优点的边界也写在这里：只能看，不能当成品发。

于是你退回电脑。需求其实很具体：擦掉原来的字，把译文画回原来的位置，背景要接上，不该改的品牌名留着。没有安装包、没有源文件、也不想先学一套排版软件的时候，日常图会走到在线 AI，也就是方法 4。

以 ReWords AI 为例，使用过程是四步，而不是一条看不懂的提示词。

• 上传。打开工具，选翻译图片文字这一类功能，把图放进去。包装上如果印着 SUMMER SALE，就用这张来试。
• 选语言，并改译文。系统会把每一行字找出来，给出逐行建议。你把明显错的地方改掉，把品牌名、货号这类不能动的行锁住。
• 生成。确认之后，工具擦掉原字，按原来的字体感觉、颜色和背景把译文画回去。
• 下载。你先看一遍，再把本地化后的图存下来。

一张常见的图，从上传到出结果，大约是几秒到一分钟。这类工具通常有免费额度。ReWords 是按张给几次免费生成，超出之后走付费或积分，不是无限免费。批量做的时候要按次数算。你在界面里会先看到分行的译文，而不是直接拿到一张不能改的成图。这一步值得停一下：先改错词，再点生成。生成完若某一行溢出色块，回到建议里把那一行写短，或接受稍小的字号，而不是对着成品反复截图。

它适合电商产品图、本地化广告和社交图、菜单、传单、漫画：源文件已经不在你手里、但今天就要一张能看的图。译文本身仍要检查，尤其是数字和专名。字很密、光很复杂、或者字体装饰性极强时，补出来的背景和字形会偶尔出错。版权和敏感内容也不要假定工具会替你把关。含有未授权的角色、私人证件、未公开价格的图，不适合丢进任何在线流程。

包装上的 SUMMER SALE 换成「夏季特卖」、背景还留在原处，是这类工具常举的例子。另一句更长的英文 "Summer sale — 30% off everything" 换成德文 "Sommer-Sale — 30 % auf alles"、版式不动，也是同一类场景。后者在扩散模型的例子里还会再出现一次，长度问题留到下一节。

如果你现在就要走这条上传、改字、生成、下载的流程，可以从翻译图片里的文字开始，先处理一张你已经拿到的成品图。看完这一张，再决定要不要打开更重的软件。手机那一版留着当释义，不要留着当稿。

字数一变，格子就不够

用过手机遮罩，也看过在线工具把字画回去之后，失败的样子就比较具体了。问题不是「翻得对不对」单独一件事，而是四个约束叠在一起。你后面选任何一条路，都是在这四件事上付钱、花时间，或接受妥协。

字数会变。一句不长的英文，译成德文或法文，通常会变长约 30%，有时更多。同一句译成中文或日文，通常会变短。版面里的格子是固定的：按钮、标题条、标签的色块、气泡的宽度，都不会因为你换了语言而自动变宽。译文要么改字号，要么折行，要么调字距。不能假设它刚好落进原来的框。

"Summer sale — 30% off everything" 和 "Sommer-Sale — 30 % auf alles" 就是这种差别。意思对齐了，字符数和单词的切分并不对齐。德文那句若硬塞进英文横幅的高度里，要么溢出，要么字被压得太小。中文「夏季特卖」则相反，它比 SUMMER SALE 短，原位置会显得空。你可能要加大字号或拉开字距。空着也会像没排完。法文常常连着冠词和前置词一起变长，一个按钮上的两个词会变成一行放不下的一串。格子不变，变的只有字。

字体必须像原来的。字重、颜色、字距，还有阴影和描边，都得跟着走。没有同一款字体的时候，很难完全对齐。翻译再准，字体像另一种海报，读者还是会觉得这张图被换过。粗黑的无衬线标题换成细的宋体，即使意思正确，也像两张海报叠在一起。斜体、全部大写、字下面的一条色条，都是样式的一部分，不是装饰可选项。

背景必须补上。把原字擦掉，底下的像素也没了。纯色几乎不用想；照片、渐变、布纹、木纹、屏幕上的高光，都是在补一块本来被字盖住的图。补得生硬，就会出现一块方的补丁。你在 100% 缩放下最容易看见：补丁的边缘比周围锐，或者噪点突然消失。纯色海报可以接受平涂。产品实拍不行。

图上不只有字。箭头、标注线、编号、图例，有的自己带字，有的指着字。你只换了标题、没换步骤号，说明图就对不上。本地化要一起处理这些元素，图才仍然是一张图。咖啡机说明、爆炸图、带步骤的界面截图，都死在这个地方：主标题译了，小编号还是原文，箭头却指向已经不存在的词。

下面十条路，都是在这四件事上做不同的交换：保真、速度、费用、你要不要会设计和会写代码。没有一条同时是最快、最便宜、又最稳。表在后面，先把每条路打开时你实际要做什么写清楚。

按你下一步会打开的东西，看十条路

编号不按你尝试的先后，按对照表来。你若已经在手机里看过译文，方法 5 可以当作已经体验过，这里补它的输入输出和边界。接着才是能交稿的方法 4，然后是「还能要到源文件吗」，再是自己排、交给文档服务、交给模型、交给脚本、交给人。这样排，是因为一个人面对成品图时，下一步打开的窗口通常就是这个顺序，而不是从 Photoshop 的手册第一页读起。

方法 5：手机上的即时翻译

你已经见过结果。把流程写全，是：拍照或导入图片，自动做 OCR，自动翻译，把译文盖在原图上或做标记，然后你在屏幕里看。输入是手机照片或截图。输出通常是覆盖后的画面，或单独的译文；有的应用允许保存一张带标注的图。你保存的那张，常常已经不是原分辨率的干净文件。

工具包括 Google Translate 应用、百度翻译的相机模式、Microsoft Translator，以及微信自带的扫一扫翻译。全程自动，不用先把字打出来，难度很低。你甚至可以不对着电脑，在店里把菜单拍下来就看。

识别和翻译的水平可以接近不少正经工具，但目标是看懂，不是排版。默认字体加上粗背景遮罩，原布局和样式基本不保留。所以保真低。时间是实时，通常几秒。费用低，多数情况是免费功能。免费在这里不是优点的顶点：它换来的是不能发布。不要因为「没花钱」就把遮罩图放进商品页。

用百度翻译拍下来再保存的人，常常会看到工具的标识，或一块挡住局部的补丁。这些痕迹也说明它更适合阅读辅助，不适合正式本地化。旅行时看菜单、路牌、说明书，用它。要发出去的海报，不用它。若你只是想先确认这张图值不值得做本地化，手机结果可以当草稿笔记：把看懂的句子记下来，再回到电脑上做真正的替换。

方法 4：在线 AI，直接在图上换字

专门做这件事的在线服务，把检测、机器翻译和图像补全放在同一次操作里。它不是在图上再叠一个新的文本框给你自己拖，而是找出已经在图里的字，翻译，擦掉，补背景，再按相近的字体、颜色和大小把译文画回去，版式留在原位。你感觉上是在改字，像素上是一次擦除加重绘。

流程是：上传原图，自动标出文字区域，自动翻译并允许你改，模型擦掉原字、用相近字体风格重绘，你下载新图。OCR、机器翻译和图像补全被收成一次生成。你中途能插手的，主要是译文和哪些行锁住，不是每一个锚点和字距。

工具除了 ReWords AI，还有 ImageGPT、EditTextImage、Codia、VisualGPT 等。界面上通常可以锁定不该改的行，也可以改建议译文。输入是普通位图，PNG 或 JPEG。输出是同分辨率的位图，译文按原来的样式画在上面。你不需要安装，自动化程度高：上传，点生成，中间步骤由模型完成。不会装字体、也不会用钢笔的人，也能把一张图走完。

保真整体是高的。现在的生成模型在字体风格和背景纹理上，常常能做出「看不出改过」的结果，但这不是像素级保证，也不是说每一张都不会露馅。字特别密、光照复杂、字体非常装饰化时，会有瑕疵。OCR 取决于原图质量。机器翻译以神经网络为主，质量会浮动，值得人再看一眼。模糊的截图、强压缩的 JPEG、字压在高光上，都要预期返工。

时间和费用是低到中。多数在线工具几秒到一分钟出结果，常有免费使用额度，适合不会装软件的人。批量则要付费或积分。方便的地方是：没有设计源文件也能直接换图上的字。不稳定的地方是：质量取决于模型，有时要重试，或把提示再收紧；版权和敏感信息要自己处理。重试不是失败，是这条路的正常成本。一次生成若把不该动的装饰线也抹掉，锁住那一行再来一次，通常比进 Photoshop 修更快。

适合电商产品图、本地化广告和社交图、菜单、传单、漫画这些日常工作。ReWords 展示过把包装上的 SUMMER SALE 换成「夏季特卖」，背景保持原样。EditTextImage 展示过把 "Summer sale — 30% off everything" 译成德文 "Sommer-Sale — 30 % auf alles"，版式不变。两者都是典型的本地化，不是无限免费，也不要理解成每张图都有像素级的承诺。漫画对白多、气泡小，德文变长时你要准备改写得更短，而不是指望气泡自己变大。

若你需要在改译文的同时锁住品牌名，可以用翻译图片里的文字、并锁住不该动的行这种带逐行编辑的流程，生成前先把不能动的词勾住。锁，比生成之后再擦掉模型多译的品牌名更省事。

方法 10：源文件还在，就在源文件里换

如果这张图是从矢量或设计软件导出来的，最干净的做法是回到那个环境里改字。InDesign 或 Illustrator 可以配合插件、脚本，用 OCR 或自动转换抽出文字，翻译后再放回文本框。也可以先把图转成 PDF，做 OCR 翻译，再导回去。文本框还在的时候，你改的是文字流，不是在补一块被挖掉的像素。

工具包括 Adobe Acrobat（OCR 后导出到 Word）、Illustrator 的查找替换、InDesign 脚本，以及第三方插件，例如 Lokalise、Transifex 的 InDesign 插件。输入通常是可编辑文档或 PDF。输出是在原文件里直接换过字的结果。自动化程度中等，取决于软件和脚本。因为你改的是源，图层和效果都还在，保真很高，前提是原文件真的在。已经压平的图做不到这一点，只能再靠 OCR，表现会退回方法 2。

时间和费用中等。自动替换之后，人仍要细调。优点是从源文件排，精确。缺点是你得有可编辑文件，也得有对应软件。适合你手里还有设计源的项目，比如一本 InDesign 排好的手册；也适合应急时先做一版粗 OCR，再回到源文件里修。样式、主页、交叉引用都还在，换语言时这些比「字体像不像」更值钱。

有源文件却去改导出的 PNG，是绕路。先问设计师要原始包，往往比任何修补都快。对方若只给得出 JPG，就坦白这张图已经离开方法 10，按方法 2 或方法 4 处理，不要在文件名里假装它还是可编辑稿。链接丢失的 AI、字体没带上的包，也只是半个源文件，效果层会在你改字时散掉。

方法 1：自己用设计软件逐字改

这条路是设计师手工做。先抽出原文，靠 OCR 或自己抄，然后翻译。再到 Photoshop、Illustrator 或同类软件里，用匹配的字体和样式，把译文打在原来的文字区域上。顺序是：抽出文字，翻译并校对，找到或重做匹配的字体，擦掉原字，放入译文，调整效果。你要亲手决定字号减多少、行距加多少、哪一个词可以换成更短的说法。

工具是 Adobe Photoshop、Illustrator、InDesign、GIMP、Figma。抽字可以让 Tesseract 这类 OCR 帮忙。输入几乎是任何图像，PNG、JPEG 都可以。输出是同格式的新图，或带图层的 PSD、AI，以后还能改。若你留下图层，下一次换语言就不必从头挖背景。这是手工路比「生成一张新位图」多出来的东西。

自动化低。除了抽字，基本上是手。保真是最高的一档：字体、位置、样式都由人控制。它慢，也吃翻译变长这件事。没有同一款字体，就很难完全对齐。专业修改按复杂度从几分钟到几小时。软件本身有学习成本，量大的时候不划算，费用主要是人工，属于最高的一档劳动成本。一张只有一句口号的海报可能几分钟；一张满是小字和投影的包装，会到几小时，因为每个效果都要重做。

它适合广告海报、包装、界面原型和要上印刷的物料，也就是保真要求高的品牌稿。Atlas Cloud 提到过一个分工：OCR 把字抽出来之后，仍要人手「放回设计里」；纯图像编辑则是把改动合到新的位图图层上，对单个字母的控制更少。手工排更慢，也更精确。慢和贵是真的，不要把它说成一条快路径。你在 Photoshop 里会用到仿制图章、内容识别填充，或在纯色上直接盖一块取样色。这些都是在重建被字吃掉的背景，不是滤镜一拉就结束。

打开软件之前先问两个问题。同一款字体找不找得到？找不到，保真就会从「最高」掉到「看起来接近」。这张图要不要印刷？要，就值得花这几小时。只是社交账号上的一张配图，方法 4 通常已经够，不必为了一个投影效果打开整套设计软件。

方法 2：先 OCR，再在排版软件里重排

这是半自动。先对图做 OCR，拿到每个文字框的内容和位置。再用机器或人工翻译。最后用排版软件或脚本，按原来的位置和样式把译文画回去。顺序是：OCR，翻译，重建版面，输出图像。你手里会暂时同时有一份抽出的文字表，和一张还没改的原图。先校对文字表，再动像素，返工会少很多。

工具分三截。识别用 Tesseract、EasyOCR、Adobe Acrobat 的 OCR。翻译用 Google Translate、DeepL、百度翻译的 API。排版用 Adobe InDesign、Photoshop，或在代码环境里用 Pillow、Matplotlib。输入仍是 PNG、JPEG 这类图。输出是新图。中间可以过一道矢量文档，PDF 或 AI，用来保住版面。DeepL 或人工译员负责句子，排版的人负责格子。两件事不要混成一次「识别完就发布」。

OCR 和翻译可以自动，最后的排版通常还要人手，尤其是两种语言长度差得大、必须改字号和行距的时候。自动化因此是中等。字体和框的位置对上了，版式保真是高的。译文变长会打乱原来的空间，你得缩放或重折行。复杂图形上如果位置识别偏了，保真就掉下去。一个标注框若被识别成两行，你按错误的框去填，箭头就会指向空白。

时间上，OCR 加翻译只要几秒到几分钟，排版还要几分钟到几十分钟。费用低，开源工具能撑起主路径。它比纯手工快，但依赖 OCR 准不准、字体像不像；字距和连字的细小差别会漏进来。图里字多、设计要求又高时合适。它不处理非文字元素：引导线、编号要另外动手。你要在排完字之后，沿着每条线看它还指不指得对。

适合图表标注、技术手册、教学示意图，也就是文字元素很多、但结构还算清楚的图。不少 PDF 翻译工具走的也是这条逻辑：解析文档结构，按区域翻译，原地替换并保住版式。你对一张图做 OCR 和分块翻译，得到的是同一种「原地换字」。手册比海报更适合这条路，因为格子多、字体相对统一，手工从零描不划算，完全交给生成模型又容易漏掉图注。

方法 3：交给保版式的文档翻译服务

企业和在线的保版式翻译，会解析输入文件或图像里的版面和字体，把每个文字块机器翻译，再重新排成输出。关键步骤是：版面解析，找出文本框坐标和字体；文本翻译，走云服务或本地机器翻译；版面重绘；输出文件。图本身通常原样保留，不动画面里的照片。你交出的常常是一整份 PDF，而不是一张社交图。

工具有 PDFTranslator（引擎侧会用到 Gemini 和 ChatGPT）、Pangeanic ECO、Pairaphrase、Smartcat 等。很多接受 PDF 或图像，输出保持原样式的翻译版 PDF 或图形。输入是扫描件、图像或 PDF，JPG、PNG、PDF 都可以。输出是同格式的译文文件，版面、表格和图形位置大体还在。你不用自己摆文本框，这是它和方法 2 的使用差别：方法 2 的后半段在你自己的排版软件里，方法 3 的后半段在服务里。

自动化高，系统从头跑到尾，人只做轻度校对。难度对使用者是低的。保真高。较成熟的服务用高精度 OCR，加上专门的大语言模型或翻译系统，把文字和格式做到坐标级的对应。版面和字体被保留下来，文档级保真可以到 90% 以上。误差主要来自译文长度。手写和古怪版式是弱项。扫描歪了、印章压住正文、表格嵌在表格里，都不要预期一次过。

速度是快的。多数任务从几秒到几分钟。一份 60 页的 PDF，大约几分钟。它通常要付费，或消耗已购买的 API 额度，费用落在中高。批量或长文档会花钱。优点是省时间、保真好、自动化高。缺点是对费用敏感，怪版式和手写支持有限。适合企业的多语技术文档、产品手册、培训材料和财务报告，也就是版式必须老实保住的批量文件。底层仍是 OCR、翻译、自动排版这一条管道，只是封装成了服务。

使用时把校对预算留在术语和数字上，不要留在「重新设计每一页」。60 页若每一页都当海报重排，方法和费用就不再是这一条。服务给出的是保住结构的译文稿，不是品牌战役的新视觉。

方法 6：用多模态模型按指令改图

更新的多模态模型，例如 GPT-4V，以及带图像能力的 ChatGPT、OpenAI 的 DALL·E 3 编辑，可以按自然语言改图。你放入原图，用一句话要求「翻译文字，设计不要动」。模型把检测、语义和图像生成接在一起，换字的同时尽量留下布局和风格。顺序是：图加上指令，模型识别并翻译，模型生成新图，人来校对。你写的那句话，就是你仅有的精细控制。

工具包括带 GPT-4V 等图像能力的 OpenAI ChatGPT、DALL·E 3 的图像编辑 API、主要还在研究阶段的 Google Imagen Editor，以及通过 OpenAI API 的开发者接入。输入是一张图加一段提示。输出是一张新图，分辨率多为原来的，或按你指定的来。研究阶段的编辑器不要当成已经可以丢进生产流水线的按钮。

自动化高，一句提示就够，剩下的是模型的事。难度对使用者低。保真大体是高的，布局关系和风格留得比较好。OpenAI 的官方例子里，有把咖啡机说明图译成西班牙文、版式还在的情况。Atlas Cloud 则写过 GPT-4V 把信息图里的文字译成别的语言，其余部分不动。它们仍会漏字，或带来小的位移。译文长度和原文差得太大时，尤其要返工。拼写错误、没译完的句子、合成痕迹，都要人眼看。它还替代不了精细排版，但多数营销场景够用。

一张图通常几秒到几十秒。高级模型要走服务器，有 API 或订阅费用，加上你写提示和检查的时间，费用是中高，速度算中等。体验友好，复杂背景里的箭头、图例、层级能一起保住。细控有限。你不能指定「第三行用 18 点、字距加 20」。你只能说「别的都别动」，然后看它听了多少。

适合尽快本地化信息图、海报和带插图的宣传物料。你可以把一张英文广告交给 ChatGPT，提示写成「把所有文字译成中文，其他什么都别改」，让模型出一张对应语言的图。漏了再拆小块重做。咖啡机那种步骤图，校对时要按步骤号走，不要只看标题像不像。信息图则要核对比率、年份和单位有没有在重绘里被改掉。模型有时会「帮忙」改写一句它觉得不顺的标语，这在看懂时是好事，在品牌稿里是事故。

方法 7：用扩散模型把文字区域重画

扩散模型的改法是：先把原图上的文字区域做成蒙版，再按提示生成替换内容。一般顺序是：检测文字并生成蒙版，设计提示，例如「把 X 换成 Y，背景不要动」，用 DALL·E 3 或 Stable Diffusion 的 inpainting 去填，得到新图。也可以把原图和文字蒙版交给 OpenAI 的 API，发一个替换文字的编辑请求。蒙版画大了，模型会改到不该改的图案；画小了，旧字的边缘会留一圈。

工具包括 OpenAI 的 DALL·E 3 编辑 API、Adobe Firefly 的 Generative Fill、HuggingFace Diffusers 里的模型（例如 runwayml/stable-diffusion-inpainting）。ControlNet 的文字检测和 LaMa 的 inpainting 用来标出要替换的区域。这里 DALL·E 与 DALL·E 3 都在这条路上：前者是这一类编辑的总称，后者是具体会调用的编辑接口。输入是原图、文字蒙版和提示。输出是图像文件。模型通常会自己去对齐译文的语言和风格。

蒙版多半要额外工具，手绘或程序生成，所以自动化是中高，不是全自动。生成本身是一次请求。保真偏高，但略低于专门做文字编辑的模型，对照表里是中高。扩散模型对长文字常常不准，容易把词断开。风格稳不稳，取决于提示写得好不好。强项是补背景，能把译文融进复杂纹理。弱项是字形有时不完整、略糊，或冒出多余细节。蒙版和提示要调过，结果才稳。你要准备同一句提示多跑几次，挑一张字形没断的。

生成一张图大约十几秒到几十秒，本地则看 GPU；云服务还要算排队。费用中等，速度中等。识别能力中等，因为依赖蒙版，不是端到端把每行字都读准。没有蒙版就指望模型「只改字」，结果常常连背景风格一起漂。

适合创意向的翻译：概念图、插画里的标语，以及可以接受风格轻微漂移的场合。例子仍然是那句英文横幅 "Summer sale — 30% off everything"，Stable Diffusion 把它重画成德文 "Sommer-Sale — 30 % auf alles"，背景保持不变。长句子在这里最容易断词，交稿前要逐词看。若这张图是品牌规范卡死的，风格可以漂就不成立，改走方法 1 或方法 9。若这张图本来就是插画，轻微的笔触变化往往可以接受，扩散模型的补背景会比平涂好看。

方法 8：自己用视觉和脚本串一条流水线

这是完全自建的自动化。用计算机视觉找文字区域，例如 OpenCV 的边缘和轮廓，或一个深度 OCR 模型，接上机器翻译 API，再用图像库把译文画回原图。步骤是：检测文字，按框做 OCR 和翻译，把文字区域抠掉并用修复算法补背景，画上新字，输出。没有现成的「上传」按钮，第一步是你自己的开发环境。

工具是 Python 里的 Pillow、OpenCV、EasyOCR、pytesseract，百度或 Google 的翻译 API，也可以是 Adobe PixelSense，或 C#/.NET 的图像处理。输入是普通位图。输出是同分辨率位图。整条链路是自己写的，没有现成图形界面。同事要用，你得再包一层，否则它只是你机器上的脚本。

脚本写稳了，自动化就高，可以批量。保真取决于算法，对照表里是中等。它能大致跟上版式，但通常不能自动匹配字体，你得亲手选一个最接近的。补背景也不如扩散模型自然，常见做法是平涂，或用邻域平均把洞填上。复杂背景和非标准字体是限制。平涂在白底说明书上几乎看不出来，在渐变海报上会成一块色斑。

开发成本高，要会编程。单张运行大约几秒，具体看 OCR 和绘制。相对第三方服务，钱可以很低，因为走开源，但编码的时间很重。你对流水线有完全的控制，适合批量，也适合不能把图传到公网的场合。设计细节的保真追不上专用的 AI 工具，参数和事后修正省不掉。隐私要求是选它的正当理由；「想省一张图的订阅」通常不是，因为你的时间更贵。

适合有特殊流程的企业内部，或小规模替换简单标签。商家可以用脚本对产品图上的标签做 OCR、翻译、写回。技术要求高，灵活性也高。标签若只是纯色底上的一行货名，这条路很合适。标签若压在布料纹理上，你会很快回到「背景不够自然」，那时要么接扩散模型做补全，要么承认脚本只负责抽字和翻译，排版仍交给人。

方法 9：翻译和 DTP 交给人

外包给翻译加设计的团队。专业译者先译，桌面排版（DTP）设计师再对照原稿逐步替换。其中包括：找到并编辑源文件，PSD 或 InDesign；翻译文字；在同一套软件里调整版面并重新输出。你在这条路上的工作，是把原图、术语表和不能改的句子交代清楚，然后等校对稿，而不是自己点生成。

工具通常是 Adobe 套件、InDesign、Illustrator。供应商可能用 Trados、MemoQ 这类计算机辅助翻译工具来统一术语，最终仍要靠设计软件出图。输入是任何图像或源文件。输出一般是高质量的本地化图像，或仍可编辑的文件。术语表若没有，不同页面会把同一个产品名译成两个说法。这是人做的活里最常见的返工，不是字体。

自动化低，每一步都有人。难度很高，因为要一支能译又能排的队伍。保真最高。译者和设计师可以处理文化上的说法，同时精确保住或调整设计，质量由专业的人负责。时间和费用也最高：翻译费加上设计时间，通常远高于机器方案。适合高价值或非常敏感的内容。不要向供应商要一个「无限修改还当天出」的口头承诺来对冲这个费用，交期本来就会比模型慢。

优点是质量和可靠性在十条的顶端。缺点就是钱和时间。适合品牌战役、重要展会物料、政府或法律文件里的图像，以及必须人工校对的本地化出版物。展会的主视觉、法务文件里的盖章页，错一个字的成本高于整条流水线。菜单上的一句当日特价，不是这个量级。

不要用它处理一张今晚就要发的菜单图。那是方法 4 或方法 5 的场景，而且方法 5 仍然不能发。方法 9 留给出错成本很高的稿。你若只有压平的图、没有源文件，供应商一样得走挖背景、重排的老路，交期不会因为「他们是专业的」就变成几秒。把源文件一起给，才是这条路该有的用法。

一张表把强弱对齐

下面这张表只比较方向，不比较谁更「高级」，也不做市场份额之类的排名。保真指译后的图和原设计有多接近。手机应用为了看懂，会加上大块遮罩，保真最低。手工设计和专业 DTP 把版式和字体交给人，保真最高。文档服务保的是版式和字体，也高，但不是最高那一档。免费只说明获取成本低，不说明结果更好。开源脚本的费用低，保真只是中等。在线 AI 快，且保真高，同时仍然是免费额度加付费，不是无限免费。

看表的时候记住三件事。第一，方法 5 的保真是低，不要因为它实时、免费，就把它放到发布流程里。识别可以是中高，输出仍然不能当设计稿。第二，方法 1 和方法 9 的保真是很高，时间和费用也是最高或很慢，不是默认项。第三，方法 4 的保真是高、难度是低、速度是快，费用是免费额度之外还要付费或积分。它不是无限免费，也不是像素级保证。方法 7 的保真是中高，不是低，它的短板是长文字和蒙版，不是「完全不能用」。方法 8 的费用低，换来的是高难度和中等保真。方法 10 只有在源文件还在时才成立，压平之后不要继续把它填在「很高」那一格里自欺。

语言一列也别看反。人工的两条，方法 1 和方法 9，是任意语言，因为人可以处理你临时需要的语种。文档服务和多模态模型是非常多。其余多数是很多。没有一格写成「只支持某一种语言」，也不要把开源等于语种少。难度一列里，最低的是手机，低的是开箱即用的服务和模型，高的是要设计师或要写代码的两条。速度一列里，实时只有手机，很快的是文档服务和在线 AI，很慢的是人工 DTP。

三条可以做完的流程

按钮背后仍值得知道三件事：在线工具的每一步你要看什么，模型怎么接到图，以及一段脚本实际改了哪些像素。下面三条都保留完整步骤。先写你最可能今天就做完的在线流程，再写要密钥和蒙版的模型编辑，最后写要自己装 OCR 的脚本。代码块里的 # 是注释，不是标题。文件名只是示例，用来对上输入和输出，不是你电脑上必须存在的目录。

在线工具：把 SUMMER SALE 换成「夏季特卖」

这条对应日常最常走的方法 4。准备是打开 ReWords，或 EditTextImage 这类网站，不用安装。你需要的是一张清晰的原图，以及你确实知道目标语言。不知道品牌名该不该译的时候，先不要点生成。

流程：上传原图，系统做 OCR 并检测文字，自动翻译并给出建议，你改文字、锁住必须留下的词，AI 渲染新图，你下载。

• 上传。打开 ReWords 的站点，选择翻译图片中文字的功能，上传要译的图。这里用一张含有 SUMMER SALE 的广告。上传前看一眼边缘有没有被裁掉的字。裁掉的半个字母，检测会不稳。
• 选语言并编辑。平台检测每一行。你选择目标语言，例如中文。它返回逐行建议。你改正错译，锁住不该变化的词，比如品牌名。若某一行是价格或货号，也锁住，或只改你确认过的数字格式。德文和法文的空格、百分号写法，在这一步就能改，不必等成图。
• 生成。点击生成或应用。AI 去掉原字，用原来的字体感觉、颜色和背景把译文画上。生成期间不要换一张完全不同的图来比较，先把这一张看完。
• 下载。新图里，原先的 SUMMER SALE 会变成「夏季特卖」。你在下载前自己再读一遍数字和专名。放大到 100%，看字的边缘和背景的接缝。短句变短之后，若色块里太空，这是长度问题，不是检测失败。你可以接受，也可以回到第 2 步把文案写得更贴合格子。

这类工具通常有免费额度。ReWords 包含每张图若干次免费生成，超出后付费或使用积分。译文质量可以很高，但仍要核对，尤其是数字和专有名词。拿不到设计源文件、又必须直接改这张图时，这条最合适。额度用完就停，或按次继续，不要为了「再试一次说不定更好」无限制地重跑同一张已经合格的图。

多模态编辑：把 Summer sale 译成「夏季特卖」

这一条用 OpenAI 带图像能力的 GPT-4（或 DALL·E）改图里的字。准备是注册 OpenAI 并拿到 API 密钥，另外准备一张带字的样图和一张对齐的蒙版。目标是把英文 Summer sale 译成中文「夏季特卖」。蒙版和原图必须同一尺寸，否则编辑会偏。

流程：输入原图，调用 GPT-4V 或 DALL·E 的编辑接口，模型识别并翻译，模型生成新图，你下载并校对。

• 准备图和蒙版。原图文件名用 orig.png，蒙版用 mask.png，两者对齐。蒙版只盖住 Summer sale 这块文字。盖住整张海报，模型就有理由改背景。只盖住字，才是这条教程要的范围。
• 调用 API。下面用 OpenAI 的 Python SDK 作例子。

import openai
openai.api_key = "YOUR_API_KEY"

# 让模型把蒙版区域里的文字译成中文
# 其余内容保持不动
response = openai.Image.create_edit(
    image=open("orig.png", "rb"),
    mask=open("mask.png", "rb"),
    prompt="用中文翻译上面的文字，不改变其他内容。",
    n=1,
    size="1024x768"
)

# 把返回的图像写到磁盘
with open("output.png", "wb") as f:
    f.write(response['data'][0]['image'])

这段请求告诉模型：蒙版里的文字译成中文，其他地方不要动，然后生成结果。n=1 是要一张。尺寸在示例里是 1024x768。提示语本身已经是中文，意思是译上面的文字，不改变其他内容。你若要别的语言，改的是这句提示，不是蒙版的画法。

• 检查 output.png。模型应把 Summer sale 换成「夏季特卖」，字体风格相近，背景保持原样。若漏了笔画，或把邻近的小图标也抹了，先收紧蒙版再跑，而不是在提示里堆很多形容词。若这张样图本身是别的语言对照，也按同样的方式看漏译和错字，不要只看一句口号。
• 保存。使用 output.png。若位置或样式还差一截，再进图像编辑器里微调。微调是补救，不是这条流程失败的证明。GPT-4V 这一类结果，本来就会在长度差太大时需要返工。

始终校对 GPT-4V 生成的文字。有遗漏时，把提示写得更具体，或拆成更小的文字块再译。OpenAI 的 API 按图像尺寸和生成次数计费。不要把密钥写进会提交的脚本里。YOUR_API_KEY 只是占位。咖啡机说明图译成西班牙文、信息图整页翻译，是这条能力在更复杂画面上的例子；教程本身先用一句 Summer sale，是为了让蒙版和结果对得上。复杂图沿用同一套检查：漏字、拼写、长度。

脚本：用 Tesseract 识别西班牙文，再画回英文

这一条是从图片抽出文字、翻译、再画回去。用 Tesseract OCR 配合 OpenCV 和 Pillow，把一张西班牙文图译成英文。它对应方法 8 的最小样子：能跑，但不假装自己是设计软件。

流程：读入原图，用 Tesseract 做检测和 OCR，调用翻译引擎（这里是 Google Translate 的非官方库），用绘制把原文字区域清掉，用 Pillow 画上译文，输出本地化后的图。

• 先安装依赖。系统里要有 Tesseract-OCR，然后再装 Python 库。

# 安装 Tesseract，下面是 Ubuntu 的例子
sudo apt-get install tesseract-ocr

# 安装 Python 库
pip install pytesseract pillow googletrans==4.0.0-rc1

西班牙文识别需要对应的语言数据。示例用 lang='spa'。机器上若没有西语数据包，识别结果会空，或变成乱码。先确认语言包，再怀疑翻译。googletrans==4.0.0-rc1 这个版本号要留着，换一个未验证的版本，接口可能对不上后面的 Translator。

• 脚本如下。

from PIL import Image, ImageDraw, ImageFont
import pytesseract
from googletrans import Translator

# 读入原图
image = Image.open("image_with_text.png")

# 做 OCR，识别西班牙文
text = pytesseract.image_to_string(image, lang='spa')
print("Recognized text:", text)

# 翻译文字
translator = Translator()
result = translator.translate(text, src='es', dest='en')
print("Translation:", result.text)

# 本例的文字位置是已知的；正式使用时
# 用 pytesseract.image_to_boxes 取得逐字的框
x, y, w, h = 50, 50, 300, 50  # 示例坐标

# 擦掉图上的原字
draw = ImageDraw.Draw(image)
draw.rectangle(((x, y), (x + w, y + h)), fill="white")  # 用白色盖住

# 画上译文
font = ImageFont.truetype("arial.ttf", size=36)
draw.text((x, y), result.text, font=font, fill="black")

# 保存输出
image.save("translated_image.png")

• 它先用 Tesseract 识别原文，再用 googletrans 取译文，然后用 Pillow 擦掉原区域并画上译文。例子只处理一个固定区域。真正用的时候，区域应从 OCR 结果动态得到，字体也要匹配。这里为了能看懂，做了简化。示例坐标就是 x, y, w, h = 50, 50, 300, 50。这四个数是左上角和宽高，不是一个随便的占位。你的字若不在这个矩形里，白块会盖错地方，旧字还在。
• 运行后得到 translated_image.png，原文字区域被换成英文。先看终端里打印的识别结果和译文，再打开图。识别就是错的，图画得再整齐也没有意义。

这条链路取决于 OCR 的位置准不准，以及你能不能配上字体。实践里可以加上 OpenCV 的轮廓检测，把要挖掉的区域切准，再用 Pillow 量文字宽度，自动折行。多行文字就按段循环。整批可以跑，但版式保真不如 AI 补全，要测试，也要准备调参数。背景在这个示例里是白色平涂，复杂照片上会显出一块矩形，这就是方法 8 所说的「不如扩散模型自然」。arial.ttf 只是示例字体。原图若是衬线或书法体，Arial 会立刻露馅。没有同一款字体，就不要声称对齐完成。

你可以把这三段教程当成三种手感。在线工具用手改每一行再生成。模型编辑用手画蒙版、用嘴下指令。脚本用手写坐标和字体。三种都要把「夏季特卖」或英文译文和背景对上看一遍，没有一种生成完就可以不看。

按你现在的处境收束

选择只看三件事：你要多高的保真，你能花多少时间，以及源文件还在不在。不要先问「哪个工具今年最火」。那不是这张表能回答的，也没有必要编一个名次。

没有源文件，又想快。这是最常见的情况。用在线 AI，也就是方法 4。上传，选语言，生成，下载。你可以从翻译图片里的文字后再下载成品走完这一次，再决定要不要升级到手工。升级的理由应该是：这张图要印刷、字体对不上、或模型把纹理修坏了。不是「因为手工听起来更专业」。

图里字多，而且结构清楚，例如图表、手册、示意图。用 OCR 加排版，方法 2。批量、又要保住文档版式，用方法 3。60 页的手册不要拆成 60 次单图生成。一份文档服务或一条 OCR 管道，比 60 次重新发明蒙版更接近你要的版式。

结果要能付印，品牌不能出错。用手工设计，方法 1，或专业人工加 DTP，方法 9。两者保真都是最高那一档。差别是你自己做，还是把翻译和排版一起交出去。自己做，时间按几分钟到几小时计。交出去，时间和费用都是最高的一档，换术语一致和文化上的改写。

要放进自己的工作流里自动跑。用多模态模型的 API，方法 6，或自建 Python 流水线，方法 8。方法 6 单张是几秒到几十秒，费用在 API。方法 8 单张大约几秒，费用在你写代码的时间，背景多为平涂或邻域平均。若你更在意纹理自然、又能接受蒙版和轻微的风格漂移，方法 7 是另一条生成路径，不是默认的自动化。方法 7 大约十几秒到几十秒，长文字容易断。

只是看懂一张快照。用手机相机，方法 5。几秒，保真低，可能带水印或遮罩。不要拿去发布。

源文件还在你手里。直接改源文件，方法 10。这是有条件时最干净的一条。文件若已经压平，就不要假装还在方法 10 里，退回方法 2。软件已经装了，这条路的额外费用就低；软件没装、人也不会用，它就不是低成本。

把一张图走完的顺序可以记成几句。先找源文件。没有，就问这张图是要看还是要发。要看，手机。要发，在线 AI，然后做下一节的检查。检查不过，再按失败的原因升级：漏了很多结构化文字，去方法 2 或 3；字形和品牌不能妥协，去方法 1 或 9；要进批处理，去方法 6 或 8；只是纹理要重画，看方法 7。

发出去之前的五次检查

不管你走哪条，下面五件事分开「只是译了」和「可以当本地化稿交出」。顺序按你会漏掉的概率排，不按教科书的概念顺序。先看字对不对，再看格子，再看字体，再看背景，最后沿箭头走一遍。

第一，先对译文本身。机器翻译快，但不稳。数字、单位、品牌名、专有名词，发布前要人看。促销里的 30% 若被改成别的数字，版式再整齐也是事故。"30 % auf alles" 里的空格和百分号是德文写法的一部分，不要在校对时随手改成另一套格式，除非你的品牌指南要求统一。品牌名若被译成大白话，锁行就白做了。方法 4 里能锁的行，在方法 6 的提示里要用「不要翻译这些词」写明，在方法 9 里要放进术语表。三种做法，防的是同一类错。

第二，为字数变化留出做法。德文和法文通常变长，中文和日文通常变短。准备改字号、折行或字距。不要假设译文能原样坐进原来的框。变长约 30% 或更多时，先看会不会撞上图标和边框。变短时，看标题会不会空得不像原设计。SUMMER SALE 到「夏季特卖」是变短。那句英文促销到德文是变长。同一张图里两种方向会同时出现：标题变短、说明变长。只检查一句，另一句会在发布后才被看见。

第三，匹配的是字体，不只是词。字重、颜色、字距、描边或阴影，都要跟着原图。没有同一款字体，就接受「很难完全对齐」，换一款接近的，并在 100% 缩放下看。意思对了、字体错了，仍然是错的稿。方法 1 在这里最有控制力，也最慢。方法 8 的示例用 Arial，就是一个你会在这一步打回去的结果。在线工具和多模态模型若字体感觉接近，就不必为了追求完全同一款而整页重做，除非这是品牌印刷。

第四，背景要补干净。文字背后修好的区域，应和周围分不出来。边缘做过渡，把接缝放大到 1:1 看。平涂和邻域平均在纯色上没问题，在照片上会露一块。扩散模型补纹理更自然，也要看它有没有改动蒙版以外的地方。手机遮罩在这一步一定失败，这不是操作问题，是方法 5 的目标本来就不是补背景。你若在照片上看见一块比周围更平的矩形，那就是擦除留下的，回到蒙版或改用更能补纹理的做法，而不是把对比度拉高指望看不出来。

第五，非文字元素一起算。箭头、标注、编号、图例常常带着字，或指着字。步骤 1 还指着旧语言的零件，图就是散的。信息图和咖啡机那种说明图，尤其要沿箭头走一遍。方法 2 明确不自动处理引导线和编号，所以这条检查对它是必做，不是可选。方法 6 比较能保住这些关系，也仍会漏。走完一遍的时间，通常比重新生成一张更短。

五件事都过了，再导出你要交付的格式。没过，就回到对应的方法里改那一处，不要从十条里重新抽签。失败是局部的：数字错了就改数字，接缝错了就补接缝，不必把已经锁对的品牌名再译一遍。

日常的图，不必一上来就上最重的办法

你不一定要有原始设计文件，才能换掉图里的文字。你要的是按保真要求选方法。多数菜单、海报、产品图和社交图，一条读字、翻译、原地重画的流程，几分钟内能给出可检查的结果。在线 AI 是没有源文件又想快时的默认，不是因为免费，而是因为难度低、速度是几秒到一分钟、保真在日常场景里是高的那一档。免费额度用完就按次或按积分计，该停就停。

稿子值钱、画面又复杂时，更重的办法仍然有位置：手工设计、文档服务、专业 DTP。它们慢，也贵，换来的是最高或很高的保真，以及人在术语和文化上的判断。文档服务的文档级保真可以到 90% 以上，60 页大约几分钟，但要付费或 API 额度，手写和怪版式仍然弱。不要用「90% 以上」去要求一张装饰字体的海报，那是文档场景里的说法。

实际的顺序可以很短。先看源文件在不在。在，走方法 10。不在，又只是看懂，走方法 5，看完即止。不在，但要发，走方法 4，生成后按上一节检查五件事。字很多而且是文档，改走方法 2 或 3。品牌和印刷，改走方法 1 或 9。要进系统里批量跑，再考虑方法 6 或 8，需要重绘纹理时看方法 7。这样你不会用手机截图去付印，也不会为一张菜单找一支 DTP 团队。

最后记住你打开那张图时的原始动作。选不中文字，是因为字已经是像素。手机能让你看懂，不能把像素还回设计。在线工具、模型、脚本和人手，都是在同一块冻住的版面上换意思。格子不变。德文和法文会变长，中文和日文会变短。没有同一款字体就很难完全对齐。这些限制不会因为换了一条更贵的路就消失，它们只会换一种方式被处理：要么你改字号和折行，要么你接受风格的一点漂移，要么你把时间花在人身上。先选跟这张图相称的那一种，再开始改第一行字。