Een gescande PDF vertalen met OCR (en de lay-out behouden)

Een gescande PDF vertalen is niet één klus: eerst OCR, dan de lay-out opnieuw opbouwen. Verknoei je de scan, dan kan geen enkele vertaler de pagina nog redden.

Waarom gescande PDF’s het gebruikelijke pad naar “lay-out behouden” breken

Een born-digital PDF bevat al selecteerbare tekst en (vaak) structuur. Een gescande PDF bestaat grotendeels uit foto’s van pagina’s. Voordat een vertaler woorden naar een andere taal kan overzetten, moet een OCR-engine die woorden uit pixels raden, en daarna moet iets anders de vertaling terugplaatsen in kolommen, tabellen en marges.

Die tweetrapsketen is waarom “OCR + lay-out behouden” anders aanvoelt dan een native PDF vertalen met behoud van opmaak. De documentatie van Google Cloud over Document Translation is er duidelijk over: bij gescande PDF’s gaat meer opmaak verloren dan bij native bestanden, vooral bij dichte tabellen, pagina’s met meerdere kolommen en grafieken met labels. OCR haalt teksten terug; een verzorgd ontwerp opnieuw opbouwen uit pixels is een tweede, moeilijkere klus.

Deze gids gaat over het snijvlak: hoe je je bestand classificeert, de scan voorbereidt, eerlijke verwachtingen over de lay-out neerzet en een praktische OCR→vertaalworkflow uitvoert. Het is geen nieuwe ronde langs alle methodes (zie hoe je in 2026 een gescande PDF vertaalt daarvoor) en geen toolvergelijking (zie de beste OCR-tools voor gescande PDF’s of de beste vertalers voor gescande PDF’s als je producten wilt kiezen).

Hoe je alleen-afbeelding, native en gemengd herkent

Doe dit voordat je iets uploadt. De verkeerde pijplijn (OCR op een native bestand, of alleen tekst parsen bij een scan) kost tijd en voegt fouten toe.

Type	Snelle tests in een PDF-viewer	Wat je moet doen
Native (born-digital)	Je kunt echte woorden markeren en kopiëren; zoeken vindt zinsdelen	Gebruik bij voorkeur het parseren van de tekstlaag. Forceer geen OCR over de hele pagina — dan vervang je exacte tekst door gissingen
Alleen afbeelding / gescand	Selectie markeert de hele pagina als één afbeelding (of niets); zoeken levert niets bruikbaars op	Reken op OCR. De kwaliteit van de lay-out volgt de kwaliteit van de scan
Doorzoekbare scan	De pagina ziet eruit als een foto, maar zoeken en kopiëren werken soms	Mogelijk zit er al onzichtbare OCR-tekst onder de afbeelding. Test een paar pagina’s — is de verborgen laag vervormd of onvolledig, doe dan opnieuw OCR in plaats van erop te vertrouwen
Gemengd	Sommige pagina’s selecteerbaar, andere alleen een afbeelding (komt veel voor bij gescande pakketten met digitale omslagen)	Routeer per pagina. Tools die uitgaan van “alles native” of “alles scan” vertalen te weinig of doen te veel OCR

Praktische controles (geen speciale software nodig):

1. Open pagina 1, een pagina in het midden en de laatste pagina. Probeer op elke pagina een zin te selecteren.
2. Gebruik Zoeken voor een uniek woord dat je op het scherm ziet. Geen resultaat → behandel het als een scan (of als een kapotte tekstlaag).
3. Zoom naar 200%. Zachte, gepixelde letters betekenen meestal een foto van papier; scherpe vectoren meestal een native bestand.
4. Let op hybride valkuilen: een digitale omslag + een gescande inhoud, of een native rapport met één gefotografeerde bijlage. Classificeer per sectie, niet alleen op basis van de eerste pagina.

Heb je nog de bron in Word / Google Docs / InDesign, vertaal die dan en exporteer een nieuwe PDF. OCR op een afgevlakte scan is een terugvaloptie — niet het ideale pad voor werk waarbij de lay-out cruciaal is.

Checklist voor scankwaliteit vóór OCR

De nauwkeurigheid van OCR en het overleven van de lay-out delen dezelfde input. Richtlijnen van leveranciers (bijv. de notities van RWS Language Weaver over PDF-verwerking, de OCR-voorbereiding van Pairaphrase) komen op dezelfde ondergrenzen uit:

Factor	Streef naar	Waarom het ertoe doet
Resolutie	≥ 300 DPI voor lopende tekst; tot ~600 DPI voor kleine voetnoten of dichte tabellen	Onder ~150–200 DPI nemen klassieke verwarringen toe (rn→m, 0→O). Een hogere DPI helpt bij kleine letters; voorbij een bepaald punt voegt het vooral bestandsgrootte toe
Scheefstand / oriëntatie	Pagina’s rechtop en haaks; consistent staand of liggend	Scheve telefoonfoto’s en gemengde rotaties verstoren lijndetectie en leesvolgorde. Sommige API’s bieden rotatiecorrectie — het is nog steeds beter om het stroomopwaarts op te lossen
Contrast	Donkere tekst op een schone lichte achtergrond; vermijd dichtgelopen zwart-wit of uitgewassen grijs	Zeer hoog of zeer laag contrast maakt dunne streken tot klodders of spookbeelden. Grijstinten werken vaak beter dan agressief binair bij zwakke inkt
Belemmeringen	Geen stempels, zware watermerken, kreukels, doordruk of handschrift over de lopende tekst	Alles wat glyphs bedekt, wordt “tekst” die OCR verzint of overslaat
Consistentie van de lay-out	Vergelijkbare paginasjablonen in één bestand wanneer je de scan kunt sturen	Het mengen van meerbladige tijdschriftpagina’s met eenvoudige brieven in één OCR-run schaadt de segmentering
Handschrift en foto’s van tekst	Verwacht zwakke resultaten	Handgeschreven notities, whiteboardfoto’s en kaarten blijven lastig; reken op handmatige extractie of menselijke controle
Taal	Eén hoofdtaal per bestand wanneer mogelijk; stel taalaanwijzingen in de OCR-tool in	Woordenboeken en schriftmodellen werken beter als de zoekruimte beperkt is

Als je opnieuw kunt scannen: flatbed of documentinvoer op 300 DPI+, PDF-uitvoer (geen stapel zachte JPEG’s), pagina’s recht leggen, zwarte randen verwijderen als ze de regiodetectie in de war brengen, en de helderheid gematigd houden. Als je niet opnieuw kunt scannen: recht de scheefstand met een PDF/OCR-hulpprogramma, snijd marges met ponsgaten weg, en accepteer dat vage faxen van complexe rapporten na de vertaling een opschoningsronde nodig hebben.

Wat “OCR + lay-out behouden” realistisch kan

Leg de lat aan de hand van de vorm van het document, niet van marketingteksten.

Meestal sterk

• Schone, rechtopstaande scans met hoge DPI van brieven in één kolom, facturen met eenvoudige blokken of rapporten met duidelijke koppen
• Logo’s en foto’s die afbeelding blijven terwijl de bijschriften ernaast worden vertaald
• Een ruwe overleving van kolommen en marges op eenvoudige pagina’s

Vraagt vaak om controle

• Tabellen die uit lijnen zijn opgebouwd in plaats van echte tabelobjecten — celgrenzen verschuiven na tekstgroei
• Tijdschriften met twee of drie kolommen; zijbalken; uitgelichte citaten
• Formulieren, stempels en handtekeningen tussen de lopende tekst
• Doeltalen die langer worden (bijv. veel Europese talen ten opzichte van Engels) — kaders die op de brontaal zijn afgestemd lopen over, zelfs als de OCR perfect was

Zwak of buiten bereik voor pure OCR→PDF

• Handschrift, koolstofkopieën met laag contrast, scheve telefoonfoto’s
• Dichte grafieken met labels waarbij de labels deel uitmaken van de grafische weergave
• Pixelperfecte drukwerkbrochures — gebruik liever bewerkbare bronnen

Eerlijkheidshalve: OCR geeft je woorden en kaders. “Lay-out behouden” na OCR betekent dat de tool vertaalde teksten in die gebieden plaatst (of een vergelijkbare pagina opnieuw opbouwt). Het betekent niet een gegarandeerde tweeling van de scan. Kies tools die een opnieuw opgebouwde PDF retourneren die je kunt bekijken, niet alleen een dump als platte tekst. Voor wat “opmaak behouden” op de checklist van een koper moet betekenen (tabellen, lettertypen, afbeeldingen, paginalay-out), gebruik de bijbehorende gids: PDF vertalen met behoud van lay-out. Is je bestand al een native PDF (selecteerbare tekst), gebruik dan OpenL’s PDF-vertaler voor vertaling met behoud van lay-out in plaats van het gescande OCR-pad.

Praktische stappen: gescande PDF → OCR → lay-outbewuste vertaling

1. Classificeer het bestand met de tests hierboven. Sla OCR over bij echt native pagina’s.
2. Bereid de scan voor met de checklist (DPI, scheefstand, contrast, belemmeringen). Scan opnieuw als het bestand onder ~200 DPI zit en het papier nog bestaat.
3. Kies het pad
   • Alles-in-één OCR + vertalen — één keer uploaden wanneer de scan schoon is en de lay-outbehoeften gematigd zijn (delen met klanten, interne beoordeling).
   • Eerst OCR, dan vertalen — wanneer terminologie of juridische formuleringen ertoe doen: maak een doorzoekbaar en bewerkbaar tussenbestand, corrigeer OCR-fouten (namen, nummers, tabelcellen) en vertaal daarna.
4. Stel taal- en schriftaanwijzingen in in de OCR- of documenttool. Verkeerde taalpakketten verslechteren stilletjes pagina’s in CJK, Arabisch, Cyrillisch en met gemengde schriften.
5. Vertaal met de wederopbouw van de lay-out in gedachten — kies een documentpijplijn die een PDF (of DOCX) met structuur oplevert, niet alleen chatachtige alinea’s.
6. Controleer eerst de moeilijke pagina’s — elke tabel, elke spread met meerdere kolommen, kop- en voetteksten, en elke pagina met stempels of figuren.
7. Escaleer wanneer de PDF doodloopt — als de lay-out missiekritisch is (drukwerk, gereguleerde archivering), vraag dan om het bewerkbare origineel.

Een toegankelijk productpad wanneer je OCR op heldere scans plus een lay-outvoorbeeld op één plek wilt: OpenL’s vertaler voor gescande documenten op doc.openl.io. Gebruik die om de geschiktheid op een voorbeeld te beoordelen; volledige documenten zijn betaald omdat ze veel rekenkracht kosten. De iOS Doc Translator-app dekt stromen op het apparaat en OCR-gerichte stromen wanneer je niet achter je desktop zit.

Bekijk eerst, betaal daarna

Betalen voor een heel gescand pakket voordat je de kwaliteit van OCR + lay-out hebt gezien, is hoe kopers met onbruikbare bestanden blijven zitten.

1. Controleer of het bestand echt een scan is (of welke pagina’s dat zijn).
2. Upload een representatief voorbeeld — neem één makkelijke en één moeilijke pagina op (tabel of twee kolommen).
3. Kies bij voorkeur een gratis of beperkt voorbeeld dat de lay-out toont, niet alleen een prijsopgave op basis van het woordaantal. Op doc.openl.io/translate/scanned-document kun je een dagelijks gratis voorbeeld bekijken voordat je je aan het volledige bestand waagt.
4. Let op OCR-signalen: vervormde namen, samengevoegde kolommen, omgedraaide nummers in tabellen, ontbrekende zijbalken.
5. Betaal pas daarna voor het volledige document — en controleer nog steeds de eerste en de laatste pagina plus elke tabel voordat je het extern deelt.

Sources

• Translate documents — Google Cloud Translation — Officiële notities dat gescande PDF’s meer opmaak verliezen dan native bestanden; kanttekeningen bij gemengde native en gescande inhoud; oriëntatie voor het vertalen van gescande PDF’s
• PDF processing guidelines — RWS Language Weaver — Minimaal 300 dpi, scheefstand en contrast, beperkingen bij handschrift, en consistentie van de lay-out vóór MT
• How to Extract Text From Scanned PDFs Reliably — OCRByte — Terugval op native tekst, rechtzetten, contrast, taalaanwijzingen en een lay-outbewuste OCR-checklist
• Highest quality scanned document translation with OCR — Pairaphrase — Verwijderen van belemmeringen en richtlijnen voor opnieuw scannen op 300–600 DPI
• Detect Scanned PDF Document — UniDoc — Heuristieken voor gescande versus tekst-PDF’s en randgevallen bij doorzoekbare scans
• Scanned Document Translator — OpenL Doc — OCR voor heldere scans, lay-outgerichte uitvoer en een gratis voorbeeld voordat je betaalt