通过多级 LLM 管道保留结构的文档翻译：马拉地语案例研究

印度的政府文件主要以马拉地语等地方语言发布，这给非母语读者、州际行政机构和政策分析师造成了巨大的无障碍障碍。尽管神经机器翻译的最新进展提高了句子级翻译质量，但现有系统在很大程度上忽视了文档结构、格式完整性和特定领域术语，从而限制了它们对官方文档的适用性。本文提出了一种保留结构的马拉地语到英语的政府文件翻译框架，能够执行端到端文档转换，同时保持布局保真度。所提出的系统集成了布局感知光学字符识别、基于坐标的文本提取、基于 大语言模型 的翻译以及通过 HTML 表示的结构化文档重建。通过实施空间对齐约束并保留分层文档元素，该框架确保源文档和翻译文档之间的结构一致性。对现实世界马拉地语政府 PDF 的实验评估表明，与传统的纯文本翻译流程相比，结构保留、翻译连贯性和术语一致性得到了改善。拟议的框架有助于为电子政务和行政文档处理提供可扩展的多语言无障碍解决方案。