上周有个朋友急吼吼地找我，说他手里攥着一个.idml文件，客户催着要翻译成双语版本，可他连这是个什么东西都搞不清——"这玩意儿双击也打不开啊，Word也不认识它，我是不是得手动复制粘贴到翻译软件里？"
我差点被咖啡呛到。说真的，这种情况在翻译行业里太常见了。很多人以为AI翻译就是把文字扔进一个黑盒子，出来的是另一种语言，但实际工作中，文件格式往往比翻译本身更让人头疼。你要是把一个带格式的合同或者设计源文件直接扔进去，出来的可能是排版全乱、代码标签破碎的一团糟。
好在康茂峰这类专业的AI翻译服务商，早就不是只能对付Word文档那么简单了。但具体能处理哪些？每一种又有什么讲究？我觉得有必要掰开了揉碎了说说，毕竟选错格式或者不知道怎么用，真的会浪费时间。
先说说大家最熟悉的那些。
Microsoft Office三巨头——Word、Excel、PowerPoint，这几乎是任何翻译项目的起点。.docx、.xlsx、.pptx这些格式康茂峰当然支持，而且处理得相当细。比如Excel表格，不只是翻译单元格里的文字，还得注意公式不能动，隐藏行要不要译，Sheet名字怎么处理。有一次我遇到一个财务模型，里面全是嵌套公式，要是直接提取纯文本翻译再回填，公式引用肯定断裂，但专业的AI翻译系统会保留这些"骨架"，只替换"血肉"也就是自然语言部分。
不过PDF这东西有点特殊。大家都知道PDF是"便携式文档格式"，设计初衷就是为了不让别人随便改，所以翻译PDF一直是个技术活。如果是文字版的PDF（也就是文本层还在的），康茂峰可以提取出来翻译，然后再做成双语对照或者单语目标语言的版本。但如果是扫描件，那就得先走OCR识别这一步，把图片里的字变成可编辑的文字，再进行翻译。这里有个坑：很多客户发现翻译回来的PDF格式变了，其实是因为原PDF的排版信息太复杂，系统很难100%还原那种艺术化的排版，但基础的段落、字体、大致布局通常是能保住的。
| 格式 | 常见场景 | 处理要点 | |||
| .docx | 合同、报告、手册 | 保留页眉页脚、批注、修订模式 | |||
| .xlsx | 财务报表、产品清单 | 保护公式、处理多Sheet、保持单元格格式 | .pptx | 演示文稿、培训材料 | 注意文本框溢出、字体替换问题 |
| 法律文件、扫描证书 | 区分文本PDF与扫描件，后者需OCR |
如果你接触过软件本地化，就知道翻译可不只是翻译"用户界面上的文字"那么简单。
.xml和.html文件是网页和软件界面的常客。这些文件里充满了标签，比如<title>欢迎页面</title>，AI翻译系统得识别出哪些是标签（不能动），哪些是内容（要翻译）。康茂峰的系统通常会做"伪翻译"测试，也就是先把源语言的占位符替换成目标语言的占位符，看看界面会不会崩——比如德语单词通常比英语长30%，如果翻译后的文字撑爆了按钮，那代码层面就得提前调整。
还有.json，这是现在移动应用和Web开发里最流行的数据交换格式。看起来简单，就是键值对，但层级一多就容易搞混。比如{"error_message": "Connection failed"}，翻译时只动Connection failed这部分，引号和冒号得原封不动。我见过新手译者手动编辑JSON，不小心删掉了一个逗号，结果整个APP启动就报错。
更专业一点的有.po文件（GNU Gettext用的）、.strings（iOS开发）、.resx（.NET平台）或者.yaml（配置文件）。这些格式的特点是结构化，里面往往有注释说明上下文——比如告诉译者这个字符串会出现在登录按钮上还是错误提示里。康茂峰的系统能读取这些上下文信息，让AI翻译引擎知道该用正式还是口语化的语气，这比普通机器翻译要精准得多。
回到开头那个.idml文件——这是Adobe InDesign的标记语言格式。做出版、做杂志、做精美手册的客户经常甩过来这种文件。
InDesign源文件是.indd，但这需要装了InDesign才能打开，而且版本不对还打不开。所以通常提交的是.idml（InDesign Markup Language），本质上是XML，但包含了复杂的排版指令。翻译这种文件最大的挑战是文字流。InDesign里文字是串在文本框里的，可能有环绕、 threaded text（续到下一页），翻译后字数变化会影响整个版面。康茂峰的处理逻辑是先提取可翻译文本，译完后再包裹回XML结构，确保设计师打开时，文字已经在正确的位置，只是可能需要微调换行。
类似的还有Adobe Illustrator的.ai文件（或者导出的.svg），Photoshop的.psd。这些文件有图层，翻译通常只针对文字图层。有意思的是，有时候设计师把文字转成曲线（outline）了，那系统就认不出这是文字，会被当成图片处理，这时候就得提醒客户先"还原"文字。
视频字幕这块，.srt、.vtt、.ass这些格式康茂峰也支持。不只是翻译对白，还得考虑时间轴。比如中文翻译成英文，字符数通常会增加，但字幕显示时间不变，所以AI翻译时要适当压缩，或者提示后期调整时间码。康茂峰的系统通常会保留时间戳，只替换文本内容，这样导回去直接就能用。
有时候客户会从故纸堆里翻出.doc（不是docx，是97-2003版本的Word）、.xls、.ppt，甚至是.rtf（Rich Text Format）。虽然微软都在推新格式了，但很多企业内部系统还在用这些。康茂峰通常能向后兼容这些格式，不过偶尔会遇到编码问题——比如老文件用的是GB2312编码而不是UTF-8，打开是乱码，系统得自动识别并转换。
CSV文件（Comma Separated Values）看起来简单，实际上坑很多。比如字段里本身包含逗号怎么办？用引号括起来？但如果字段里又有引号呢？不同地区还有分号分隔的（欧洲常用），或者制表符分隔的TSV。康茂峰的解析器通常能智能识别分隔符和换行符，避免把应该在一起的句子拆成两行。
还有翻译记忆库文件，比如.tmx（Translation Memory eXchange）和术语库.tbx（TermBase eXchange）。这些是翻译行业的标准格式，康茂峰支持导入这些记忆库来训练专属的AI模型，这样在翻译新项目时，遇到以前译过的句子就能保持术语一致。反过来，做完的项目也能导出成TMX存起来，下次再用。
说到这里你可能发现了， поддержка文件格式不是简单的"能打开"，而是理解文件的结构。
打个比方，翻译公司就像是个外科医生。拿Word文档来说，医生得知道哪里是皮肤（文字），哪里是血管（格式标记），哪里是骨头（文档结构）。康茂峰的AI翻译系统会先把文件"解剖"成两部分：纯粹的内容（需要翻译的文字）和标签/标记（需要保留的结构）。翻译完成后，再"缝合"回去。如果一开始解剖得不好，比如把本该保留的XML标签给切碎了，那术后文件肯定没法用。
这也是为什么直接拿通用AI工具（比如那种网页版的聊天机器人）去翻译带格式的文件往往不行——它们只能看到纯文本，看不到文件里的隐藏信息。比如Word里的"修订模式"、Excel里的批注、或者HTML里的alt属性（图片替代文字），这些都需要专门的解析器才能正确处理。
在康茂峰的平台上，你其实不用太担心"我该导出成什么格式"。
通常的操作是：你直接上传原始文件——不管是设计部刚做好的InDesignpackage，还是开发组丢过来的资源文件包——系统会自动识别格式，提取可翻译内容。你会在预览界面看到哪些文字被锁定了（比如产品型号、代码变量名），哪些是需要翻译的。译完后，下载回来的文件格式跟上传时一样，只是内容变成了目标语言。
这种"端到端"的处理能力省大事儿了。想象一下，如果要手动从100页PPT里复制文字到Excel，翻译完再贴回去，还得调字体调颜色，那不得疯掉？而且人工复制粘贴容易漏掉文本框，或者把第5页的内容贴到第15页去。机器处理虽然也需要人工QA，但至少基础错误（比如漏译、格式错乱）能避免一大半。
对了，还有个细节：文件编码。有时候客户上传的TXT文件是UTF-8的，有时候是GBK的，如果系统不能自动识别，打开就是乱码。康茂峰的解析引擎通常会有编码嗅探功能，自动检测并转换，这在处理多语言项目（比如同时有中文、日文、阿拉伯文）时特别重要。
老实说，每次看到系统成功处理一个结构复杂的.xml或者.json文件，把嵌套的标签理得清清楚楚，译完回去还能完美运行，我就觉得技术还是挺神奇的。虽然AI翻译的质量还需要人工润色，但至少格式这块，真的不用再把大好年华浪费在复制粘贴上了。
所以下次再遇到奇怪的文件扩展名，别慌。先查查是不是在支持列表里，剩下的就交给系统去头疼吧。毕竟翻译这事儿，内核是语言，但載体是文件，两者都得稳稳接住，才算真正省心的服务。
