“这个版本的法语文字太长了，把右下角的设计元素挡住了。能再调一下吗？”
如果你做出海产品，这句话可能已经是日常。我最早以为本地化就是翻译，直到第一次拿到一张所有文字都已经“烧进”图片里的设计稿，才发现什么叫绝望——没有图层，没有字体文件，只有一张扁平图。要换个语言，只能把原图擦掉重画。
后来AI来了，Photoshop有了生成式填充，开源工具能一键去除文字，我第一反应是：这技术要刷掉一大批本地化设计师了吧？等我真把流程跑通，发现现实比我想象的更有意思。
本地化不是“替换文字”，是“重画一张图”
一张视觉素材里的文字，通常不是独立于画面之外的。它们的背景可能是渐变、是纹理、是拍摄现场真实存在的墙面。你把文字拿掉，背后不是一片空白，而是一段“从未出现过”的画面。所以AI要做的不是把旧文字抠掉，而是把这块画面“凭空生成”出来。
这正是生成式填充（Inpainting）的活。它的思路是：让模型看着周围的像素，补成最像原画的背景。用行业里的说法，这叫“图像修复”。Adobe Firefly 和开源工具 IOPaint 都实现了这个能力。Adobe Firefly 官方介绍
拆解AI本地化的四个步骤
到了今天，一套完整的AI本地化流程，大体是下面这个管线：
- 文字检测与识别（OCR）：先用模型找到图片里所有文字区域，并识别原文。
- 背景修复（Inpainting）：把文字区域当成“污点”，用扩散模型重新生成干净的背景。
- 机器翻译：把原文翻译成目标语言。
- 文本渲染：根据目标语言的字号和风格，把翻译后的文字放回原位置，保持透视和光照一致。
这四步每一环都有坑，而且环环相扣。前一步的错误会直接放大到后面。
OCR：让AI先“读”到文字
文字检测不是简单的框出来。真实海报里文字有透视、有弯曲、还有艺术变形。老一代OCR基于滑动窗口，遇到有角度就废了。现在主流是类似 DBNet 这样的可微分二值化网络，把文字区域分割成概率图，再拟合出旋转的文本框。这一步如今已经相当成熟。
你手机里的 Google ML Kit，几毫秒就能识别路牌上的文字，靠的就是这套思路。识别完原文，才能交给翻译模型。Google ML Kit 文本识别
背景修复：凭空造出被文字挡住的画面
这一步最像魔法，也最容易翻车。早期做法是拉普拉斯金字塔填充，效果好一点的用补全网络PatchMatch，但复杂背景依然会露出马脚。2022年扩散模型成熟后，Inpainting 突然跨了一个台阶。只要给模型一个遮罩和原图其余部分，它就能生成极高一致性的填充内容。
我试过去除一张户外广告牌上的中文，只留下干净的砖墙和光影。AI居然把砖缝和阴影都补上了，肉眼几乎看不出痕迹。那一刻我突然明白，它不是在“填充”，它在“理解”这张图是什么场景。
文本渲染：最难的一关
把翻译后的文字放回去，难点在于：
- 空间尺寸：法语会膨胀，中文会缩短。同一个矩形里，排版可能要重排。
- 透视关系：原文如果是侧面拍过去，文字有透视倾斜，AI生成的新文字也要有同样的透视。
- 材质光影：文字在玻璃幕墙上有反光，在霓虹灯上会发光，AI生成的文字如果只是贴个平面数字，就会假得离谱。
很多工具现在会先估算原文字区域的单应矩阵，再把新文字做透视变换。光影匹配则依赖生成模型的提示词或条件控制。比如 ControlNet 可以把深度图、法线图作为条件，让生成文字贴合原画面的几何结构。
前两步可以自动化，但语义依然需要人
有一次，AI把一张汽车海报里的英文标语 "Break the limit" 翻译成中文后，重新生成的海报里，汽车冲刺的方向和文字透视线完全错误，看起来像是文字漂浮在车身上。为什么？因为AI检测到了文字是一个平面，但没估计出这个平面和汽车表面是融合的——那不是一个平面，是车身的曲面。
这就是本地化最难的地方。图片里的文字往往“写”在物体表面，而不是贴上去的标签。要把文字重画到曲面或复杂配图上，模型需要三维理解能力。目前很多方案只能处理平面或近似平面的区域。
所以业内有个共识：AI可以帮你处理80%的机械性工作，但最后20%的“审美决定”——比如哪些字要压暗、哪个角落要让出空间、哪个双关语要换成当地文化梗——仍然离不开人。
| 方式 | 文字适配 | 背景处理 | 成本 | 适用场景 |
|---|---|---|---|---|
| 传统模板 | 只能用于固定版面 | 预先留空 | 低 | 批量横幅 |
| AI逐图处理 | 可识别、擦除、重绘 | 生成式填充 | 中 | 海报、拍摄图、复杂合成 |
| 人工重绘 | 完全可控 | 完全可控 | 高 | 品牌广告、电影海报 |
哪些语言特别难缠
如果你只需做中英日韩，AI处理起来已经比较顺手。但如果遇到阿拉伯语、泰语、印地语，麻烦马上变多。
- 阿拉伯语
- 从右向左书写，且字母连笔后形状会变化。AI渲染时，如果只是水平翻转或简单替换，整个句子的连接关系会崩。
- 泰语
- 元音和声调符号可以叠加在辅音上方，字与字之间没有空格，分词本身就是一个难题。
- 印地语
- 天城文带有大量上下横线，字符组合复杂，AI渲染时容易错位。
- 繁体中文与简体中文
- 转化不仅是字形替换，用词习惯也不同。繁体“里”和“裡”的分工，AI常常搞错。
这些语言在字体渲染层面，相当考验文本引擎。有些AI工具直接放弃，让你手动指定字体和排版规则。
FAQ：常见误解
AI真的能翻译图片里的文字吗？
能，但不是“看图片翻译”，而是先OCR识别成文本再翻译，再重新渲染。这个流程中，图片本身的上下文信息并没有真正参与翻译。比如一个路标上的“Stop”翻译成“停止”没问题，但路标本身的图形风格在各国并不一致，AI不会自动调整这些文化符号。
用Photoshop生成式填充不就行了？
生成式填充只是步骤二，它本身不处理文字识别和翻译。你需要先把区域选中，再填充，再自己写新文字。要做到全自动，得把各个步骤串起来。
AI处理过的图片会不会有法律风险？
取决于版权和素材协议。品牌Logo、有版权的海报都建议走正规授权流程。AI生成的背景也不能保证与原始素材的版权完全切割。
AI的边界在哪？
我现在会用AI做批量素材的地推海报，速度快到让人怀疑人生。但遇到高端品牌广告，我仍然会把最终版交给设计师微调。原因很简单：AI的本地化能力本质是“统计性的模仿”，不是“设计师的意图”。它可以学会大部分视觉规则，但学不会“为什么这里要留白”。
未来的方向大概是把语言模型和图像生成模型更进一步融合，让模型同时理解文本语义和像素关系。像 Meta 的 SeamlessM4T 已经在尝试用同一个模型处理多种语言的语音与文本转换，而视觉侧的深度融合还有很长的路要走。SeamlessM4T 官方介绍
如果你自己动手，我建议从 IOPaint + 翻译API 开始玩，成本几乎为零。IOPaint 开源项目 把原图的文字擦掉，再自己用 Figma 加上你本地化后的排版。是的，这个流程更可控。为什么？因为AI直接生成新文字时，排版的可控性还远远达不到设计软件级别。AI的胜场在“擦除背景”，而非“生成精准的文字排版”。
所以我的最终判断是：AIGC在内容本地化里最能打的角色，是“超级抠图师+背景重建师”，而不是“全能本地化设计师”。文字本身的最终呈现，依然需要人类语言能力和设计审美的双重把关。这个剪切的边界会随着多模态模型发展而扩大，但距离“交给AI就完事”还有相当一段距离。
原创文章，作者：guanweilu，如若转载，请注明出处：https://guanweilu.cn/article/1859.html