DTP de Documentos Regulados e Reconstrução de PDF

PDFs não armazenam texto como texto. Eles armazenam texto como uma sequência de operações de glifo: "desenhe o caractere 67 da fonte Helvetica na coordenada (123, 456)". A maioria das agências usa um conversor PDF para Word que perde as informações de coordenadas e as referências de fonte; o resultado é editável, mas visualmente não relacionado à fonte. O próximo nível de agência usa o "Exportar para InDesign" do Adobe Acrobat — isso preserva mais layout, mas falha em três categorias de conteúdo:

• Glifos contornados. Muitos formulários regulatórios (impots.gouv.fr, Steuererklärung alemão, AEMPS) convertem seus rótulos de texto em caminhos vetoriais na publicação. O extrator do Acrobat lê texto contornado como gráfico, não como string. O tradutor nunca vê o rótulo do campo e o regulador nunca vê seu modelo de volta.
• Campos de formulário. Campos AcroForm e XFA têm suas próprias referências de texto e fonte. Extrair o texto ao redor, mas não os rótulos dos campos, produz um documento meio traduzido.
• Híbridos digitalizados. Um PDF que é parte vetor, parte raster (típico para documentos fornecidos por reguladores com um bloco de assinatura digitalizado) precisa de OCR na porção raster e extração com coordenadas preservadas na porção vetorial. Uma única ferramenta não consegue lidar com ambos.

Construímos nosso motor PDF especificamente para essa categoria. Ele enumera cada operação de desenho de texto no PDF, incluindo glifos contornados (detectando fontes de rótulos comuns e mapeando reversamente o caminho de volta para caracteres), lê rótulos e dicas de campos de formulário, executa OCR sobre regiões raster e produz um manifesto de tradução por trecho. O tradutor trabalha no manifesto; o motor escreve a tradução de volta nas coordenadas de origem. Os campos de formulário são preservados; o regulador vê o mesmo formulário, em seu idioma-alvo, com os rótulos de campo corretos.

Uma declaração de imposto francesa que parece uma declaração de imposto francesa. Um folheto CE alemão que corresponde ao modelo do regulador alemão. Uma bula de medicamento que a EMA aceita na primeira revisão. Fomos construídos para isso; a maioria das agências não foi.

O InDesign vem com um compositor de parágrafo padrão que não consegue lidar com o árabe corretamente — ele quebra ligaduras, erra a lógica de quebra de linha e falha ao aplicar formas contextuais. A solução é ativar o Adobe World-Ready Paragraph Composer (Type → Paragraph → World-Ready Paragraph Composer na edição ME do InDesign, ou via script na edição padrão). A maioria das agências que executam o InDesign padrão não o ativa e entrega árabe visualmente quebrado que um leitor nativo rejeitará à primeira vista.

Os glifos árabes mudam de forma dependendo se estão isolados, iniciais, mediais ou finais em uma palavra. Um parágrafo árabe composto corretamente aplica a forma correta automaticamente através dos recursos OpenType init, medi, fina e isol. As fontes variam em quão bem implementam esses recursos — Tajawal, Cairo, Noto Sans Arabic e Adobe Arabic são confiáveis. Muitas fontes "árabes" em repositórios gratuitos não são, e produzem texto que um leitor nativo reconhece como feito por estrangeiro à primeira vista.

Um parágrafo árabe que contém um nome de marca inglês ou um número flui nas duas direções. O Algoritmo Bidirecional Unicode lida com a maioria dos casos, mas a pontuação na fronteira (um ponto final após uma marca inglesa dentro de uma frase árabe) é frequentemente colocada no lado errado da marca. Usamos marcas de formatação direcional Unicode (RLM, LRM) para ancorar a pontuação corretamente, e revisamos no layout final — não no editor do InDesign, onde o comportamento do algoritmo difere do PDF exportado.

O conteúdo árabe pode usar numerais árabe-índicos (٠١٢٣٤٥٦٧٨٩) ou numerais ocidentais (0123456789); a escolha depende da convenção regional e do estilo da casa do cliente. Confirmamos antes de começar e configuramos o estilo de caractere do InDesign para impor consistência em todo o documento. Um documento que mistura ambos é um erro regional.

O persa e o urdu compartilham o alfabeto árabe, mas têm formas de glifos diferentes, caracteres adicionais (پ do persa, ٹ do urdu) e convenções tipográficas diferentes. Nastaliq é a fonte dominante para urdu; Naskh é dominante para persa. Tratar os três como "árabe" é o erro mais comum; contratamos compositores tipográficos por idioma.

O chinês não tem espaços entre palavras; quebras de linha podem acontecer em qualquer limite de caractere. O compositor CJK do InDesign lida com isso corretamente quando ativado. As regras de kinsoku de pontuação — a pontuação chinesa de largura total não pode aparecer no início de uma linha — precisam de configuração explícita. A composição tipográfica vertical (para contextos tradicionais, livros e alguns layouts de marketing) requer um compositor e configuração de quadro separados. O chinês simplificado usa um conjunto de convenções de pontuação e ortografia da RPC; o chinês tradicional usa outro e revisamos de acordo com o estilo da casa de Taiwan ou Hong Kong, dependendo do alvo.

O japonês mistura três escritas (kanji, hiragana, katakana) com caracteres latinos e números. O texto ruby (furigana — pequenas leituras fonéticas acima do kanji) é necessário para algumas categorias de conteúdo (materiais escolares, acessibilidade). A composição tipográfica vertical é comum em contextos tradicionais. As regras de quebra de linha são mais permissivas do que o chinês, mas ainda têm restrições de kinsoku.

O hangul coreano usa espaços entre palavras (ao contrário do chinês e japonês). Justificação e tracking se comportam de maneira diferente das escritas latinas; os leitores coreanos esperam espaçamento de linha mais apertado do que o padrão latino. Hanja (caracteres chineses em contextos coreanos) aparecem em documentos acadêmicos e jurídicos e requerem tratamento de fallback de fonte.

O tailandês é a escrita que quebra compositores tipográficos ingênuos com mais frequência. Não há espaços entre palavras — as quebras de linha devem ser inferidas de um dicionário. O compositor tailandês do InDesign usa um dicionário integrado; para termos técnicos que não estão no dicionário, é necessária inserção manual de espaço de largura zero. As marcas tonais se empilham acima das consoantes e não podem quebrar para a próxima linha. A maioria dos compositores tipográficos do Reino Unido não tem um operador tailandês na equipe; nós temos.

As escritas índicas usam modelagem complexa — consoantes conjuntas se combinam em ligaduras que dependem do cluster de consoantes e das tabelas OpenType da fonte ativa. Um compositor tipográfico ingênuo produzirá devanágari visualmente quebrado onde os conjuntos falham ao se formar. Noto Sans Devanagari, Devanagari Sangam MN da Adobe e um pequeno conjunto de outras lidam com a modelagem corretamente. Testamos na fonte final, não em um fallback. Para documentos técnicos, também testamos nas fontes regionais que os reguladores governamentais esperam (por exemplo, Mangal para alguns formulários do governo indiano).

• Dimensionamento automático de quadro — cada quadro de texto no arquivo InDesign de origem é configurado para dimensionar automaticamente para seu conteúdo. O quadro cresce; o layout se adapta. Esta é a maior fonte de bugs relacionados à expansão e a mais simples de corrigir.
• Orçamento de expansão da folha de estilo — publicamos uma folha de estilo para cada idioma-alvo mostrando a expansão máxima permitida antes do refluxo manual. Os tradutores veem o orçamento enquanto traduzem; se uma string exceder, eles podem solicitar uma reformulação ou sinalizar a restrição.
• Regras de refluxo — acordamos regras de refluxo por documento no escopo. Comum: quebras de página podem mudar; títulos de seção não podem dividir; tabelas podem transbordar para a próxima página; legendas de figuras ficam com sua figura. As regras são documentadas e aplicadas consistentemente.
• Relatório de alteração de contagem de páginas — na entrega, publicamos uma comparação de contagem de páginas: fonte 40 páginas, alemão 48 páginas, árabe 47 páginas, chinês 36 páginas. O cliente sabe o que está recebendo antes de abrir o arquivo.

As bulas de medicamentos farmacêuticos são o caso de alto risco. A EMA e a MHRA exigem títulos de seção específicos, em uma ordem específica, sem truncamento. A expansão alemã rotineiramente empurra uma bula de 4 páginas para 6 páginas; o regulador aceita a mudança de contagem de páginas, desde que a integridade da seção seja preservada. Trabalhamos com o modelo QRD da EMA para cada bula e revisamos contra a versão atual do modelo (o modelo muda; nós monitoramos).

• PDF/X-1a:2001 — o padrão legado, apenas CMYK, todas as fontes incorporadas. Ainda exigido por algumas gráficas e pela maioria dos sistemas de jornais.
• PDF/X-4 — padrão moderno, suporta transparência nativamente, RGB e CMYK, perfis de cores ICC. Nosso padrão para novos trabalhos; suportado pela maioria das impressoras modernas.
• PDF/A — para arquivo de longo prazo (frequentemente exigido para registros regulatórios). PDF/A-1b é a escolha conservadora; PDF/A-2 e -3 adicionam recursos.
• Marcas e sangria — marcas de impressora, marcas de registro, barras de cores e 3mm de sangria por padrão; configurável por contrato de impressão.

A conversão CMYK precisa conhecer a impressora-alvo: Fogra 39 / 51 para papéis revestidos europeus, GRACoL 2006 para norte-americanos, JC2011 para japoneses. Incorporamos o perfil ICC correto e revisamos contra soft-proofing se a gráfica fornecer um perfil. Cores spot Pantone são preservadas como spots até a confecção de chapas.

Cada fonte usada deve ser incorporada no PDF final (PDF/X o exige). As licenças de fundição variam no que permitem — as licenças Monotype, Linotype e Adobe Originals são explícitas; algumas fontes comerciais proíbem incorporação e precisam de substituição antes da exportação. Auditamos a pilha de fontes e substituímos onde o licenciamento exige.

Entregamos o pacote InDesign (ou o PDF pronto para impressão, dependendo do escopo), uma folha de especificação de impressão documentando a sangria, marcas, perfil de cores e recomendação de papel, e um PDF de soft-proof para aprovação visual. Sua gráfica deve conseguir gravar o arquivo sem ida e volta.

As bulas de medicamentos e os resumos das características do produto seguem o modelo QRD da EMA; os Brochures do Investigador seguem a orientação ICH E6; os Formulários de Consentimento Informado seguem o modelo do IRB ou REC. Trabalhamos com a versão atual do modelo (os modelos são revisados; nós monitoramos) e entregamos de acordo com o formato de submissão do regulador (XML para SmPC, PDF para PIL, eCTD para submissões completas). As trilhas de auditoria por trecho são obrigatórias para trabalhos farmacêuticos regulados; nós as publicamos.

Os registros de patentes têm requisitos de formato que diferem por escritório. A EPO aceita XML e PDF; o USPTO requer tamanhos de fonte e margens específicos; as submissões PCT têm resumos específicos por idioma. Trabalhamos de acordo com a especificação atual do escritório e entregamos para isso. Os desenhos são traduzidos separadamente — legendas de figuras no idioma-alvo com o mesmo esquema de numeração.

As submissões judiciais do Reino Unido precisam de um formato de pacote específico (PDF único, paginado, indexado, com hiperlinks). Reconstruímos pacotes no idioma-alvo com a mesma paginação e estrutura de índice. Para arbitragem internacional, trabalhamos de acordo com a especificação da ordem processual, que varia por caso.

Os relatórios anuais seguem as regras de listagem de cada mercado (LSE, AIM, NASDAQ, Euronext) para seções obrigatórias; os prospectos seguem o regulamento de prospectos; os KIDs seguem PRIIPs. Coordenamos com sua equipe de tradução financeira (frequentemente nós — veja tradução financeira) para garantir que a prosa, números e layout estejam em sincronia.

A categoria mais difícil para reconstrução PDF in-place porque os formulários variam entre escritórios locais. Lidamos com impots.gouv.fr francês, Steuererklärung alemão (vários Bundesländer), formulários de farmacovigilância AEMPS espanhóis, Agenzia Entrate italiana e vários formulários HMRC do Reino Unido. A convenção de armazenamento PDF de cada escritório está documentada em nossa biblioteca interna; sabemos o que esperar antes de começar.