OCR للغة الهندية: تحويل الصورة إلى نص هندي
ارفع صورة أو لقطة شاشة أو ملف PDF ممسوحًا ضوئيًا يحتوي على نص هندي، واحصل عليه بنص ديفاناغاري بترميز Unicode يُلصق بسلاسة في Word أو WhatsApp أو Google Docs أو أي نموذج. خيار لغة المستند مضبوط مسبقًا على الهندية.
تحويل الصورة إلى نص
أو أفلت ملفات PDF, JPG, JPEG … هنا ·
الحد الأقصى 95 MB لكل ملف· حتى 20 ملفًا· تُحذف بعد 30 دقيقة
تُعالج الملفات على خوادمنا وتُحذف بعد 30 دقيقة.
للصفحات التي تمزج لغتين، مثل الهندية مع كلمات إنجليزية. اتركه على «بدون» في غير ذلك؛ فاللغة الإضافية تخفض الدقة قليلاً.
«الحفاظ» يبقي الأعمدة والفقرات والجداول في أماكنها. «عادي» ينتج كتلة نص واحدة متصلة، أسهل للصق في النماذج.
لملفات PDF وTIFF متعددة الصفحات: اقرأ كل الصفحات أو الأولى فقط أو نطاقاً منها.
الصفحات المراد قراءتها، مثل 1-3, 5, 8-10.
طريقة استخدام هذه الأداة
- 1
ارفع الصفحة الهندية
أضف صور JPG أو PNG أو HEIC أو TIFF أو ملف PDF، بحد أقصى 20 ملفًا وبحجم يصل إلى 95 MB لكل ملف. تُقرأ الصفحة بأفضل شكل عندما تكون الصورة واضحة ومستقيمة وملتقطة في ضوء النهار.
- 2
أضف الإنجليزية إذا كانت الصفحة تجمع اللغتين
اختر الهندية في لغة المستند. إذا كانت الصفحة تحتوي أيضًا على كلمات أو أسماء أو رموز بالإنجليزية، فاضبط التعرّف أيضًا على على الإنجليزية ضمن الإعدادات المتقدمة، وإلا فاتركه على بلا.
- 3
تعرّف على النص
اضغط التعرف على النص ونزّل ملف .txt، أو اختر Word أو PDF قابلًا للبحث ضمن الإخراج قبل البدء.
يجب على OCR الهندي أن يقرأ سطرًا متصلًا وليس سلسلة حروف منفصلة: فالخط العلوي يصل كل حروف الكلمة، وعلامات الحركات تقع فوق الحروف الساكنة وتحتها وقبلها، وتندمج الحروف الساكنة في مركّبات.
كيف يقرأ OCR للغة الهندية خط ديفاناغاري
تُكتب الهندية بخط الديفاناغاري، وتنص المادة 343 من دستور الهند على أنه خط اللغة الرسمية للاتحاد. وقد خصص له Unicode النطاق U+0900 إلى U+097F، وكل هاتف وحاسوب حديث يعرضه ويدعم الكتابة به. أما التعرف عليه من صورة فيختلف عن قراءة الطباعة اللاتينية لأن بنية هذا الخط مختلفة.
تتعلق الكلمات بخط علوي متصل يسمى shirorekha، فتتلامس الحروف ولا يمكن فصلها بالبحث عن فراغات. وتُكتب الحركات بعد الأولى على شكل matras ملتصقة بالحرف الساكن. وعندما يتجاور حرفان ساكنان أو أكثر بلا حركة بينهما فإنهما يندمجان في مركّب مثل क्ष أو त्र أو श्र. وتعالج محركات OCR الحديثة ذلك بقراءة أسطر كاملة بشبكات عصبية مدرَّبة على نصوص هندية؛ فمحرك Tesseract مفتوح المصدر مثلًا يضم نموذجًا هنديًا مخصصًا إلى جانب نموذج عام للديفاناغاري.
ولهذا فاختيار لغة المستند أهم للهندية منه لمعظم اللغات الأوروبية. فإذا اخترت الإنجليزية أنتجت الصفحة الهندية نصًا بلا معنى، وإذا اخترت الهندية توقع المحرك أشكال الديفاناغاري وطبّق أنماط الإملاء الهندية وكتب النتيجة بترتيب Unicode الصحيح. ولنظرة أشمل على اللغات والمخرجات راجع تحويل الصورة إلى نص.
خصائص ديفاناغاري التي تُصعّب تحويل الصورة الهندية إلى نص
| الميزة | مثال | أثرها على OCR |
|---|---|---|
| Shirorekha (الخط العلوي) | हिन्दी | حروف الكلمة متصلة، لذا يقرأ المحرك شكل الكلمة كاملًا لا حروفًا منفردة |
| Matra تُكتب أولًا | कि | تُرسم علامة ि قبل क لكنها تُخزَّن بعده في Unicode، لذا يجب عكس الترتيب المرئي |
| مركّبات مع halant | क्ष, ज्ञ, द्ध | يظهر حرفان ساكنان مع virama ् بشكل واحد مندمج يقابل ثلاث نقاط ترميز |
| Nukta | ज़, फ़ | نقطة صغيرة تحت الحرف؛ ويسهل أن تضيع أو تُضاف عند انخفاض الدقة أو وجود تشويش |
| Anusvara وchandrabindu | हं, हँ | علامات صغيرة فوق الخط العلوي تتشوش أولًا في الصور المضغوطة |
| الأرقام الديفاناغارية | ०१२३ | كثير من المستندات تخلطها مع 0–9، ويُحتفظ بكليهما كما هو مطبوع |
خط Kruti Dev وغيره من الخطوط الهندية القديمة
كُتبت مستندات هندية قديمة كثيرة بخطوط مثل Kruti Dev تضع أشكال الديفاناغاري على رموز لوحة المفاتيح الإنجليزية. تبدو صحيحة على الشاشة لكنها ليست نصًا هنديًا حقيقيًا، فيفشل النسخ والبحث والتدقيق الإملائي. ومخرجات OCR دائمًا بصيغة Unicode؛ وإذا كان اختبار طباعة أو قالب مكتبي ما زال يشترط Kruti Dev فيلزم تحويل منفصل من Unicode إلى Kruti Dev.
الحصول على نص هندي دقيق من صورة أو مسح ضوئي
العلامات الصغيرة هي ما يحدد الدقة في الهندية. فعلامة nukta أو chandrabindu لا يتجاوز ارتفاعها بضعة بكسلات، وهي أول ما يختفي في صورة ضبابية أو مضغوطة بشدة. امسح الصفحة ضوئيًا بدقة 300 DPI أو صوّرها بحيث تملأ الإطار، وأرسل الملف الأصلي لا نسخة أُعيد توجيهها عبر تطبيق دردشة.
تقويم الصفحات أهم من المعتاد، لأن الخط العلوي المائل يكسر السطر الذي يتتبعه المحرك. أبقه مفعّلًا، وفعّل تحسين التباين للصحف الباهتة والنماذج الحكومية القديمة والصور الملتقطة في إضاءة خافتة. واترك التعرّف أيضًا على على بلا للصفحات الهندية فقط؛ فإضافة لغة ثانية دون حاجة تخفض الدقة قليلًا.
أسئلة حول OCR للغة الهندية
هل يستطيع OCR للغة الهندية قراءة مستند مكتوب بخط Kruti Dev؟
نعم. يقرأ OCR أشكال الحروف المطبوعة على الصفحة وليس ملف الخط خلفها، لذا يُتعرَّف على نسخة مطبوعة أو ممسوحة ضوئيًا من مستند بخط Kruti Dev كما يُتعرَّف على أي نص هندي آخر. والنتيجة نص Unicode قياسي بالديفاناغاري، وليست ضغطات مفاتيح Kruti Dev.
لماذا يتحول النص الهندي المنسوخ من ملف PDF إلى حروف إنجليزية عشوائية؟
أُنشئ ملف PDF بخط قديم يخزّن أشكال الديفاناغاري على رموز أحرف لاتينية، لذلك يعطيك النسخ هذه الرموز، مثل fgUnh بدلًا من हिन्दी. أما تمرير الصفحات عبر OCR فيتجاهل تلك الرموز ويقرأ ما هو مرئي. ويمكن أيضًا لأداة OCR لملفات PDF أن تعيد طبقة نصية صحيحة إلى الملف.
ما الخط الذي ينبغي استخدامه لعرض النص الهندي المستخرج؟
أي خط Unicode يدعم الديفاناغاري. يتضمن Windows الخطين Mangal وNirmala UI، وتتضمن أجهزة Mac وiPhone خطوط ديفاناغاري أيضًا، وخط Noto Sans Devanagari من Google مجاني. إذا ظهرت مربعات فارغة فالتطبيق يستخدم خطًا لا يدعم الديفاناغاري، والملف ليس تالفًا.
هل يمكنه قراءة النص الهندي المكتوب بخط اليد؟
اضبط نوع النص على الكتابة اليدوية للملاحظات والنماذج المكتوبة بخط يد مرتب. النتائج أقل دقة من النص المطبوع وتحتاج إلى مراجعة دقيقة. وأصعب حالة هي الكتابة السريعة المتصلة ذات الخط العلوي غير المنتظم.
هل يعمل OCR للغة الهندية أيضًا مع الماراثية أو النيبالية أو السنسكريتية؟
تشترك هذه اللغات في خط الديفاناغاري، لذا يُتعرَّف على جزء كبير من النص، لكن المفردات وبعض الحروف تختلف. للماراثية خيار خاص ضمن لغة المستند يتعامل مع حروف مثل ळ بشكل أفضل. أما النيبالية والسنسكريتية فالهندية أقرب خيار لهما، والمراجعة أهم.
