OCR pro hindštinu: obrázek na hindský text
Nahrajte fotku, snímek obrazovky nebo naskenované PDF s hindským textem a získáte ho zpět jako Unicode text v dévanágarí, který se bez problémů vloží do Wordu, WhatsAppu, Google Docs nebo do formuláře. Jazyk dokumentu je už nastavený na hindštinu.
Obrázek na text
nebo sem přetáhněte soubory PDF, JPG, JPEG … ·
Max. 95 MB na soubor· Až 20 souborů· Smazáno po 30 minutách
Soubory se zpracovávají na našich serverech a po 30 minutách se smažou.
Pro stránky, které míchají dva jazyky, např. hindštinu s anglickými slovy. Jinak nechte Žádný; další jazyk mírně snižuje přesnost.
Zachovat ponechá sloupce, odstavce a tabulky na původním místě. Prostý text vypíše jeden souvislý blok, který se snáze vkládá do formulářů.
Pro PDF a vícestránkové TIFF: přečíst všechny stránky, jen první, nebo zadaný rozsah.
Stránky ke čtení, např. 1-3, 5, 8-10.
Jak nástroj používat
- 1
Nahrajte hindskou stránku
Přidejte obrázky JPG, PNG, HEIC nebo TIFF, případně PDF, nejvýše 20 souborů po 95 MB. Nejlépe se čte ostrá, rovně vyfocená stránka při denním světle.
- 2
Přidejte angličtinu, pokud stránka obsahuje oba jazyky
Jazyk dokumentu je hindština. Pokud jsou na stránce i anglická slova, jména nebo kódy, nastavte v části Pokročilá nastavení u položky Rozpoznat také angličtinu, jinak nechte možnost Žádný.
- 3
Rozpoznejte text
Stiskněte Rozpoznat text a stáhněte soubor .txt, nebo si před spuštěním vyberte v části Výstup Word či prohledávatelné PDF.
OCR hindštiny musí číst řádek, ne řadu oddělených písmen: horní čára spojuje všechny znaky ve slově, samohláskové znaménka stojí nad souhláskami, pod nimi i před nimi a souhlásky splývají do ligatur.
Jak OCR pro hindštinu čte písmo dévanágarí
Hindština se píše devanágarí, které článek 343 indické ústavy uvádí jako písmo úředního jazyka Unie. Unicode mu přidělil blok U+0900 až U+097F a každý moderní telefon i počítač je umí zobrazit a psát. Rozpoznat ho z obrázku je ale něco jiného než číst latinku, protože písmo je postavené jinak.
Slova visí na souvislé horní čáře, širorekze, takže se písmena dotýkají a nelze je oddělit hledáním mezer. Samohlásky po první se píšou jako matry připojené k souhlásce. Dvě či více souhlásek bez samohlásky mezi nimi splyne v ligaturu, například क्ष, त्र nebo श्र. Moderní OCR to řeší čtením celých řádků pomocí neuronových sítí vycvičených na hindském textu; open-source engine Tesseract má například samostatný model pro hindštinu vedle obecného modelu pro devanágarí.
Proto je u hindštiny volba v nabídce Jazyk dokumentu důležitější než u většiny evropských jazyků. Při zvolené angličtině vznikne z hindské stránky nesmysl; při zvolené hindštině engine očekává tvary devanágarí, uplatní hindské pravopisné vzorce a výsledek zapíše ve správném pořadí Unicode. Širší přehled jazyků a výstupů najdete v převodníku obrázku na text.
Vlastnosti dévanágarí, které ztěžují převod hindského obrázku na text
| Znak písma | Příklad | Co to znamená pro OCR |
|---|---|---|
| Širorekha (horní čára) | हिन्दी | Písmena ve slově jsou spojená, takže engine čte tvar celého slova, ne izolované znaky |
| Matra psaná jako první | कि | Znaménko ि se kreslí před क, ale v Unicode se ukládá za ním, takže je nutné obrátit vizuální pořadí |
| Ligatury s halantem | क्ष, ज्ञ, द्ध | Dvě souhlásky plus virama ् se zobrazí jako jeden splynulý tvar, který odpovídá třem kódovým bodům |
| Nukta | ज़, फ़ | Malá tečka pod písmenem; nízké rozlišení nebo šum ji snadno vynechá či přidá |
| Anusvara a čandrabindu | हं, हँ | Drobné značky nad horní čarou, které se v komprimovaných fotkách rozmažou jako první |
| Číslice devanágarí | ०१२३ | Mnoho dokumentů je mísí s číslicemi 0–9 a obojí se zachová tak, jak je vytištěno |
Kruti Dev a další starší hindské fonty
Mnoho starších hindských dokumentů se psalo v písmech jako Kruti Dev, která umísťují tvary devanágarí na kódy anglické klávesnice. Na obrazovce vypadají správně, ale nejde o skutečný hindský text, takže kopírování, hledání i kontrola pravopisu selžou. Výstup OCR je vždy Unicode; pokud test psaní nebo kancelářská šablona stále vyžaduje Kruti Dev, je potřeba samostatný převod z Unicode do Kruti Dev.
Jak získat přesný hindský text z fotky nebo skenu
O přesnosti v hindštině rozhodují drobné značky. Nukta nebo čandrabindu mají jen pár pixelů a v rozmazané či silně komprimované fotce zmizí jako první. Skenujte při 300 DPI nebo stránku vyfoťte tak, aby vyplnila celý snímek, a pošlete původní soubor, ne kopii přeposlanou přes chatovací aplikaci.
Narovnat stránky je důležitější než obvykle, protože nakloněná horní čára naruší řádek, který engine sleduje. Nechte volbu zapnutou a u vybledlého novinového papíru, starých úředních formulářů nebo fotek pořízených za šera zapněte Zvýšit kontrast. U stránek jen v hindštině nechte Rozpoznat také na žádném jazyku; zbytečný druhý jazyk přesnost mírně snižuje.
Otázky k OCR pro hindštinu
Přečte OCR pro hindštinu dokument napsaný fontem Kruti Dev?
Ano. OCR čte tvary písmen vytištěné na stránce, nikoli soubor písma, který za nimi stojí, takže výtisk nebo sken dokumentu v písmu Kruti Dev se rozpozná stejně jako jakýkoli jiný hindský text. Výsledkem je standardní Unicode devanágarí, ne stisky kláves Kruti Dev.
Proč se hindský text zkopírovaný z mého PDF změní na náhodná anglická písmena?
PDF vzniklo se starším písmem, které ukládá tvary devanágarí pod kódy latinských znaků, takže kopírováním získáte kódy, například fgUnh místo हिन्दी. OCR tyto kódy ignoruje a čte to, co je vidět. OCR PDF umí do PDF vložit i správnou textovou vrstvu.
Jaký font mám použít k zobrazení rozpoznaného hindského textu?
Libovolné písmo Unicode s podporou devanágarí. Windows obsahuje Mangal a Nirmala UI, Mac a iPhone mají také písma pro devanágarí a Noto Sans Devanagari od Googlu je zdarma. Pokud vidíte prázdné čtverečky, aplikace používá písmo bez devanágarí, soubor není poškozený.
Přečte i ručně psanou hindštinu?
U položky Typ textu zvolte Rukopis pro úhledné ručně psané poznámky a formuláře. Výsledky jsou horší než u tisku a vyžadují pečlivou kontrolu. Nejtěžší je spojitý, rychlý rukopis s nerovnou horní čarou.
Funguje OCR pro hindštinu i pro maráthštinu, nepálštinu nebo sanskrt?
Tyto jazyky sdílejí písmo devanágarí, takže velká část textu se rozpozná, ale slovní zásoba a několik písmen se liší. Maráthština má v nabídce Jazyk dokumentu vlastní volbu, která si lépe poradí s písmeny jako ळ. U nepálštiny a sanskrtu je nejbližší hindština a o to důležitější je kontrola textu.
