Hindi-OCR: Hindi-Text aus Bild erkennen
Laden Sie ein Foto, einen Screenshot oder ein gescanntes PDF mit Hindi-Text hoch und erhalten Sie den Text als Unicode-Devanagari zurück, der sich sauber in Word, WhatsApp, Google Docs oder ein Formular einfügen lässt. Sprache des Dokuments ist bereits auf Hindi eingestellt.
Bild in Text
oder PDF, JPG, JPEG …-Dateien hierher ziehen ·
Max. 95 MB pro Datei· Bis zu 20 Dateien· Gelöscht nach 30 Minuten
Dateien werden auf unseren Servern verarbeitet und nach 30 Minuten gelöscht.
Für Seiten mit zwei Sprachen, z. B. Hindi mit englischen Wörtern. Lassen Sie sonst Keine eingestellt; eine zusätzliche Sprache senkt die Genauigkeit leicht.
Beibehalten belässt Spalten, Absätze und Tabellen an ihrer Stelle. Nur Text gibt einen durchgehenden Textblock aus, der sich leichter in Formulare einfügen lässt.
Bei PDF und mehrseitigem TIFF: alle Seiten lesen, nur die erste oder einen Bereich.
Zu lesende Seiten, z. B. 1-3, 5, 8-10.
So verwenden Sie dieses Tool
- 1
Hindi-Seite hochladen
Fügen Sie JPG-, PNG-, HEIC- oder TIFF-Bilder oder ein PDF hinzu, bis zu 20 Dateien mit jeweils bis zu 95 MB. Ein scharfes, gerades Foto der Seite bei Tageslicht wird am besten erkannt.
- 2
Englisch hinzufügen, wenn die Seite beide Sprachen enthält
Als Sprache des Dokuments wählen Sie Hindi. Enthält die Seite auch englische Wörter, Namen oder Codes, stellen Sie unter Erweiterte Einstellungen bei Zusätzlich erkennen Englisch ein; andernfalls lassen Sie es auf „Keine“.
- 3
Text erkennen
Klicken Sie auf Text erkennen und laden Sie die .txt-Datei herunter. Oder wählen Sie vorab unter Ausgabe Word oder ein durchsuchbares PDF.
Bei Hindi muss die Texterkennung eine ganze Zeile lesen, nicht einzelne Buchstaben: Die Kopflinie verbindet alle Zeichen eines Wortes, Vokalzeichen stehen über, unter und vor den Konsonanten, und Konsonanten verschmelzen zu Ligaturen.
So erkennt die Hindi-OCR die Devanagari-Schrift
Hindi wird in Devanagari geschrieben, das Artikel 343 der indischen Verfassung als Schrift der Amtssprache der Union nennt. Unicode weist ihr den Bereich U+0900 bis U+097F zu, und jedes moderne Smartphone und jeder Computer kann sie anzeigen und eingeben. Sie aus einem Bild zu erkennen ist etwas anderes als lateinischen Druck zu lesen, denn die Schrift ist anders aufgebaut.
Wörter hängen an einer durchgehenden oberen Linie, der Shirorekha, sodass sich Buchstaben berühren und nicht anhand von Lücken getrennt werden können. Vokale nach dem ersten werden als Matras an den Konsonanten angefügt. Zwei oder mehr Konsonanten ohne Vokal dazwischen verschmelzen zu einer Ligatur wie क्ष, त्र oder श्र. Moderne OCR-Engines lösen das, indem sie ganze Zeilen mit neuronalen Netzen lesen, die auf Hindi-Text trainiert wurden. Die Open-Source-Engine Tesseract liefert zum Beispiel ein eigenes Hindi-Modell neben einem allgemeinen Devanagari-Modell mit.
Darum ist die Wahl der Sprache des Dokuments bei Hindi wichtiger als bei den meisten europäischen Sprachen. Ist Englisch gewählt, ergibt eine Hindi-Seite Unsinn; bei Hindi erwartet die Engine Devanagari-Formen, wendet Hindi-Schreibmuster an und schreibt das Ergebnis in der richtigen Unicode-Reihenfolge. Einen allgemeineren Überblick über Sprachen und Ausgabeformate finden Sie beim Bild-in-Text-Konverter.
Devanagari-Merkmale, die die Texterkennung bei Hindi erschweren
| Merkmal | Beispiel | Bedeutung für die Texterkennung |
|---|---|---|
| Shirorekha (Kopflinie) | हिन्दी | Die Buchstaben eines Wortes sind verbunden, daher liest die Engine die gesamte Wortform statt einzelner Zeichen |
| Zuerst geschriebene Matra | कि | Das i-Zeichen ि wird vor क gezeichnet, aber in Unicode danach gespeichert, daher muss die visuelle Reihenfolge umgekehrt werden |
| Ligaturen mit Halant | क्ष, ज्ञ, द्ध | Zwei Konsonanten plus das Virama ् erscheinen als eine verschmolzene Form, die drei Codepunkten entspricht |
| Nukta | ज़, फ़ | Ein kleiner Punkt unter dem Buchstaben; bei niedriger Auflösung oder Bildrauschen geht er leicht verloren oder kommt fälschlich hinzu |
| Anusvara und Chandrabindu | हं, हँ | Winzige Zeichen über der Kopflinie, die in komprimierten Fotos als Erstes verschwimmen |
| Devanagari-Ziffern | ०१२३ | Viele Dokumente mischen sie mit 0–9, und beide bleiben so erhalten, wie sie gedruckt sind |
Kruti Dev und andere ältere Hindi-Schriftarten
Viele ältere Hindi-Dokumente wurden in Schriften wie Kruti Dev getippt, die Devanagari-Formen auf englische Tastaturcodes legen. Sie sehen auf dem Bildschirm richtig aus, sind aber kein echter Hindi-Text, daher funktionieren Kopieren, Suchen und Rechtschreibprüfung nicht. Die OCR-Ausgabe ist immer Unicode; verlangt ein Tipptest oder eine Büro-Vorlage weiterhin Kruti Dev, ist eine separate Umwandlung von Unicode in Kruti Dev nötig.
Hindi-Text genau aus einem Foto oder Scan erkennen
Bei Hindi entscheiden kleine Zeichen über die Genauigkeit. Ein Nukta oder Chandrabindu ist nur wenige Pixel hoch und verschwindet in einem unscharfen oder stark komprimierten Foto als Erstes. Scannen Sie mit 300 DPI oder fotografieren Sie die Seite bildfüllend, und senden Sie die Originaldatei statt einer über einen Messenger weitergeleiteten Kopie.
Seiten gerade ausrichten ist hier wichtiger als sonst, denn eine schräge Kopflinie stört die Zeile, der die Engine folgt. Lassen Sie die Option an und aktivieren Sie Kontrast verbessern bei verblasstem Zeitungspapier, alten Behördenformularen oder Fotos bei schwachem Licht. Lassen Sie Zusätzlich erkennen bei rein hindisprachigen Seiten auf „Keine“; eine zweite Sprache senkt die Genauigkeit leicht, wenn sie nicht gebraucht wird.
Fragen zur Hindi-OCR
Kann die Hindi-OCR ein Dokument lesen, das in Kruti Dev geschrieben wurde?
Ja. Die Texterkennung liest die auf der Seite gedruckten Buchstabenformen, nicht die dahinterliegende Schriftdatei. Ein Ausdruck oder Scan eines Kruti-Dev-Dokuments wird daher wie jeder andere Hindi-Text erkannt. Das Ergebnis ist Standard-Unicode in Devanagari, keine Kruti-Dev-Tastaturcodes.
Warum wird Hindi-Text, den ich aus meinem PDF kopiere, zu wahllosen lateinischen Buchstaben?
Das PDF wurde mit einer veralteten Schriftart erstellt, die Devanagari-Formen auf lateinischen Zeichencodes ablegt. Beim Kopieren erhalten Sie deshalb die Codes, zum Beispiel fgUnh statt हिन्दी. Die Texterkennung ignoriert diese Codes und liest, was sichtbar ist. Mit OCR PDF können Sie dem PDF außerdem eine korrekte Textebene hinzufügen.
Welche Schriftart sollte ich verwenden, um den erkannten Hindi-Text anzuzeigen?
Jede Unicode-Schriftart mit Devanagari-Unterstützung. Windows enthält Mangal und Nirmala UI, auch Macs und iPhones bringen Devanagari-Schriften mit, und Googles Noto Sans Devanagari ist kostenlos. Sehen Sie leere Kästchen, verwendet die App eine Schrift ohne Devanagari; die Datei ist nicht defekt.
Kann die Texterkennung handgeschriebenes Hindi lesen?
Stellen Sie Textart auf Handschrift, um saubere handschriftliche Notizen und Formulare zu lesen. Die Ergebnisse sind ungenauer als bei Druckschrift und müssen sorgfältig korrigiert werden. Zusammenhängende, schnelle Handschrift mit unregelmäßiger Kopflinie ist der schwierigste Fall.
Funktioniert die Hindi-OCR auch für Marathi, Nepali oder Sanskrit?
Diese Sprachen verwenden dieselbe Devanagari-Schrift, daher wird ein großer Teil des Textes erkannt, doch Wortschatz und einige Buchstaben unterscheiden sich. Marathi hat unter Sprache des Dokuments eine eigene Auswahl, die Buchstaben wie ळ besser erkennt. Für Nepali und Sanskrit ist Hindi die nächstliegende Option, und das Korrekturlesen ist wichtiger.
