OCR Χίντι: εικόνα σε κείμενο Χίντι
Ανεβάστε μια φωτογραφία, ένα στιγμιότυπο οθόνης ή ένα σαρωμένο PDF με κείμενο στα Χίντι και πάρτε το πίσω ως Ντεβαναγκάρι σε Unicode, που επικολλάται σωστά σε Word, WhatsApp, Google Docs ή σε μια φόρμα. Η Γλώσσα εγγράφου είναι ήδη ρυθμισμένη στα Χίντι.
Εικόνα σε κείμενο
ή σύρετε Αρχεία PDF, JPG, JPEG … εδώ ·
Έως 95 MB ανά αρχείο· Έως 20 αρχεία· Διαγραφή μετά από 30 λεπτά
Τα αρχεία επεξεργάζονται στους διακομιστές μας και διαγράφονται μετά από 30 λεπτά.
Για σελίδες που αναμειγνύουν δύο γλώσσες, π.χ. Χίντι με αγγλικές λέξεις. Αλλιώς αφήστε «Καμία»· μια επιπλέον γλώσσα μειώνει ελαφρά την ακρίβεια.
Η διατήρηση κρατά στήλες, παραγράφους και πίνακες στη θέση τους. Το απλό δίνει ένα συνεχές μπλοκ κειμένου, ευκολότερο στην επικόλληση σε φόρμες.
Για είσοδο PDF και TIFF πολλών σελίδων: ανάγνωση όλων των σελίδων, μόνο της πρώτης ή ενός εύρους.
Σελίδες προς ανάγνωση, π.χ. 1-3, 5, 8-10.
Πώς να χρησιμοποιήσετε αυτό το εργαλείο
- 1
Ανεβάστε τη σελίδα στα Χίντι
Προσθέστε εικόνες JPG, PNG, HEIC ή TIFF ή ένα PDF, έως 20 αρχεία με μέγεθος έως 95 MB το καθένα. Μια καθαρή, ίσια φωτογραφία της σελίδας με φως ημέρας δίνει το καλύτερο αποτέλεσμα.
- 2
Προσθέστε τα αγγλικά αν η σελίδα έχει και τις δύο γλώσσες
Στη Γλώσσα εγγράφου επιλέξτε Hindi. Αν η σελίδα περιέχει και αγγλικές λέξεις, ονόματα ή κωδικούς, ορίστε το Αναγνώριση επίσης σε English στις Σύνθετες ρυθμίσεις· διαφορετικά αφήστε το στο καμία.
- 3
Αναγνωρίστε το κείμενο
Πατήστε Αναγνώριση κειμένου και κατεβάστε το αρχείο .txt ή, πριν ξεκινήσετε, επιλέξτε Word ή PDF με δυνατότητα αναζήτησης στο Έξοδος.
Το OCR για Χίντι πρέπει να διαβάσει μια γραμμή και όχι μια σειρά από ξεχωριστά γράμματα: η επάνω γραμμή ενώνει όλους τους χαρακτήρες μιας λέξης, τα φωνήεντα γράφονται πάνω, κάτω και πριν από τα σύμφωνα, και τα σύμφωνα συντήκονται σε συμπλέγματα.
Πώς διαβάζει το OCR Χίντι τη γραφή Ντεβαναγκάρι
Τα Χίντι γράφονται σε Devanagari, το οποίο το Άρθρο 343 του Συντάγματος της Ινδίας ορίζει ως το αλφάβητο της επίσημης γλώσσας της Ένωσης. Το Unicode του αντιστοιχίζει το μπλοκ U+0900 έως U+097F και κάθε σύγχρονο κινητό και υπολογιστής μπορεί να το εμφανίσει και να το πληκτρολογήσει. Η αναγνώρισή του από εικόνα διαφέρει από την ανάγνωση λατινικού τυπογραφικού κειμένου, επειδή το αλφάβητο είναι δομημένο διαφορετικά.
Οι λέξεις κρέμονται από μια συνεχή επάνω γραμμή, τη shirorekha, επομένως τα γράμματα αγγίζουν το ένα το άλλο και δεν μπορούν να διαχωριστούν αναζητώντας κενά. Τα φωνήεντα μετά το πρώτο γράφονται ως matras προσαρτημένες στο σύμφωνο. Δύο ή περισσότερα σύμφωνα χωρίς φωνήεν ανάμεσά τους ενώνονται σε σύμπλεγμα όπως τα क्ष, त्र ή श्र. Οι σύγχρονες μηχανές OCR το χειρίζονται διαβάζοντας ολόκληρες γραμμές με νευρωνικά δίκτυα εκπαιδευμένα σε κείμενα Χίντι· η μηχανή ανοιχτού κώδικα Tesseract, για παράδειγμα, περιλαμβάνει ειδικό μοντέλο για Χίντι δίπλα σε ένα γενικό μοντέλο Devanagari.
Γι' αυτό η επιλογή της Γλώσσας εγγράφου μετράει περισσότερο στα Χίντι απ' ό,τι στις περισσότερες ευρωπαϊκές γλώσσες. Με επιλεγμένα τα Αγγλικά, μια σελίδα στα Χίντι δίνει ακατάληπτο κείμενο· με επιλεγμένα τα Χίντι, η μηχανή περιμένει σχήματα Devanagari, εφαρμόζει ορθογραφικά πρότυπα των Χίντι και γράφει το αποτέλεσμα στη σωστή σειρά Unicode. Για γενικότερη επισκόπηση γλωσσών και εξόδων, δείτε τον μετατροπέα εικόνας σε κείμενο.
Χαρακτηριστικά της Ντεβαναγκάρι που δυσκολεύουν τη μετατροπή εικόνας σε κείμενο Χίντι
| Χαρακτηριστικό | Παράδειγμα | Τι σημαίνει για το OCR |
|---|---|---|
| Shirorekha (επάνω γραμμή) | हिन्दी | Τα γράμματα μιας λέξης είναι ενωμένα, οπότε η μηχανή διαβάζει το σχήμα ολόκληρης της λέξης και όχι μεμονωμένους χαρακτήρες |
| Matra που γράφεται πρώτη | कि | Το σημάδι ι ि σχεδιάζεται πριν από το क αλλά αποθηκεύεται μετά από αυτό στο Unicode, οπότε η οπτική σειρά πρέπει να αντιστραφεί |
| Συμπλέγματα με halant | क्ष, ज्ञ, द्ध | Δύο σύμφωνα συν το virama ् εμφανίζονται ως ένα ενιαίο σχήμα που αντιστοιχεί σε τρία code points |
| Nukta | ज़, फ़ | Μια μικρή τελεία κάτω από το γράμμα· η χαμηλή ανάλυση ή ο θόρυβος εύκολα την αφαιρούν ή την προσθέτουν |
| Anusvara και chandrabindu | हं, हँ | Μικροσκοπικά σημάδια πάνω από την επάνω γραμμή που θολώνουν πρώτα στις συμπιεσμένες φωτογραφίες |
| Ψηφία Devanagari | ०१२३ | Πολλά έγγραφα τα αναμειγνύουν με 0–9 και διατηρούνται και τα δύο όπως είναι τυπωμένα |
Kruti Dev και άλλες παλιές γραμματοσειρές Χίντι
Πολλά παλαιότερα έγγραφα στα Χίντι πληκτρολογήθηκαν με γραμματοσειρές όπως η Kruti Dev, που τοποθετούν σχήματα Devanagari σε κωδικούς αγγλικού πληκτρολογίου. Στην οθόνη φαίνονται σωστά, αλλά δεν είναι πραγματικό κείμενο Χίντι, οπότε η αντιγραφή, η αναζήτηση και ο ορθογραφικός έλεγχος αποτυγχάνουν. Η έξοδος του OCR είναι πάντα Unicode· αν ένα τεστ πληκτρολόγησης ή ένα πρότυπο γραφείου απαιτεί ακόμη Kruti Dev, χρειάζεται ξεχωριστή μετατροπή από Unicode σε Kruti Dev.
Ακριβές κείμενο Χίντι από φωτογραφία ή σάρωση
Τα μικρά σημάδια καθορίζουν την ακρίβεια στα Χίντι. Μια nukta ή ένα chandrabindu έχει ύψος μόλις λίγα pixel και είναι το πρώτο που εξαφανίζεται σε θολή ή πολύ συμπιεσμένη φωτογραφία. Σαρώστε στα 300 DPI ή φωτογραφίστε τη σελίδα ώστε να γεμίζει το κάδρο και στείλτε το πρωτότυπο αρχείο και όχι αντίγραφο που προωθήθηκε μέσω εφαρμογής συνομιλίας.
Το Ίσιωμα σελίδων έχει μεγαλύτερη σημασία από το συνηθισμένο, επειδή μια κεκλιμένη επάνω γραμμή χαλάει τη γραμμή που ακολουθεί η μηχανή. Αφήστε το ενεργό και ενεργοποιήστε τη Βελτίωση αντίθεσης για ξεθωριασμένο εφημεριδόχαρτο, παλιές κρατικές φόρμες ή φωτογραφίες με χαμηλό φωτισμό. Αφήστε το Αναγνώριση επίσης στο καμία για σελίδες μόνο στα Χίντι· μια δεύτερη γλώσσα μειώνει ελαφρά την ακρίβεια όταν δεν χρειάζεται.
Ερωτήσεις για το OCR Χίντι
Μπορεί το OCR Χίντι να διαβάσει έγγραφο που πληκτρολογήθηκε σε Kruti Dev;
Ναι. Το OCR διαβάζει τα σχήματα των γραμμάτων που είναι τυπωμένα στη σελίδα και όχι το αρχείο της γραμματοσειράς πίσω από αυτά, επομένως μια εκτύπωση ή σάρωση εγγράφου Kruti Dev αναγνωρίζεται όπως κάθε άλλο κείμενο στα Χίντι. Το αποτέλεσμα είναι τυπικό Unicode Devanagari και όχι πατήματα πλήκτρων Kruti Dev.
Γιατί το κείμενο Χίντι που αντιγράφω από το PDF μου γίνεται τυχαία αγγλικά γράμματα;
Το PDF δημιουργήθηκε με παλαιού τύπου γραμματοσειρά που αποθηκεύει σχήματα Devanagari σε λατινικούς κωδικούς χαρακτήρων, οπότε η αντιγραφή δίνει τους κωδικούς, για παράδειγμα fgUnh αντί για हिन्दी. Το OCR αγνοεί αυτούς τους κωδικούς και διαβάζει ό,τι φαίνεται. Το OCR PDF μπορεί επίσης να προσθέσει ξανά ένα σωστό επίπεδο κειμένου στο PDF.
Ποια γραμματοσειρά να χρησιμοποιήσω για να εμφανίσω το κείμενο Χίντι που εξήχθη;
Οποιαδήποτε γραμματοσειρά Unicode με υποστήριξη Devanagari. Τα Windows περιλαμβάνουν τις Mangal και Nirmala UI, τα Mac και τα iPhone περιλαμβάνουν επίσης γραμματοσειρές Devanagari, και η Noto Sans Devanagari της Google είναι δωρεάν. Αν βλέπετε κενά τετραγωνάκια, η εφαρμογή χρησιμοποιεί γραμματοσειρά χωρίς Devanagari και όχι χαλασμένο αρχείο.
Μπορεί να διαβάσει χειρόγραφα Χίντι;
Ορίστε τον Τύπο κειμένου σε Χειρόγραφο για προσεγμένες χειρόγραφες σημειώσεις και φόρμες· τα αποτελέσματα είναι πιο ανακριβή απ' ό,τι στο τυπωμένο κείμενο και χρειάζονται προσεκτική διόρθωση. Το γρήγορο, συνεχές χειρόγραφο με ανώμαλη επάνω γραμμή είναι η δυσκολότερη περίπτωση.
Λειτουργεί το OCR Χίντι και για Μαράθι, Νεπαλικά ή Σανσκριτικά;
Αυτές οι γλώσσες μοιράζονται το ίδιο αλφάβητο Devanagari, οπότε μεγάλο μέρος του κειμένου αναγνωρίζεται, αλλά το λεξιλόγιο και μερικά γράμματα διαφέρουν. Τα Μαραθικά έχουν δική τους επιλογή στη Γλώσσα εγγράφου, που χειρίζεται καλύτερα γράμματα όπως το ळ· για τα Νεπαλικά και τα Σανσκριτικά, τα Χίντι είναι η πιο κοντινή επιλογή και η διόρθωση έχει μεγαλύτερη σημασία.
