OCR en hindi: de imagen a texto en hindi
Suba una foto, captura de pantalla o PDF escaneado con texto en hindi y recíbalo como devanagari Unicode que se pega sin problemas en Word, WhatsApp, Google Docs o un formulario. Idioma del documento ya está en hindi.
Imagen a texto
o suelte aquí archivos PDF, JPG, JPEG … ·
Máx. 95 MB por archivo· Hasta 20 archivos· Se borran a los 30 minutos
Los archivos se procesan en nuestros servidores y se borran a los 30 minutos.
Para páginas que mezclan dos idiomas, por ejemplo hindi con palabras en inglés. En los demás casos, deje Ninguno; un idioma adicional reduce un poco la precisión.
Conservar mantiene las columnas, los párrafos y las tablas donde estaban. Continuo genera un único bloque de texto, más fácil de pegar en formularios.
Entradas PDF y TIFF multipágina: leer todas las páginas, solo la primera o un rango.
Páginas que se leerán, por ejemplo 1-3, 5, 8-10.
Cómo usar esta herramienta
- 1
Suba la página en hindi
Agregue imágenes JPG, PNG, HEIC o TIFF o un PDF, hasta 20 archivos de hasta 95 MB cada uno. Una foto nítida y recta de la página con luz de día es la que mejor se lee.
- 2
Añada inglés si la página mezcla ambos
Idioma del documento es hindi. Si la página también tiene palabras, nombres o códigos en inglés, ponga Reconocer también en inglés dentro de Opciones avanzadas; si no, déjelo en Ninguno.
- 3
Reconozca el texto
Pulse Reconocer texto y descargue el archivo .txt, o elija Word o un PDF buscable en Salida antes de empezar.
El OCR en hindi tiene que leer una línea, no una serie de letras sueltas: la línea superior une todos los caracteres de una palabra, los signos vocálicos van encima, debajo y delante de las consonantes, y las consonantes se funden en conjuntos.
Cómo lee el OCR en hindi la escritura devanagari
El hindi se escribe en devanagari, que el artículo 343 de la Constitución de la India designa como escritura de la lengua oficial de la Unión. Unicode le asigna el bloque U+0900 a U+097F, y cualquier teléfono o computadora moderna puede mostrarla y escribirla. Reconocerla en una imagen es otra cosa que leer letra latina impresa, porque la escritura se construye de otra manera.
Las palabras cuelgan de una línea superior continua, la shirorekha, así que las letras se tocan y no se pueden separar buscando huecos. Las vocales que no van al inicio se escriben como matras unidos a la consonante. Dos o más consonantes sin vocal entre ellas se funden en un conjunto como क्ष, त्र o श्र. Los motores de OCR modernos lo resuelven leyendo líneas enteras con redes neuronales entrenadas con texto en hindi; el motor de código abierto Tesseract, por ejemplo, incluye un modelo específico para hindi junto a uno general para devanagari.
Por eso elegir Idioma del documento importa más en hindi que en la mayoría de los idiomas europeos. Con inglés seleccionado, una página en hindi produce texto sin sentido; con hindi, el motor espera formas devanagari, aplica patrones ortográficos del hindi y escribe el resultado en el orden Unicode correcto. Para una visión más amplia de idiomas y salidas, vea el convertidor de imagen a texto.
Rasgos del devanagari que complican pasar una imagen a texto en hindi
| Rasgo | Ejemplo | Qué significa para el OCR |
|---|---|---|
| Shirorekha (línea superior) | हिन्दी | Las letras de una palabra están unidas, así que el motor lee la forma completa de la palabra en lugar de caracteres aislados |
| Matra escrito primero | कि | El signo de i ि se dibuja antes de क pero se guarda después en Unicode, así que hay que invertir el orden visual |
| Conjuntos con halant | क्ष, ज्ञ, द्ध | Dos consonantes más el virama ् aparecen como una sola forma fundida que corresponde a tres puntos de código |
| Nukta | ज़, फ़ | Un punto pequeño bajo la letra; la baja resolución o el ruido lo borran o lo añaden con facilidad |
| Anusvara y chandrabindu | हं, हँ | Marcas diminutas sobre la línea superior que son lo primero en desdibujarse en fotos comprimidas |
| Dígitos devanagari | ०१२३ | Muchos documentos los mezclan con 0–9, y ambos se conservan tal como están impresos |
Kruti Dev y otras fuentes antiguas para hindi
Muchos documentos antiguos en hindi se escribieron con fuentes como Kruti Dev, que colocan formas devanagari en códigos del teclado inglés. Se ven bien en pantalla pero no son texto en hindi real, así que copiar, buscar y revisar la ortografía fallan. La salida del OCR siempre es Unicode; si una prueba de mecanografía o una plantilla de oficina sigue exigiendo Kruti Dev, hace falta una conversión aparte de Unicode a Kruti Dev.
Cómo obtener texto en hindi preciso de una foto o un escaneo
En hindi, las marcas pequeñas deciden la precisión. Un nukta o un chandrabindu mide solo unos pocos píxeles y es lo primero que desaparece en una foto borrosa o muy comprimida. Escanee a 300 DPI o fotografíe la página de modo que llene el encuadre, y envíe el archivo original en lugar de una copia reenviada por una app de mensajería.
Enderezar páginas importa más de lo habitual, porque una línea superior inclinada rompe la línea que sigue el motor. Déjelo activado, y active Mejorar contraste para papel de periódico desvaído, formularios oficiales antiguos o fotos tomadas con poca luz. Deje Reconocer también en Ninguno para páginas solo en hindi; un segundo idioma reduce un poco la precisión cuando no hace falta.
Preguntas sobre el OCR en hindi
¿El OCR en hindi puede leer un documento escrito con Kruti Dev?
Sí. El OCR lee las formas de las letras impresas en la página, no el archivo de fuente que hay detrás, así que una impresión o un escaneo de un documento en Kruti Dev se reconoce como cualquier otro texto en hindi. El resultado es devanagari Unicode estándar, no pulsaciones de teclado de Kruti Dev.
¿Por qué el texto en hindi que copio de mi PDF se convierte en letras latinas al azar?
El PDF se creó con una fuente antigua que guarda las formas devanagari en códigos de caracteres latinos, así que al copiar obtiene esos códigos, por ejemplo fgUnh en lugar de हिन्दी. Pasar las páginas por OCR ignora esos códigos y lee lo que se ve. OCR para PDF también puede volver a poner una capa de texto correcta en el PDF.
¿Qué fuente debo usar para mostrar el texto en hindi extraído?
Cualquier fuente Unicode compatible con devanagari. Windows incluye Mangal y Nirmala UI, las Mac y los iPhone también traen fuentes devanagari, y Noto Sans Devanagari de Google es gratuita. Si ve cuadros vacíos, la app está usando una fuente sin devanagari; el archivo no está dañado.
¿Puede leer hindi escrito a mano?
Ponga Tipo de texto en Manuscrito para notas y formularios escritos a mano con letra clara; los resultados son más toscos que con texto impreso y requieren una revisión cuidadosa. La letra rápida y ligada, con una línea superior irregular, es el caso más difícil.
¿El OCR en hindi sirve también para maratí, nepalí o sánscrito?
Estos idiomas comparten la escritura devanagari, así que buena parte del texto se reconoce, pero el vocabulario y algunas letras cambian. El maratí tiene su propia opción en Idioma del documento, que maneja mejor letras como ळ; para nepalí y sánscrito, el hindi es la opción más cercana y la revisión importa más.
