Hindi OCR: iruditik hindi testura
Igo hindi testua duen argazki, pantaila-argazki edo eskaneatutako PDF bat, eta jaso Unicode Devanagari gisa, Word, WhatsApp, Google Docs edo inprimaki batean garbi itsasten dena. Dokumentuaren hizkuntza hindian ezarrita dago jada.
Iruditik testura
edo jaregin PDF, JPG, JPEG … fitxategiak hemen ·
Gehienez 95 MB fitxategiko· 20 fitxategi arte· 30 minutu geroago ezabatzen da
Fitxategiak gure zerbitzarietan prozesatzen dira eta 30 minutu geroago ezabatzen dira.
Bi hizkuntza nahasten dituzten orrietarako, adib. hindia ingeles hitzekin. Bestela utzi "Bat ere ez" aukeran; hizkuntza gehigarriak zehaztasuna apur bat murrizten du.
Mantendu aukerak zutabeak, paragrafoak eta taulak dauden lekuan uzten ditu. Soilak testu-bloke jarraitu bakarra ematen du, inprimakietan itsasteko errazagoa.
PDF eta orri anitzeko TIFF sarrera: irakurri orri guztiak, lehena bakarrik edo tarte bat.
Irakurri beharreko orriak, adib. 1-3, 5, 8-10.
Tresna hau nola erabili
- 1
Igo hindi orria
Gehitu JPG, PNG, HEIC edo TIFF irudiak edo PDF bat, gehienez 20 fitxategi, bakoitza 95 MB arte. Orriaren argazki zorrotz eta zuzena, egun-argitan atera bada, hobeto irakurtzen da.
- 2
Gehitu ingelesa orriak biak nahasten baditu
Dokumentuaren hizkuntza hindia da. Orrian ingelesezko hitzak, izenak edo kodeak ere badaude, ezarri Ezagutu hau ere ingelesera Ezarpen aurreratuak atalean; bestela, utzi hutsik.
- 3
Ezagutu testua
Sakatu Ezagutu testua eta deskargatu .txt fitxategia, edo hasi aurretik aukeratu Word edo bilaketa egin daitekeen PDF bat Irteera atalean.
Hindi OCRak lerro bat irakurri behar du, ez bereizitako letren segida bat: goiko lerroak hitz bateko karaktere guztiak lotzen ditu, bokal-zeinuak kontsonanteen gainean, azpian eta aurrean daude, eta kontsonanteak elkartu egiten dira lotura-letretan.
Nola irakurtzen duen Hindi OCRak Devanagari idazkera
Hindia Devanagari idazkeraz idazten da, eta Indiako Konstituzioaren 343. artikuluak Batasunaren hizkuntza ofizialaren idazkera dela dio. Unicodek U+0900 eta U+097F arteko blokea esleitzen dio, eta egungo telefono eta ordenagailu guztiek bistaratu eta idatz dezakete. Irudi batetik ezagutzea ez da inprimaki latinoa irakurtzea bezala, idazkera bestelakoa baita.
Hitzak goiko lerro jarraitu batetik zintzilik daude, shirorekha, beraz letrak elkarren ondoan ukitzen dira eta ezin dira hutsuneak bilatuz banatu. Lehenengoaren ondorengo bokalak kontsonanteari lotutako matra gisa idazten dira. Bokalik gabe segidan datozen bi kontsonante edo gehiago lotura-letra bakarrean batzen dira, adibidez क्ष, त्र edo श्र. OCR motor modernoek lerro osoak irakurriz konpontzen dute hori, hindi testuekin entrenatutako sare neuronalak erabiliz; kode irekiko Tesseract motorrak, adibidez, hindi eredu berezi bat dakar, Devanagari eredu orokor batekin batera.
Horregatik, Dokumentuaren hizkuntza aukeratzea garrantzitsuagoa da hindiarentzat Europako hizkuntza gehienentzat baino. Ingelesa hautatuta, hindi orri batek zentzugabekeriak ematen ditu; hindia hautatuta, motorrak Devanagari formak espero ditu, hindiaren ortografia-ereduak aplikatzen ditu eta emaitza Unicode ordena zuzenean idazten du. Hizkuntzen eta irteeren ikuspegi zabalagoa nahi baduzu, ikusi irudia testu bihurtzeko tresna.
Iruditik hindi testura igarotzea zailtzen duten Devanagariren ezaugarriak
| Ezaugarria | Adibidea | OCRrentzat zer esan nahi duen |
|---|---|---|
| Shirorekha (goiko lerroa) | हिन्दी | Hitz bateko letrak lotuta daude; beraz, motorrak karaktere isolatuak irakurri beharrean hitzaren forma osoa irakurtzen du |
| Lehenengo idazten den matra | कि | ि zeinua क baino lehen marrazten da, baina Unicodean ondoren gordetzen da; beraz, ordena bisuala alderantzikatu behar da |
| Halant bidezko lotura-letrak | क्ष, ज्ञ, द्ध | Bi kontsonantek eta ् virama zeinuak forma elkartu bakar gisa agertzen dira, hiru kode-punturi dagokiena |
| Nukta | ज़, फ़ | Letraren azpiko puntu txiki bat; bereizmen baxuak edo zaratak erraz kentzen edo gehitzen dute |
| Anusvara eta chandrabindu | हं, हँ | Goiko lerroaren gaineko marka txikiak, argazki konprimatuetan lehenik lausotzen direnak |
| Devanagari digituak | ०१२३ | Dokumentu askotan 0–9 digituekin nahasten dira, eta biak inprimatuta dauden bezala gordetzen dira |
Kruti Dev eta hindiaren beste letra-tipo zahar batzuk
Hindi dokumentu zahar askok Kruti Dev bezalako letra-tipoekin idatzi ziren, Devanagari formak ingeleseko teklatu-kodeetan jartzen dituztenak. Pantailan ondo ikusten dira, baina ez dira benetako hindi testua; beraz, kopiatzeak, bilatzeak eta ortografia-zuzenketak huts egiten dute. OCRren irteera beti da Unicode; idazketa-proba batek edo bulego-txantiloi batek Kruti Dev eskatzen badu oraindik, Unicode eta Kruti Dev arteko bihurketa bereizia behar da.
Hindi testu zehatza argazki edo eskaneatu batetik ateratzeko
Marka txikiek erabakitzen dute zehaztasuna hindian. Nukta edo chandrabindu bat pixel gutxi batzuk altu baino ez da, eta argazki lauso edo oso konprimatu batean desagertzen den lehen gauza da. Eskaneatu 300 DPIra edo atera argazkia orriak koadro osoa bete dezan, eta bidali jatorrizko fitxategia, ez txat-aplikazio baten bidez birbidalitako kopia.
Zuzendu orrialdeak ohikoa baino garrantzitsuagoa da, goiko lerro okertu batek motorrak jarraitzen duen lerroa hausten baitu. Utzi aktibatuta, eta aktibatu Hobetu kontrastea egunkari-paper zuritua, gobernuaren inprimaki zaharrak edo argi gutxiko argazkiak badira. Utzi Ezagutu hau ere hutsik hindiz soilik dauden orrietan; bigarren hizkuntza bat behar ez denean zehaztasuna apur bat jaisten da.
Hindi OCRari buruzko galderak
Hindi OCRak irakur dezake Kruti Dev letra-tipoarekin idatzitako dokumentu bat?
Bai. OCRak orrian inprimatutako letren formak irakurtzen ditu, ez atzean dagoen letra-tipoaren fitxategia; beraz, Kruti Dev dokumentu baten inprimaketa edo eskaneatzea beste edozein hindi testu bezala ezagutzen da. Emaitza Unicode Devanagari estandarra da, ez Kruti Dev tekla-sekuentziak.
Zergatik bihurtzen da PDFtik kopiatutako hindi testua ausazko ingeles letra?
PDFa letra-tipo zahar batekin egin zen, Devanagari formak karaktere latinoen kodeetan gordetzen dituena; horregatik, kopiatzean kodeak lortzen dituzu, adibidez fgUnh, हिन्दी ordez. Orriak OCRtik pasatzean kode horiek alde batera uzten dira eta ikusten dena irakurtzen da. OCR PDF tresnak testu-geruza zuzena ere jar diezaioke PDFari.
Zein letra-tipo erabili behar dut ateratako hindi testua erakusteko?
Devanagari onartzen duen edozein Unicode letra-tipo. Windowsek Mangal eta Nirmala UI ditu, Mac eta iPhoneek ere Devanagari letra-tipoak dituzte, eta Googleren Noto Sans Devanagari doakoa da. Laukitxo hutsak ikusten badituzu, aplikazioak Devanagaririk gabeko letra-tipoa erabiltzen ari da; fitxategia ez dago hautsita.
Eskuz idatzitako hindia irakur dezake?
Ezarri Testu mota Eskuz idatzia aukeran, eskuz idatzitako ohar eta inprimaki txukunetarako; emaitzak inprimatuarenak baino zakarragoak dira eta arretaz berrikusi behar dira. Idazkera azkar eta loturikoa, goiko lerro irregularrarekin, kasurik zailena da.
Hindi OCRak marathierarako, nepalerarako edo sanskritorako ere balio du?
Hizkuntza hauek Devanagari idazkera partekatzen dute, beraz testuaren zati handi bat ezagutzen da, baina hiztegia eta letra batzuk desberdinak dira. Marathiak bere aukera du Dokumentuaren hizkuntza atalean, eta ळ bezalako letrak hobeto kudeatzen ditu; nepalerarako eta sanskritorako hindia da aukerarik hurbilena, eta berrikuspena garrantzitsuagoa da.
