OCR hindi : convertir une image en texte hindi
Importez une photo, une capture d'écran ou un PDF scanné contenant du texte hindi et récupérez-le en devanagari Unicode, qui se colle proprement dans Word, WhatsApp, Google Docs ou un formulaire. La Langue du document est déjà réglée sur le hindi.
Image en texte
ou déposez Fichiers PDF, JPG, JPEG … ici ·
95 Mo max. par fichier· Jusqu'à 20 fichiers· Supprimés après 30 minutes
Les fichiers sont traités sur nos serveurs et supprimés après 30 minutes.
Pour les pages mêlant deux langues, par ex. de l'hindi avec des mots anglais. Laissez sur aucune sinon ; une langue supplémentaire réduit légèrement la précision.
Conserver garde les colonnes, paragraphes et tableaux à leur place. Texte continu produit un seul bloc de texte, plus facile à coller dans des formulaires.
Pour les fichiers PDF et TIFF multipages : lire toutes les pages, seulement la première, ou une plage.
Pages à lire, par ex. 1-3, 5, 8-10.
Comment utiliser cet outil
- 1
Importez la page en hindi
Ajoutez des images JPG, PNG, HEIC ou TIFF, ou un PDF : jusqu'à 20 fichiers de 95 Mo chacun. Une photo nette et bien droite de la page, prise en pleine lumière, donne les meilleurs résultats.
- 2
Ajoutez l'anglais si la page mélange les deux
Langue du document est réglée sur Hindi. Si la page contient aussi des mots, des noms ou des codes en anglais, réglez Reconnaître aussi sur Anglais dans les Réglages avancés ; sinon, laissez Aucune.
- 3
Lancez la reconnaissance du texte
Cliquez sur Reconnaître le texte puis téléchargez le fichier .txt, ou choisissez Word ou un PDF avec texte recherchable dans Sortie avant de commencer.
L'OCR de l'hindi doit lire une ligne, et non une suite de lettres isolées : la ligne de tête relie tous les caractères d'un mot, les signes vocaliques se placent au-dessus, au-dessous et avant les consonnes, et les consonnes fusionnent en ligatures.
Comment l'OCR hindi lit l'écriture devanagari
L'hindi s'écrit en Devanagari, que l'article 343 de la Constitution indienne désigne comme l'écriture de la langue officielle de l'Union. Unicode lui attribue le bloc U+0900 à U+097F, et tous les téléphones et ordinateurs récents peuvent l'afficher et le saisir. La reconnaître à partir d'une image n'a rien à voir avec la lecture d'un texte imprimé en alphabet latin, car cette écriture est construite différemment.
Les mots sont suspendus à une ligne supérieure continue, la shirorekha : les lettres se touchent et on ne peut pas les séparer en cherchant des espaces. Les voyelles autres que la première s'écrivent sous forme de matras rattachés à la consonne. Deux consonnes ou plus sans voyelle entre elles fusionnent en une ligature comme क्ष, त्र ou श्र. Les moteurs OCR modernes s'en sortent en lisant des lignes entières grâce à des réseaux de neurones entraînés sur du texte hindi ; le moteur libre Tesseract, par exemple, propose un modèle hindi dédié en plus d'un modèle Devanagari général.
C'est pourquoi le choix de Langue du document compte davantage pour l'hindi que pour la plupart des langues européennes. Avec l'anglais sélectionné, une page en hindi donne du charabia ; avec l'hindi, le moteur attend des formes Devanagari, applique les schémas orthographiques de l'hindi et écrit le résultat dans le bon ordre Unicode. Pour un aperçu plus large des langues et des sorties, consultez le convertisseur d'image en texte.
Les particularités du devanagari qui compliquent la conversion d'image en texte hindi
| Particularité | Exemple | Conséquence pour l'OCR |
|---|---|---|
| Shirorekha (ligne de tête) | हिन्दी | Les lettres d'un mot sont reliées : le moteur lit donc la forme du mot entier plutôt que des caractères isolés |
| Matra écrit en premier | कि | Le signe ि est dessiné avant क mais stocké après lui en Unicode : l'ordre visuel doit donc être inversé |
| Ligatures avec halant | क्ष, ज्ञ, द्ध | Deux consonnes et le virama ् forment une seule forme fusionnée qui correspond à trois points de code |
| Nukta | ज़, फ़ | Un petit point sous la lettre ; une faible résolution ou du bruit le font facilement disparaître ou apparaître à tort |
| Anusvara et chandrabindu | हं, हँ | De minuscules signes au-dessus de la ligne de tête, les premiers à s'estomper dans les photos compressées |
| Chiffres devanagari | ०१२३ | Beaucoup de documents les mélangent avec 0–9, et les deux sont conservés tels qu'imprimés |
Kruti Dev et autres anciennes polices hindi
De nombreux anciens documents en hindi ont été saisis avec des polices comme Kruti Dev, qui placent des formes Devanagari sur des codes de clavier anglais. Ils s'affichent correctement à l'écran mais ne sont pas du vrai texte hindi : la copie, la recherche et le correcteur orthographique échouent. Le résultat de l'OCR est toujours en Unicode ; si un test de frappe ou un modèle de bureau exige encore du Kruti Dev, il faut une conversion distincte d'Unicode vers Kruti Dev.
Obtenir un texte hindi fidèle à partir d'une photo ou d'un scan
En hindi, ce sont de petits signes qui décident de la précision. Un nukta ou un chandrabindu ne fait que quelques pixels de haut et c'est la première chose qui disparaît dans une photo floue ou très compressée. Scannez à 300 DPI ou photographiez la page en la faisant remplir le cadre, et envoyez le fichier d'origine plutôt qu'une copie transférée par une application de messagerie.
Redresser les pages compte plus que d'habitude, car une ligne de tête inclinée perturbe la ligne que suit le moteur. Laissez cette option activée, et activez Renforcer le contraste pour du papier journal délavé, d'anciens formulaires administratifs ou des photos prises dans une lumière faible. Laissez Reconnaître aussi sur Aucune pour les pages uniquement en hindi : une deuxième langue inutile réduit légèrement la précision.
Questions sur l'OCR hindi
L'OCR hindi peut-il lire un document saisi en Kruti Dev ?
Oui. L'OCR lit la forme des lettres imprimées sur la page, pas le fichier de police qui se cache derrière. Une impression ou un scan d'un document en Kruti Dev est donc reconnu comme n'importe quel autre texte hindi. Le résultat est du Unicode Devanagari standard, et non des frappes Kruti Dev.
Pourquoi le texte hindi copié depuis mon PDF se transforme-t-il en lettres latines aléatoires ?
Le PDF a été créé avec une police ancienne qui associe des formes Devanagari à des codes de caractères latins : en copiant, vous obtenez donc ces codes, par exemple fgUnh au lieu de हिन्दी. Passer les pages à l'OCR ignore ces codes et lit ce qui est visible. OCR PDF peut aussi remettre une couche de texte correcte dans le PDF.
Quelle police utiliser pour afficher le texte hindi extrait ?
N'importe quelle police Unicode compatible avec le Devanagari. Windows inclut Mangal et Nirmala UI, les Mac et les iPhone intègrent aussi des polices Devanagari, et Noto Sans Devanagari de Google est gratuite. Si vous voyez des carrés vides, l'application utilise une police sans Devanagari : le fichier n'est pas endommagé.
Peut-il lire le hindi manuscrit ?
Réglez Type de texte sur Écriture manuscrite pour des notes et des formulaires manuscrits soignés ; les résultats sont moins fiables qu'avec de l'imprimé et demandent une relecture attentive. Une écriture rapide et liée, avec une ligne de tête irrégulière, est le cas le plus difficile.
L'OCR hindi fonctionne-t-il aussi pour le marathi, le népalais ou le sanskrit ?
Ces langues partagent l'écriture Devanagari : une bonne partie du texte est donc reconnue, mais le vocabulaire et quelques lettres diffèrent. Le marathi a son propre choix dans Langue du document, qui gère mieux des lettres comme ळ ; pour le népalais et le sanskrit, l'hindi est l'option la plus proche et la relecture compte davantage.
