OCR Bahasa Hindi: Gambar ke Teks Hindi
Unggah foto, screenshot, atau PDF hasil scan berisi teks Hindi dan dapatkan kembali sebagai Devanagari Unicode yang bisa ditempel dengan rapi ke Word, WhatsApp, Google Docs, atau formulir. Bahasa dokumen sudah diatur ke Hindi.
Gambar ke Teks
atau jatuhkan file PDF, JPG, JPEG … di sini ·
Maks. 95 MB per file· Hingga 20 file· Dihapus setelah 30 menit
File diproses di server kami dan dihapus setelah 30 menit.
Untuk halaman yang mencampur dua bahasa, misalnya Hindi dengan kata-kata Inggris. Jika tidak, biarkan pada Tidak ada; bahasa tambahan sedikit menurunkan akurasi.
Pertahankan menjaga kolom, paragraf, dan tabel tetap di tempatnya. Polos menghasilkan satu blok teks bersambung yang lebih mudah ditempel ke formulir.
Masukan PDF dan TIFF multihalaman: baca setiap halaman, hanya halaman pertama, atau suatu rentang.
Halaman yang dibaca, misalnya 1-3, 5, 8-10.
Cara menggunakan alat ini
- 1
Unggah halaman berbahasa Hindi
Tambahkan gambar JPG, PNG, HEIC, atau TIFF atau sebuah PDF, hingga 20 file dengan ukuran masing-masing maksimal 95 MB. Foto halaman yang tajam, lurus, dan diambil di bawah cahaya siang paling mudah dibaca.
- 2
Tambahkan bahasa Inggris jika halamannya campuran
Bahasa dokumen berisi Hindi. Jika halaman juga memuat kata, nama, atau kode berbahasa Inggris, atur Kenali juga ke Inggris di Pengaturan lanjutan; jika tidak, biarkan di Tidak ada.
- 3
Kenali teks
Tekan Kenali teks lalu unduh file .txt, atau pilih Word atau PDF yang dapat dicari di Keluaran sebelum mulai.
OCR bahasa Hindi harus membaca satu baris utuh, bukan deretan huruf terpisah: garis atas menyambung setiap karakter dalam satu kata, tanda vokal berada di atas, bawah, dan depan konsonan, serta konsonan melebur menjadi konjungsi.
Cara OCR bahasa Hindi membaca aksara Devanagari
Bahasa Hindi ditulis dengan aksara Devanagari, yang oleh Pasal 343 Konstitusi India ditetapkan sebagai aksara bahasa resmi Uni. Unicode menempatkannya di blok U+0900 hingga U+097F, dan setiap ponsel serta komputer modern bisa menampilkan dan mengetiknya. Mengenalinya dari gambar adalah persoalan lain dibandingkan membaca cetakan Latin, karena aksara ini tersusun secara berbeda.
Kata-kata menggantung pada garis atas yang menyambung, yaitu shirorekha, sehingga huruf saling bersentuhan dan tidak bisa dipisahkan dengan mencari celah. Vokal selain vokal awal ditulis sebagai matra yang menempel pada konsonan. Dua konsonan atau lebih tanpa vokal di antaranya melebur menjadi konjungsi seperti क्ष, त्र, atau श्र. Mesin OCR modern menangani hal ini dengan membaca baris utuh menggunakan jaringan saraf yang dilatih dengan teks Hindi; mesin open source Tesseract, misalnya, menyertakan model khusus Hindi di samping model Devanagari umum.
Itulah sebabnya memilih Bahasa dokumen lebih penting untuk Hindi daripada untuk sebagian besar bahasa Eropa. Jika Inggris yang dipilih, halaman berbahasa Hindi menghasilkan teks tak bermakna; jika Hindi yang dipilih, mesin mengharapkan bentuk Devanagari, menerapkan pola ejaan Hindi, dan menulis hasilnya dalam urutan Unicode yang benar. Untuk gambaran lebih luas tentang bahasa dan format keluaran, lihat konverter gambar ke teks.
Ciri Devanagari yang menyulitkan konversi gambar ke teks Hindi
| Ciri | Contoh | Artinya bagi OCR |
|---|---|---|
| Shirorekha (garis atas) | हिन्दी | Huruf dalam satu kata tersambung, jadi mesin membaca bentuk kata secara utuh, bukan karakter satu per satu |
| Matra yang ditulis lebih dulu | कि | Tanda i ि digambar sebelum क tetapi disimpan sesudahnya di Unicode, jadi urutan visualnya harus dibalik |
| Konjungsi dengan halant | क्ष, ज्ञ, द्ध | Dua konsonan ditambah virama ् tampil sebagai satu bentuk lebur yang dipetakan ke tiga code point |
| Nukta | ज़, फ़ | Titik kecil di bawah huruf; resolusi rendah atau noise mudah menghilangkan atau menambahkannya |
| Anusvara dan chandrabindu | हं, हँ | Tanda kecil di atas garis atas yang paling dulu kabur pada foto terkompresi |
| Angka Devanagari | ०१२३ | Banyak dokumen mencampurnya dengan 0–9, dan keduanya dipertahankan sesuai cetakan |
Kruti Dev dan font Hindi lama lainnya
Banyak dokumen Hindi lama diketik dengan font seperti Kruti Dev yang menempatkan bentuk Devanagari pada kode keyboard bahasa Inggris. Tampilannya benar di layar, tetapi bukan teks Hindi sungguhan, sehingga penyalinan, pencarian, dan pemeriksaan ejaan gagal. Hasil OCR selalu berupa Unicode; jika ujian mengetik atau templat kantor masih mewajibkan Kruti Dev, diperlukan konversi Unicode ke Kruti Dev secara terpisah.
Mendapatkan teks Hindi yang akurat dari foto atau hasil scan
Tanda-tanda kecil menentukan akurasi dalam bahasa Hindi. Nukta atau chandrabindu hanya setinggi beberapa piksel, dan tanda itulah yang pertama kali hilang pada foto yang buram atau sangat terkompresi. Scan pada 300 DPI atau foto halaman hingga memenuhi bingkai, lalu kirim file aslinya, bukan salinan yang diteruskan lewat aplikasi chat.
Luruskan halaman lebih penting dari biasanya, karena garis atas yang miring memutus baris yang diikuti mesin. Biarkan aktif, dan aktifkan Tingkatkan kontras untuk kertas koran yang pudar, formulir pemerintah lama, atau foto yang diambil dalam cahaya redup. Biarkan Kenali juga di Tidak ada untuk halaman yang hanya berbahasa Hindi; bahasa kedua sedikit menurunkan akurasi jika tidak dibutuhkan.
Pertanyaan seputar OCR bahasa Hindi
Bisakah OCR bahasa Hindi membaca dokumen yang diketik dengan Kruti Dev?
Bisa. OCR membaca bentuk huruf yang tercetak di halaman, bukan file font di baliknya, jadi cetakan atau hasil scan dokumen Kruti Dev dikenali seperti teks Hindi lainnya. Hasilnya adalah Devanagari Unicode standar, bukan ketukan tombol Kruti Dev.
Mengapa teks Hindi yang saya salin dari PDF berubah menjadi huruf Inggris acak?
PDF tersebut dibuat dengan font lama yang menyimpan bentuk Devanagari pada kode karakter Latin, sehingga saat disalin Anda mendapatkan kodenya, misalnya fgUnh alih-alih हिन्दी. Memproses halaman dengan OCR mengabaikan kode tersebut dan membaca apa yang terlihat. OCR PDF juga bisa memasang kembali lapisan teks yang benar ke dalam PDF.
Font apa yang sebaiknya saya pakai untuk menampilkan teks Hindi hasil OCR?
Font Unicode apa pun yang mendukung Devanagari. Windows menyertakan Mangal dan Nirmala UI, Mac dan iPhone juga menyertakan font Devanagari, dan Noto Sans Devanagari dari Google tersedia gratis. Jika Anda melihat kotak kosong, aplikasinya memakai font tanpa Devanagari, bukan filenya yang rusak.
Bisakah OCR membaca tulisan tangan berbahasa Hindi?
Atur Jenis teks ke Tulisan tangan untuk catatan dan formulir yang ditulis tangan dengan rapi; hasilnya lebih kasar daripada teks cetak dan perlu dikoreksi dengan teliti. Tulisan tangan sambung yang cepat dengan garis atas yang tidak rata adalah kasus tersulit.
Apakah OCR bahasa Hindi juga bisa untuk Marathi, Nepali, atau Sanskerta?
Bahasa-bahasa ini memakai aksara Devanagari yang sama, jadi sebagian besar teks dikenali, tetapi kosakata dan beberapa hurufnya berbeda. Marathi punya pilihan tersendiri di Bahasa dokumen, yang menangani huruf seperti ळ dengan lebih baik; untuk Nepali dan Sanskerta, Hindi adalah opsi terdekat dan koreksi menjadi lebih penting.
