OCR hindi: da immagine a testo hindi
Si carica una foto, uno screenshot o un PDF scansionato con testo hindi e si ottiene testo devanagari in Unicode, che si incolla senza problemi in Word, WhatsApp, Google Docs o in un modulo. La Lingua del documento è già impostata sull'hindi.
Immagine in testo
oppure trascina qui File PDF, JPG, JPEG … ·
Max 95 MB per file· Fino a 20 file· Eliminati dopo 30 minuti
I file vengono elaborati sui nostri server ed eliminati dopo 30 minuti.
Per pagine che mescolano due lingue, ad es. hindi con parole inglesi. Altrimenti lasciare su nessuna; una lingua in più riduce leggermente la precisione.
Mantieni conserva colonne, paragrafi e tabelle dove si trovano. Semplice produce un unico blocco di testo continuo, più facile da incollare nei moduli.
Per PDF e TIFF multipagina: leggere tutte le pagine, solo la prima o un intervallo.
Pagine da leggere, ad es. 1-3, 5, 8-10.
Come usare questo strumento
- 1
Caricare la pagina in hindi
Aggiungere immagini JPG, PNG, HEIC o TIFF oppure un PDF: fino a 20 file da 95 MB ciascuno. Una foto nitida e dritta della pagina, scattata con luce naturale, dà i risultati migliori.
- 2
Aggiungere l'inglese se la pagina contiene entrambe le lingue
Lingua del documento è Hindi. Se la pagina contiene anche parole, nomi o codici in inglese, in Impostazioni avanzate impostare Riconosci anche su inglese; altrimenti lasciare su nessuna.
- 3
Riconoscere il testo
Premere Riconosci testo e scaricare il file .txt, oppure scegliere Word o un PDF ricercabile in Formato di uscita prima di iniziare.
L'OCR per l'hindi deve leggere una riga, non una serie di lettere separate: la linea superiore unisce tutti i caratteri di una parola, i segni vocalici stanno sopra, sotto e prima delle consonanti, e le consonanti si fondono in legature.
Come l'OCR hindi legge la scrittura devanagari
L'hindi si scrive in Devanagari, indicato dall'articolo 343 della Costituzione indiana come scrittura della lingua ufficiale dell'Unione. Unicode gli assegna il blocco da U+0900 a U+097F e ogni telefono o computer moderno è in grado di visualizzarlo e digitarlo. Riconoscerlo da un'immagine è però diverso dal leggere la stampa in caratteri latini, perché la scrittura è costruita in modo diverso.
Le parole pendono da una linea superiore continua, la shirorekha, quindi le lettere si toccano e non si possono separare cercando gli spazi. Le vocali dopo la prima si scrivono come matra attaccate alla consonante. Due o più consonanti senza vocale in mezzo si fondono in una legatura come क्ष, त्र o श्र. I moderni motori OCR affrontano il problema leggendo intere righe con reti neurali addestrate su testi in hindi; il motore open source Tesseract, ad esempio, include un modello dedicato all'hindi accanto a uno generale per il Devanagari.
Per questo scegliere la Lingua del documento conta più per l'hindi che per la maggior parte delle lingue europee. Con l'inglese selezionato, una pagina in hindi produce testo senza senso; con l'hindi selezionato, il motore si aspetta forme Devanagari, applica le regole ortografiche dell'hindi e scrive il risultato nell'ordine Unicode corretto. Per una panoramica più ampia di lingue e formati di uscita, vedere il convertitore da immagine a testo.
Le caratteristiche del devanagari che complicano l'estrazione del testo hindi da immagine
| Caratteristica | Esempio | Cosa significa per l'OCR |
|---|---|---|
| Shirorekha (linea superiore) | हिन्दी | Le lettere di una parola sono unite, quindi il motore legge la forma dell'intera parola e non i singoli caratteri |
| Matra scritta per prima | कि | Il segno ि si disegna prima di क ma in Unicode si memorizza dopo, quindi l'ordine visivo va invertito |
| Legature con halant | क्ष, ज्ञ, द्ध | Due consonanti più il virama ् appaiono come un'unica forma fusa che corrisponde a tre punti di codice |
| Nukta | ज़, फ़ | Un piccolo punto sotto la lettera; con bassa risoluzione o rumore viene facilmente perso o aggiunto |
| Anusvara e chandrabindu | हं, हँ | Piccoli segni sopra la linea superiore che nelle foto compresse sfocano per primi |
| Cifre Devanagari | ०१२३ | Molti documenti le mescolano con 0–9 e entrambe vengono mantenute come stampate |
Kruti Dev e altri font hindi non Unicode
Molti vecchi documenti in hindi sono stati scritti con font come Kruti Dev, che collocano le forme del Devanagari sui codici della tastiera inglese. A schermo sembrano corretti, ma non sono vero testo hindi, quindi copia, ricerca e controllo ortografico non funzionano. L'output dell'OCR è sempre Unicode; se un test di dattilografia o un modello d'ufficio richiede ancora Kruti Dev, serve una conversione separata da Unicode a Kruti Dev.
Come ottenere un testo hindi preciso da una foto o una scansione
In hindi sono i piccoli segni a decidere la precisione. Un nukta o un chandrabindu è alto solo pochi pixel ed è la prima cosa a sparire in una foto sfocata o molto compressa. Scansionare a 300 DPI o fotografare la pagina in modo che riempia l'inquadratura, e inviare il file originale anziché una copia inoltrata tramite un'app di messaggistica.
Raddrizza le pagine conta più del solito, perché una linea superiore inclinata spezza la riga seguita dal motore. Tenerla attiva e attivare Migliora il contrasto per carta di giornale sbiadita, vecchi moduli della pubblica amministrazione o foto scattate con poca luce. Lasciare Riconosci anche su nessuna per le pagine solo in hindi: una seconda lingua riduce leggermente la precisione quando non serve.
Domande sull'OCR hindi
L'OCR hindi può leggere un documento scritto in Kruti Dev?
Sì. L'OCR legge la forma delle lettere stampate sulla pagina, non il file del font che c'è dietro: una stampa o una scansione di un documento in Kruti Dev viene riconosciuta come qualsiasi altro testo in hindi. Il risultato è Unicode Devanagari standard, non i tasti di Kruti Dev.
Perché il testo hindi copiato dal PDF diventa una serie di lettere latine casuali?
Il PDF è stato creato con un font legacy che associa le forme del Devanagari a codici di caratteri latini, quindi copiando si ottengono i codici, ad esempio fgUnh al posto di हिन्दी. Con l'OCR questi codici vengono ignorati e si legge ciò che è visibile. OCR PDF può anche inserire nel PDF un livello di testo corretto.
Quale font usare per visualizzare il testo hindi estratto?
Qualsiasi font Unicode con supporto al Devanagari. Windows include Mangal e Nirmala UI, anche Mac e iPhone includono font Devanagari, e Noto Sans Devanagari di Google è gratuito. Se compaiono riquadri vuoti, l'app sta usando un font privo di Devanagari: il file non è danneggiato.
Riesce a leggere l'hindi scritto a mano?
Impostare Tipo di testo su Scrittura a mano per appunti e moduli scritti in modo ordinato; i risultati sono meno precisi rispetto allo stampato e richiedono una revisione attenta. Il caso più difficile è la scrittura veloce e legata, con la linea superiore irregolare.
L'OCR hindi funziona anche per marathi, nepalese o sanscrito?
Queste lingue condividono la scrittura Devanagari, quindi gran parte del testo viene riconosciuta, ma il lessico e alcune lettere cambiano. Per il marathi esiste una scelta apposita in Lingua del documento, che gestisce meglio lettere come ळ; per nepalese e sanscrito l'hindi è l'opzione più vicina e la revisione è ancora più importante.
