ヒンディー語OCR：画像をヒンディー語テキストに
ヒンディー語が写った写真、スクリーンショット、スキャンしたPDFをアップロードすると、Word、WhatsApp、Google ドキュメントやフォームにそのまま貼り付けられるUnicodeのデーヴァナーガリー文字として取り出せます。文書の言語はあらかじめヒンディー語に設定されています。
画像をテキストに変換
またはPDF, JPG, JPEG … ファイルをここにドロップ ·
1ファイルあたり最大95 MB· 最大20ファイルまで· 30分後に削除
ファイルは当社のサーバーで処理され、30分後に削除されます。
2つの言語が混在するページ向けです(例: 英単語を含むヒンディー語)。それ以外はなしのままにしてください。言語を追加すると精度がわずかに下がります。
レイアウト保持は、段組み、段落、表を元の位置のまま保ちます。プレーンは連続した1つのテキストブロックを出力し、フォームに貼り付けやすくなります。
PDFと複数ページのTIFFが対象です。すべてのページ、最初のページのみ、または範囲を読み取ります。
読み取るページです(例: 1-3, 5, 8-10)。
このツールの使い方
- 1
ヒンディー語のページをアップロード
JPG、PNG、HEIC、TIFF形式の画像またはPDFを追加します。1ファイル95 MBまで、最大20ファイルです。明るい場所でページをまっすぐ、鮮明に撮影した写真が最もきれいに読み取れます。
- 2
英語が混在する場合は英語を追加
文書の言語はヒンディー語にします。ページに英単語や名前、コードも含まれる場合は、詳細設定の追加で認識する言語で英語を選びます。含まれない場合は「なし」のままにします。
- 3
文字を認識
テキスト認識を押して.txtファイルをダウンロードします。開始前に出力でWordまたは検索可能なPDFを選ぶこともできます。
ヒンディー語のOCRは、1文字ずつ切り離された文字ではなく、行として読み取る必要があります。ヘッドラインが単語内のすべての文字をつなぎ、母音記号が子音の上・下・前に付き、子音同士が合字になるためです。
ヒンディー語OCRがデーヴァナーガリー文字を読み取る仕組み
ヒンディー語はデーヴァナーガリー文字で書かれ、インド憲法第343条は、この文字を連邦公用語の文字と定めています。Unicodeでは U+0900〜U+097F の範囲が割り当てられ、現在のスマートフォンやパソコンならどれでも表示・入力できます。ただし、画像から認識するのはラテン文字の印刷物を読むのとは別の問題です。文字の構造が異なるからです。
単語は、シローレーカーと呼ばれる途切れない上線からぶら下がるように書かれ、文字同士が接しているため、隙間を探して切り分けることはできません。語頭以外の母音は、子音に付くマートラーとして書かれます。間に母音のない2つ以上の子音は、क्ष、त्र、श्र のような合字になります。最近のOCRエンジンは、ヒンディー語のテキストで学習したニューラルネットワークで行全体を読み取って対処します。たとえばオープンソースのTesseractには、汎用のデーヴァナーガリー用モデルとは別に、ヒンディー語専用のモデルが付属しています。
このため、ヒンディー語では多くのヨーロッパ言語よりも文書の言語の選択が重要です。英語を選ぶとヒンディー語のページは意味不明な結果になります。ヒンディー語を選べば、エンジンはデーヴァナーガリーの字形を想定し、ヒンディー語の綴りの傾向を適用して、正しいUnicodeの順序で結果を書き出します。対応言語や出力形式の全体像は、画像テキスト変換をご覧ください。
ヒンディー語の画像文字起こしを難しくするデーヴァナーガリー文字の特徴
| 特徴 | 例 | OCRにとっての意味 |
|---|---|---|
| シローレーカー(ヘッドライン) | हिन्दी | 単語内の文字がつながっているため、エンジンは個々の文字ではなく単語全体の形を読み取ります |
| 先に書かれるマートラー | कि | イ記号のिは見た目ではकの前に描かれますが、Unicodeでは後ろに格納されるため、見た目の順序を入れ替える必要があります |
| ハラントによる合字 | क्ष、ज्ञ、द्ध | 2つの子音とヴィラーマ(्)が1つに融合した字形で、3つのコードポイントに対応します |
| ヌクター | ज़、फ़ | 文字の下の小さな点です。低解像度やノイズがあると、簡単に消えたり余計に加わったりします |
| アヌスヴァーラとチャンドラビンドゥ | हं、हँ | ヘッドラインの上にある小さな記号で、圧縮された写真では最初にぼやけます |
| デーヴァナーガリー数字 | ०१२३ | 0–9と混在している文書が多く、どちらも印刷されたとおりに保持されます |
Kruti Devなどの旧来のヒンディー語フォント
古いヒンディー語の文書の多くは、Kruti Devのように、デーヴァナーガリーの字形を英語キーボードのコードに割り当てたフォントで入力されています。画面上では正しく見えますが、本物のヒンディー語テキストではないため、コピー、検索、スペルチェックができません。OCRの出力は常にUnicodeです。タイピング試験や事務用テンプレートでKruti Devが求められる場合は、別途UnicodeからKruti Devへの変換が必要です。
写真やスキャンからヒンディー語を正確に文字起こしするコツ
ヒンディー語では、小さな記号が精度を左右します。ヌクターやチャンドラビンドゥは数ピクセルの高さしかなく、ぼけた写真や強く圧縮された写真では真っ先に消えます。300 DPIでスキャンするか、ページが枠いっぱいに収まるように撮影し、チャットアプリ経由で転送したコピーではなく元のファイルを送ってください。
ヘッドラインが傾くとエンジンがたどる行が崩れるため、ページの傾きを補正はいつも以上に重要です。オンのままにし、色あせた新聞紙、古い役所の書類、暗い場所で撮った写真ではコントラストを強調もオンにしてください。ヒンディー語だけのページでは、追加で認識する言語を「なし」のままにします。不要な第2言語を加えると、精度がわずかに下がります。
ヒンディー語OCRに関するよくある質問
Kruti Devで入力された文書もヒンディー語OCRで読み取れますか？
はい。OCRはページに印刷された文字の形を読み取るもので、背後にあるフォントファイルは見ません。そのため、Kruti Devで作成した文書を印刷またはスキャンしたものも、通常のヒンディー語テキストと同じように認識されます。結果はKruti Devのキー入力ではなく、標準のUnicode(デーヴァナーガリー)です。
PDFからコピーしたヒンディー語がでたらめな英字になるのはなぜですか？
そのPDFは、デーヴァナーガリーの字形をラテン文字の文字コードに割り当てた旧式フォントで作られています。そのためコピーすると、हिन्दीではなくfgUnhのようなコードが出てきます。OCRにかけると、そのコードは無視され、見たままの文字が読み取られます。OCR PDFなら、正しいテキストレイヤーをPDFに戻すこともできます。
抽出したヒンディー語テキストの表示にはどのフォントを使えばよいですか？
デーヴァナーガリーに対応したUnicodeフォントならどれでも使えます。WindowsにはMangalとNirmala UIが、MacやiPhoneにもデーヴァナーガリーのフォントが含まれています。GoogleのNoto Sans Devanagariは無料です。空白の四角(□)が表示される場合は、ファイルが壊れているのではなく、アプリがデーヴァナーガリー非対応のフォントを使っています。
手書きのヒンディー語も読み取れますか？
整った手書きのメモやフォームは、テキストの種類を手書きにします。印刷文字より精度は落ちるため、丁寧な見直しが必要です。続け字で速く書かれ、ヘッドラインが不揃いなものは最も難しいケースです。
ヒンディー語OCRはマラーティー語、ネパール語、サンスクリット語にも使えますか？
これらの言語はデーヴァナーガリー文字を共有しているため、多くの部分は認識されますが、語彙や一部の文字が異なります。マラーティー語は文書の言語に専用の選択肢があり、ळなどの文字をより正確に扱えます。ネパール語とサンスクリット語は、ヒンディー語が最も近い選択肢で、見直しがより重要になります。
