힌디어 OCR: 이미지에서 힌디어 텍스트 추출
힌디어가 담긴 사진, 스크린샷, 스캔 PDF를 업로드하면 워드, WhatsApp, Google Docs, 입력 양식에 깔끔하게 붙여 넣을 수 있는 유니코드 데바나가리 텍스트로 돌려받습니다. 문서 언어는 이미 힌디어로 설정되어 있습니다.
이미지 텍스트 추출
또는 PDF, JPG, JPEG … 파일을 여기에 끌어다 놓으세요 ·
파일당 최대 95 MB· 최대 20개 파일· 30분 뒤 삭제
파일은 UltKit 서버에서 처리되며 30분 뒤 삭제됩니다.
힌디어에 영어 단어가 섞인 경우처럼 두 언어가 섞인 페이지용입니다. 그 외에는 없음으로 두십시오. 언어를 추가하면 정확도가 약간 떨어집니다.
레이아웃 유지는 단, 문단, 표를 원래 위치에 둡니다. 일반 텍스트는 이어진 텍스트 한 덩어리로 출력해 양식에 붙여 넣기 쉽습니다.
PDF와 다중 페이지 TIFF 입력은 모든 페이지, 첫 페이지만, 또는 특정 범위를 읽습니다.
읽을 페이지입니다(예: 1-3, 5, 8-10).
사용 방법
- 1
힌디어 페이지 업로드
JPG, PNG, HEIC, TIFF 이미지나 PDF를 최대 20개, 파일당 95 MB까지 추가합니다. 낮의 자연광에서 선명하고 반듯하게 찍은 페이지 사진이 가장 잘 인식됩니다.
- 2
두 언어가 섞여 있다면 영어 추가
문서 언어는 힌디어입니다. 페이지에 영어 단어, 이름, 코드가 함께 있다면 고급 설정에서 함께 인식할 언어를 영어로 설정하고, 그렇지 않다면 없음으로 두십시오.
- 3
텍스트 인식
텍스트 인식을 누르고 .txt 파일을 다운로드하거나, 시작하기 전에 출력에서 워드나 검색 가능 PDF를 선택하십시오.
힌디어 OCR은 낱글자의 나열이 아니라 한 줄 전체를 읽어야 합니다. 윗선이 단어의 모든 글자를 잇고, 모음 기호가 자음의 위·아래·앞에 붙으며, 자음끼리 합쳐져 결합 자음이 되기 때문입니다.
힌디어 OCR이 데바나가리 문자를 읽는 방식
힌디어는 데바나가리 문자로 쓰며, 인도 헌법 제343조는 이를 연방 공용어의 문자로 규정합니다. 유니코드는 U+0900부터 U+097F까지의 블록을 할당하고 있어 모든 최신 휴대폰과 컴퓨터가 표시하고 입력할 수 있습니다. 하지만 사진에서 이를 인식하는 일은 라틴 문자 인쇄물을 읽는 것과 다릅니다. 문자의 구조 자체가 다르기 때문입니다.
단어는 시로레카(shirorekha)라는 이어진 윗선에 매달려 있어 글자끼리 맞닿아 있고, 빈틈을 찾아 잘라 낼 수 없습니다. 첫 모음 이후의 모음은 자음에 붙는 마트라로 씁니다. 모음 없이 이어지는 두 개 이상의 자음은 क्ष, त्र, श्र 같은 결합 자음으로 합쳐집니다. 최신 OCR 엔진은 힌디어 텍스트로 학습한 신경망으로 줄 전체를 읽어 이를 처리합니다. 예를 들어 오픈 소스 Tesseract 엔진은 일반 데바나가리 모델과 별도로 힌디어 전용 모델을 제공합니다.
그래서 힌디어에서는 대부분의 유럽 언어보다 문서 언어 선택이 더 중요합니다. 영어를 선택하면 힌디어 페이지에서 의미 없는 결과가 나오고, 힌디어를 선택하면 엔진이 데바나가리 글자 모양을 예상하고 힌디어 철자 패턴을 적용해 올바른 유니코드 순서로 결과를 씁니다. 언어와 출력 형식 전반은 이미지 텍스트 추출을 참고하십시오.
힌디어 이미지 텍스트 추출을 어렵게 하는 데바나가리의 특징
| 특징 | 예시 | OCR에서의 의미 |
|---|---|---|
| 시로레카(윗선) | हिन्दी | 단어 안의 글자가 이어져 있어 엔진이 낱글자가 아니라 단어 전체 모양을 읽습니다 |
| 앞에 쓰는 마트라 | कि | i 모음 기호 ि는 क 앞에 그려지지만 유니코드에서는 뒤에 저장되므로 시각적 순서를 뒤집어야 합니다 |
| 할란트가 있는 결합 자음 | क्ष, ज्ञ, द्ध | 자음 두 개와 비라마 ्가 하나로 합쳐진 모양으로 보이며 코드 포인트 세 개에 대응합니다 |
| 누크타 | ज़, फ़ | 글자 아래의 작은 점으로, 해상도가 낮거나 노이즈가 있으면 쉽게 빠지거나 덧붙습니다 |
| 아누스바라와 찬드라빈두 | हं, हँ | 윗선 위의 아주 작은 기호로, 압축된 사진에서 가장 먼저 흐려집니다 |
| 데바나가리 숫자 | ०१२३ | 많은 문서가 0–9와 섞어 쓰며, 둘 다 인쇄된 그대로 유지됩니다 |
Kruti Dev 등 구형 힌디어 글꼴
오래된 힌디어 문서 상당수는 데바나가리 글자 모양을 영문 키보드 코드에 배치한 Kruti Dev 같은 글꼴로 입력되었습니다. 화면에서는 제대로 보이지만 실제 힌디어 텍스트가 아니므로 복사, 검색, 맞춤법 검사가 되지 않습니다. OCR 결과는 항상 유니코드입니다. 타자 시험이나 사무 양식이 여전히 Kruti Dev를 요구한다면 유니코드를 Kruti Dev로 바꾸는 별도의 변환이 필요합니다.
사진이나 스캔에서 정확한 힌디어 텍스트 얻기
힌디어의 정확도는 작은 기호가 좌우합니다. 누크타나 찬드라빈두는 몇 픽셀 높이에 불과해, 흐리거나 심하게 압축된 사진에서 가장 먼저 사라집니다. 300 DPI로 스캔하거나 페이지가 화면을 가득 채우도록 촬영하고, 채팅 앱으로 전달된 사본이 아니라 원본 파일을 보내십시오.
기울어진 윗선은 엔진이 따라가는 줄을 끊어 놓으므로 기울기 보정이 평소보다 중요합니다. 이 옵션은 켜 두고, 바랜 신문, 오래된 관공서 양식, 어두운 곳에서 찍은 사진에는 대비 향상도 켜십시오. 힌디어만 있는 페이지라면 함께 인식할 언어를 없음으로 두십시오. 필요하지 않은 두 번째 언어는 정확도를 약간 떨어뜨립니다.
힌디어 OCR 자주 묻는 질문
Kruti Dev로 입력한 문서도 힌디어 OCR로 읽을 수 있습니까?
네. OCR은 그 뒤에 있는 글꼴 파일이 아니라 페이지에 인쇄된 글자 모양을 읽으므로, Kruti Dev 문서를 인쇄하거나 스캔한 것도 다른 힌디어 텍스트처럼 인식됩니다. 결과는 Kruti Dev 키 입력값이 아니라 표준 유니코드 데바나가리입니다.
PDF에서 복사한 힌디어가 엉뚱한 영문자로 바뀌는 이유는 무엇입니까?
그 PDF는 데바나가리 글자 모양을 라틴 문자 코드에 저장하는 구형 글꼴로 만들어졌기 때문에, 복사하면 हिन्दी 대신 fgUnh 같은 코드가 나옵니다. 페이지를 OCR로 처리하면 이 코드를 무시하고 화면에 보이는 글자를 읽습니다. PDF OCR은 PDF에 올바른 텍스트 레이어를 다시 넣을 수도 있습니다.
추출한 힌디어 텍스트를 표시하려면 어떤 글꼴을 써야 합니까?
데바나가리를 지원하는 유니코드 글꼴이면 무엇이든 됩니다. Windows에는 Mangal과 Nirmala UI가, Mac과 iPhone에도 데바나가리 글꼴이 들어 있으며, Google의 Noto Sans Devanagari는 무료입니다. 빈 네모가 보인다면 파일이 깨진 것이 아니라 앱이 데바나가리가 없는 글꼴을 쓰고 있는 것입니다.
손으로 쓴 힌디어도 읽을 수 있습니까?
깔끔하게 쓴 손글씨 메모와 양식이라면 텍스트 종류를 손글씨로 설정하십시오. 인쇄물보다 결과가 거칠어 꼼꼼한 교정이 필요합니다. 글자를 이어서 빠르게 쓰고 윗선이 고르지 않은 손글씨가 가장 어려운 경우입니다.
힌디어 OCR은 마라티어, 네팔어, 산스크리트어에도 쓸 수 있습니까?
이 언어들은 데바나가리 문자를 공유하므로 텍스트의 상당 부분이 인식되지만, 어휘와 일부 글자가 다릅니다. 마라티어는 문서 언어에 별도 항목이 있어 ळ 같은 글자를 더 잘 처리합니다. 네팔어와 산스크리트어는 힌디어가 가장 가까운 선택지이며 교정이 더 중요합니다.
