OCR Hindi: Gambar ke Teks Hindi
Muat naik foto, tangkapan skrin atau PDF imbasan yang mengandungi teks Hindi dan dapatkan semula teks Devanagari dalam Unicode yang boleh ditampal dengan kemas ke Word, WhatsApp, Google Docs atau borang. Bahasa dokumen sudah ditetapkan kepada Hindi.
Imej ke Teks
atau seret Fail PDF, JPG, JPEG … ke sini ·
Maks 95 MB setiap fail· Sehingga 20 fail· Dipadam selepas 30 minit
Fail diproses pada pelayan kami dan dipadam selepas 30 minit.
Untuk halaman yang mencampurkan dua bahasa, cth. Hindi dengan perkataan Inggeris. Biarkan Tiada jika tidak; bahasa tambahan sedikit mengurangkan ketepatan.
Kekalkan mengekalkan lajur, perenggan dan jadual di tempat asal. Biasa menghasilkan satu blok teks berterusan, lebih mudah ditampal ke dalam borang.
Input PDF dan TIFF berbilang halaman: baca setiap halaman, halaman pertama sahaja, atau julat.
Halaman untuk dibaca, cth. 1-3, 5, 8-10.
Cara menggunakan alat ini
- 1
Muat naik halaman Hindi
Tambah imej JPG, PNG, HEIC atau TIFF, atau satu PDF, sehingga 20 fail dengan setiap satu maksimum 95 MB. Foto halaman yang tajam dan lurus dalam cahaya siang memberikan hasil terbaik.
- 2
Tambah bahasa Inggeris jika halaman mengandungi kedua-duanya
Bahasa dokumen ialah Hindi. Jika halaman itu juga mengandungi perkataan, nama atau kod dalam bahasa Inggeris, tetapkan Kenal pasti juga kepada Inggeris di bawah Tetapan lanjutan; jika tidak, biarkan pada tiada.
- 3
Kenal pasti teks
Tekan Kenali teks dan muat turun fail .txt, atau pilih Word atau PDF boleh dicari di bawah Output sebelum anda bermula.
OCR Hindi perlu membaca satu baris, bukan rentetan huruf yang berasingan: garis atas menyambung setiap aksara dalam sesuatu perkataan, tanda vokal terletak di atas, di bawah dan sebelum konsonan, dan konsonan bergabung menjadi konjung.
Cara OCR Hindi membaca tulisan Devanagari
Hindi ditulis dalam Devanagari, yang disebut oleh Perkara 343 Perlembagaan India sebagai skrip bahasa rasmi Kesatuan. Unicode memberikannya blok U+0900 hingga U+097F, dan setiap telefon dan komputer moden boleh memaparkan dan menaipnya. Mengenalinya daripada gambar berbeza daripada membaca cetakan Latin kerana skrip ini dibina secara berlainan.
Perkataan tergantung pada garis atas yang berterusan, iaitu shirorekha, jadi huruf bersentuhan antara satu sama lain dan tidak boleh dipisahkan dengan mencari ruang kosong. Vokal selepas yang pertama ditulis sebagai matra yang melekat pada konsonan. Dua atau lebih konsonan tanpa vokal di antaranya bergabung menjadi konjung seperti क्ष, त्र atau श्र. Enjin OCR moden menanganinya dengan membaca keseluruhan baris menggunakan rangkaian neural yang dilatih pada teks Hindi; enjin sumber terbuka Tesseract, sebagai contoh, menyertakan model Hindi khusus di samping model Devanagari umum.
Itulah sebabnya memilih Bahasa dokumen lebih penting untuk Hindi berbanding kebanyakan bahasa Eropah. Jika Inggeris dipilih, halaman Hindi menghasilkan teks merepek; jika Hindi dipilih, enjin menjangkakan bentuk Devanagari, menggunakan corak ejaan Hindi dan menulis hasilnya dalam susunan Unicode yang betul. Untuk gambaran lebih luas tentang bahasa dan output, lihat penukar gambar ke teks.
Ciri Devanagari yang menyukarkan penukaran gambar ke teks Hindi
| Ciri | Contoh | Maksudnya untuk OCR |
|---|---|---|
| Shirorekha (garis atas) | हिन्दी | Huruf dalam satu perkataan bersambung, jadi enjin membaca bentuk keseluruhan perkataan dan bukan aksara yang berasingan |
| Matra ditulis dahulu | कि | Tanda i ि dilukis sebelum क tetapi disimpan selepasnya dalam Unicode, jadi susunan visual mesti diterbalikkan |
| Konjung dengan halant | क्ष, ज्ञ, द्ध | Dua konsonan serta virama ् muncul sebagai satu bentuk bercantum yang dipetakan kepada tiga titik kod |
| Nukta | ज़, फ़ | Titik kecil di bawah huruf; resolusi rendah atau hingar mudah menghilangkan atau menambahkannya |
| Anusvara dan chandrabindu | हं, हँ | Tanda kecil di atas garis atas yang kabur dahulu dalam foto termampat |
| Angka Devanagari | ०१२३ | Banyak dokumen mencampurkannya dengan 0–9, dan kedua-duanya dikekalkan seperti yang dicetak |
Kruti Dev dan fon Hindi lama yang lain
Banyak dokumen Hindi lama ditaip dalam fon seperti Kruti Dev yang meletakkan bentuk Devanagari pada kod papan kekunci Inggeris. Ia kelihatan betul pada skrin tetapi bukan teks Hindi sebenar, jadi penyalinan, carian dan semakan ejaan gagal. Output OCR sentiasa Unicode; jika ujian menaip atau templat pejabat masih memerlukan Kruti Dev, itu memerlukan penukaran Unicode ke Kruti Dev yang berasingan.
Mendapatkan teks Hindi yang tepat daripada foto atau imbasan
Tanda kecil menentukan ketepatan dalam Hindi. Nukta atau chandrabindu hanya setinggi beberapa piksel, dan ia perkara pertama yang hilang dalam foto kabur atau termampat teruk. Imbas pada 300 DPI atau ambil foto halaman supaya memenuhi bingkai, dan hantar fail asal dan bukannya salinan yang dimajukan melalui aplikasi sembang.
Luruskan halaman lebih penting daripada biasa, kerana garis atas yang condong memutuskan baris yang diikuti enjin. Biarkan ia aktif, dan hidupkan Tingkatkan kontras untuk kertas akhbar yang pudar, borang kerajaan lama atau foto yang diambil dalam cahaya malap. Biarkan Kenal pasti juga pada tiada untuk halaman yang hanya dalam Hindi; bahasa kedua sedikit mengurangkan ketepatan apabila tidak diperlukan.
Soalan lazim tentang OCR Hindi
Bolehkah OCR Hindi membaca dokumen yang ditaip dengan Kruti Dev?
Ya. OCR membaca bentuk huruf yang tercetak pada halaman, bukan fail fon di sebaliknya, jadi cetakan atau imbasan dokumen Kruti Dev dikenali seperti teks Hindi biasa. Hasilnya ialah Devanagari Unicode piawai, bukan ketukan kekunci Kruti Dev.
Mengapakah teks Hindi yang disalin daripada PDF saya bertukar menjadi huruf Inggeris yang rawak?
PDF itu dibuat dengan fon lama yang menyimpan bentuk Devanagari pada kod aksara Latin, jadi apabila disalin anda mendapat kod tersebut, contohnya fgUnh dan bukannya हिन्दी. Menjalankan halaman melalui OCR mengabaikan kod itu dan membaca apa yang kelihatan. OCR PDF juga boleh meletakkan semula lapisan teks yang betul ke dalam PDF.
Fon manakah yang patut saya gunakan untuk memaparkan teks Hindi yang diekstrak?
Mana-mana fon Unicode yang menyokong Devanagari. Windows menyertakan Mangal dan Nirmala UI, Mac dan iPhone juga menyertakan fon Devanagari, dan Noto Sans Devanagari daripada Google adalah percuma. Jika anda melihat kotak kosong, aplikasi itu menggunakan fon tanpa Devanagari, bukan fail yang rosak.
Bolehkah alat ini membaca tulisan tangan Hindi?
Tetapkan Jenis teks kepada Tulisan tangan untuk nota dan borang tulisan tangan yang kemas; hasilnya lebih kasar berbanding cetakan dan perlu disemak dengan teliti. Tulisan tangan yang bersambung dan laju dengan garis atas yang tidak sekata ialah kes yang paling sukar.
Adakah OCR Hindi juga berfungsi untuk bahasa Marathi, Nepal atau Sanskrit?
Bahasa-bahasa ini berkongsi skrip Devanagari, jadi sebahagian besar teks dapat dikenali, tetapi perbendaharaan kata dan beberapa huruf berbeza. Marathi mempunyai pilihan tersendiri di bawah Bahasa dokumen, yang mengendalikan huruf seperti ळ dengan lebih baik; untuk Nepal dan Sanskrit, Hindi ialah pilihan paling hampir dan semakan teks lebih penting.
