Hindi OCR: afbeelding naar Hindi-tekst
Upload een foto, screenshot of gescande PDF met Hindi-tekst en krijg die terug als Unicode-Devanagari die u zonder problemen plakt in Word, WhatsApp, Google Docs of een formulier. Taal van het document staat al op Hindi.
Afbeelding naar tekst
of sleep PDF, JPG, JPEG …-bestanden hierheen ·
Max. 95 MB per bestand· Tot 20 bestanden· Verwijderd na 30 minuten
Bestanden worden op onze servers verwerkt en na 30 minuten verwijderd.
Voor pagina's met twee talen, bijvoorbeeld Hindi met Engelse woorden. Laat anders op geen staan; een extra taal verlaagt de nauwkeurigheid licht.
Behouden houdt kolommen, alinea's en tabellen op hun plek. Platte tekst geeft één doorlopend tekstblok, handiger om in formulieren te plakken.
Voor PDF en TIFF met meerdere pagina's: lees alle pagina's, alleen de eerste of een bereik.
Te lezen pagina's, bijvoorbeeld 1-3, 5, 8-10.
Zo gebruikt u deze tool
- 1
Upload de Hindi-pagina
Voeg JPG-, PNG-, HEIC- of TIFF-afbeeldingen of een PDF toe, maximaal 20 bestanden van elk maximaal 95 MB. Een scherpe, rechte foto van de pagina bij daglicht wordt het best gelezen.
- 2
Voeg Engels toe als de pagina beide talen bevat
Stel Taal van het document in op Hindi. Staan er ook Engelse woorden, namen of codes op de pagina, zet dan Ook herkennen onder Geavanceerde instellingen op Engels; laat het anders op geen staan.
- 3
Tekst herkennen
Klik op Tekst herkennen en download het .txt-bestand, of kies vooraf onder Uitvoer voor Word of een doorzoekbare PDF.
Hindi-OCR moet een regel lezen, geen reeks losse letters: de bovenlijn verbindt alle tekens in een woord, klinkertekens staan boven, onder en voor medeklinkers, en medeklinkers smelten samen tot ligaturen.
Zo leest Hindi OCR het Devanagari-schrift
Hindi wordt geschreven in Devanagari, dat volgens artikel 343 van de Indiase grondwet het schrift van de officiële taal van de Unie is. Unicode wijst er het blok U+0900 tot U+097F aan toe, en elke moderne telefoon en computer kan het weergeven en typen. Het herkennen vanaf een afbeelding is iets anders dan Latijnse druk lezen, omdat het schrift anders is opgebouwd.
Woorden hangen aan een doorlopende bovenlijn, de shirorekha, waardoor letters elkaar raken en niet te scheiden zijn door naar tussenruimtes te zoeken. Klinkers na de eerste worden geschreven als matra's die aan de medeklinker vastzitten. Twee of meer medeklinkers zonder klinker ertussen vloeien samen tot een ligatuur zoals क्ष, त्र of श्र. Moderne OCR-engines lossen dit op door hele regels te lezen met neurale netwerken die op Hindi-tekst zijn getraind; de open-source engine Tesseract levert bijvoorbeeld een eigen Hindi-model naast een algemeen Devanagari-model.
Daarom is de keuze bij Taal van het document voor Hindi belangrijker dan voor de meeste Europese talen. Met Engels geselecteerd levert een Hindi-pagina onzin op; met Hindi verwacht de engine Devanagari-vormen, past hij Hindi-spellingpatronen toe en schrijft hij het resultaat in de juiste Unicode-volgorde. Voor een breder overzicht van talen en uitvoerformaten, zie de afbeelding naar tekst-converter.
Kenmerken van Devanagari die Hindi-tekstherkenning lastiger maken
| Kenmerk | Voorbeeld | Wat het betekent voor OCR |
|---|---|---|
| Shirorekha (bovenlijn) | हिन्दी | Letters in een woord zijn verbonden, dus de engine leest de vorm van het hele woord in plaats van losse tekens |
| Matra die eerst geschreven wordt | कि | Het i-teken ि wordt vóór क getekend maar in Unicode erna opgeslagen, dus de visuele volgorde moet worden omgedraaid |
| Ligaturen met halant | क्ष, ज्ञ, द्ध | Twee medeklinkers plus de virama ् verschijnen als één samengesmolten vorm die overeenkomt met drie codepunten |
| Nukta | ज़, फ़ | Een kleine stip onder de letter; bij lage resolutie of ruis valt hij makkelijk weg of komt er een bij |
| Anusvara en chandrabindu | हं, हँ | Kleine tekens boven de bovenlijn die in gecomprimeerde foto's als eerste vervagen |
| Devanagari-cijfers | ०१२३ | Veel documenten mengen ze met 0–9, en beide worden behouden zoals gedrukt |
Kruti Dev en andere verouderde Hindi-lettertypen
Veel oudere Hindi-documenten zijn getypt in lettertypen zoals Kruti Dev, die Devanagari-vormen op Engelse toetsenbordcodes plaatsen. Ze zien er op het scherm goed uit, maar zijn geen echte Hindi-tekst, waardoor kopiëren, zoeken en spellingcontrole niet werken. OCR-uitvoer is altijd Unicode; als een typtest of kantoorsjabloon nog Kruti Dev eist, is een aparte conversie van Unicode naar Kruti Dev nodig.
Nauwkeurige Hindi-tekst uit een foto of scan halen
Kleine tekens bepalen de nauwkeurigheid bij Hindi. Een nukta of chandrabindu is maar een paar pixels hoog en verdwijnt als eerste in een wazige of sterk gecomprimeerde foto. Scan op 300 DPI of fotografeer de pagina zo dat deze het beeld vult, en stuur het originele bestand in plaats van een kopie die via een chatapp is doorgestuurd.
Pagina's rechtzetten is belangrijker dan gewoonlijk, omdat een scheve bovenlijn de regel breekt die de engine volgt. Laat het aan staan en zet Contrast verbeteren aan voor verbleekt krantenpapier, oude overheidsformulieren of foto's bij weinig licht. Laat Ook herkennen op geen staan bij pagina's die alleen Hindi bevatten; een tweede taal verlaagt de nauwkeurigheid licht als die niet nodig is.
Vragen over Hindi OCR
Kan Hindi OCR een document lezen dat in Kruti Dev is getypt?
Ja. OCR leest de lettervormen die op de pagina staan, niet het lettertypebestand erachter. Een afdruk of scan van een Kruti Dev-document wordt dus herkend als elke andere Hindi-tekst. Het resultaat is standaard Unicode-Devanagari, geen Kruti Dev-toetsaanslagen.
Waarom verandert Hindi-tekst die ik uit mijn PDF kopieer in willekeurige Engelse letters?
De PDF is gemaakt met een verouderd lettertype dat Devanagari-vormen opslaat op Latijnse tekencodes, dus bij kopiëren krijgt u de codes, bijvoorbeeld fgUnh in plaats van हिन्दी. OCR negeert die codes en leest wat zichtbaar is. Met OCR PDF kunt u ook een correcte tekstlaag in de PDF terugzetten.
Welk lettertype gebruik ik om de herkende Hindi-tekst weer te geven?
Elk Unicode-lettertype met ondersteuning voor Devanagari. Windows bevat Mangal en Nirmala UI, Macs en iPhones hebben ook Devanagari-lettertypen, en Noto Sans Devanagari van Google is gratis. Ziet u lege vakjes, dan gebruikt de app een lettertype zonder Devanagari en is het bestand niet kapot.
Kan het handgeschreven Hindi lezen?
Zet Soort tekst op Handschrift voor nette handgeschreven notities en formulieren; de resultaten zijn ruwer dan bij gedrukte tekst en vragen om zorgvuldig nalezen. Aaneengeschreven, snel handschrift met een ongelijke bovenlijn is het moeilijkst.
Werkt Hindi OCR ook voor Marathi, Nepalees of Sanskriet?
Deze talen delen het Devanagari-schrift, dus een groot deel van de tekst wordt herkend, maar woordenschat en enkele letters verschillen. Marathi heeft een eigen keuze onder Taal van het document, die letters zoals ळ beter verwerkt; voor Nepalees en Sanskriet is Hindi de beste optie en is nalezen belangrijker.
