OCR hindi: zdjęcie na tekst w hindi
Prześlij zdjęcie, zrzut ekranu lub zeskanowany PDF z tekstem w hindi i otrzymaj go jako dewanagari w Unicode, który bez problemu wkleisz do Worda, WhatsApp, Google Docs lub formularza. Język dokumentu jest już ustawiony na hindi.
Obraz na tekst
lub upuść Pliki PDF, JPG, JPEG … tutaj ·
Maks. 95 MB na plik· Do 20 plików· Usuwane po 30 min
Pliki są przetwarzane na naszych serwerach i usuwane po 30 min.
Dla stron łączących dwa języki, np. hindi ze słowami angielskimi. W innych przypadkach zostaw „Brak”; dodatkowy język nieco obniża dokładność.
Zachowaj układ zostawia kolumny, akapity i tabele na swoich miejscach. Zwykły tekst daje jeden ciągły blok, łatwiejszy do wklejenia do formularzy.
Dla plików PDF i wielostronicowych TIFF: odczytaj wszystkie strony, tylko pierwszą lub wybrany zakres.
Strony do odczytu, np. 1-3, 5, 8-10.
Jak korzystać z narzędzia
- 1
Prześlij stronę w hindi
Dodaj obrazy JPG, PNG, HEIC lub TIFF albo plik PDF – do 20 plików, każdy do 95 MB. Najlepiej odczytywane jest ostre, równe zdjęcie strony zrobione w świetle dziennym.
- 2
Dodaj angielski, jeśli strona łączy oba języki
Język dokumentu ustaw na hindi. Jeśli na stronie są też angielskie słowa, nazwy lub kody, w sekcji Ustawienia zaawansowane wybierz w polu Rozpoznawaj także angielski; w przeciwnym razie zostaw brak.
- 3
Rozpoznaj tekst
Kliknij Rozpoznaj tekst i pobierz plik .txt albo przed rozpoczęciem wybierz w polu Plik wynikowy Word lub przeszukiwalny PDF.
OCR dla hindi musi odczytać całą linię, a nie ciąg oddzielnych liter: linia nagłówkowa łączy wszystkie znaki w słowie, znaki samogłoskowe stoją nad, pod i przed spółgłoskami, a spółgłoski łączą się w ligatury.
Jak OCR hindi odczytuje pismo dewanagari
Hindi zapisuje się w devanagari, które artykuł 343 Konstytucji Indii wskazuje jako pismo języka urzędowego Unii. Unicode przypisuje mu blok od U+0900 do U+097F, a każdy współczesny telefon i komputer potrafi je wyświetlać i wpisywać. Rozpoznawanie go ze zdjęcia to jednak co innego niż odczyt druku łacińskiego, ponieważ pismo jest zbudowane inaczej.
Słowa „wiszą” na ciągłej górnej linii, zwanej shirorekha, więc litery się stykają i nie da się ich rozdzielić, szukając przerw. Samogłoski inne niż pierwsza zapisuje się jako matry dołączone do spółgłoski. Dwie lub więcej spółgłosek bez samogłoski między nimi łączy się w ligaturę, taką jak क्ष, त्र czy श्र. Nowoczesne silniki OCR radzą sobie z tym, odczytując całe linie za pomocą sieci neuronowych wytrenowanych na tekstach w hindi; otwartoźródłowy silnik Tesseract ma na przykład osobny model hindi obok ogólnego modelu devanagari.
Dlatego wybór opcji Język dokumentu ma w przypadku hindi większe znaczenie niż dla większości języków europejskich. Przy wybranym angielskim strona w hindi daje bezsensowny wynik; przy wybranym hindi silnik oczekuje kształtów devanagari, stosuje wzorce pisowni hindi i zapisuje wynik w poprawnej kolejności Unicode. Szerszy przegląd języków i formatów wyjściowych znajdziesz w opisie konwertera obrazu na tekst.
Cechy dewanagari, które utrudniają zamianę zdjęcia na tekst w hindi
| Cecha | Przykład | Znaczenie dla OCR |
|---|---|---|
| Shirorekha (linia nagłówkowa) | हिन्दी | Litery w słowie są połączone, więc silnik odczytuje kształt całego słowa, a nie pojedyncze znaki |
| Matra pisana jako pierwsza | कि | Znak i (ि) jest rysowany przed क, ale w Unicode zapisywany po nim, więc kolejność wizualną trzeba odwrócić |
| Ligatury z halantem | क्ष, ज्ञ, द्ध | Dwie spółgłoski i wirama ् tworzą jeden zlany kształt, który odpowiada trzem punktom kodowym |
| Nukta | ज़, फ़ | Mała kropka pod literą; niska rozdzielczość lub szum łatwo ją usuwają albo dodają |
| Anusvara i chandrabindu | हं, हँ | Drobne znaki nad linią nagłówkową, które na skompresowanych zdjęciach rozmywają się najpierw |
| Cyfry devanagari | ०१२३ | Wiele dokumentów miesza je z cyframi 0–9, a obie formy zostają zachowane tak, jak wydrukowano |
Kruti Dev i inne starsze czcionki hindi
Wiele starszych dokumentów w hindi pisano czcionkami takimi jak Kruti Dev, które umieszczają kształty devanagari pod kodami angielskiej klawiatury. Na ekranie wyglądają poprawnie, ale nie są prawdziwym tekstem w hindi, więc kopiowanie, wyszukiwanie i sprawdzanie pisowni nie działają. Wynik OCR jest zawsze w Unicode; jeśli test pisania na klawiaturze lub szablon biurowy nadal wymaga Kruti Dev, potrzebna jest osobna konwersja z Unicode na Kruti Dev.
Jak uzyskać dokładny tekst w hindi ze zdjęcia lub skanu
O dokładności w hindi decydują drobne znaki. Nukta lub chandrabindu mają zaledwie kilka pikseli wysokości i jako pierwsze znikają na rozmazanym lub mocno skompresowanym zdjęciu. Skanuj w rozdzielczości 300 DPI albo fotografuj stronę tak, by wypełniała kadr, i wysyłaj oryginalny plik, a nie kopię przesłaną przez komunikator.
Opcja Wyprostuj strony jest tu ważniejsza niż zwykle, bo przekrzywiona linia nagłówkowa zaburza linię, za którą podąża silnik. Zostaw ją włączoną, a Popraw kontrast włącz przy wyblakłym papierze gazetowym, starych urzędowych formularzach lub zdjęciach zrobionych przy słabym świetle. W polu Rozpoznawaj także zostaw brak dla stron wyłącznie w hindi; zbędny drugi język nieco obniża dokładność.
Pytania o OCR hindi
Czy OCR hindi odczyta dokument napisany czcionką Kruti Dev?
Tak. OCR odczytuje kształty liter wydrukowane na stronie, a nie plik czcionki, który za nimi stoi, więc wydruk lub skan dokumentu w Kruti Dev jest rozpoznawany jak każdy inny tekst w hindi. Wynik to standardowy tekst Unicode w devanagari, a nie znaki wpisywane w Kruti Dev.
Dlaczego tekst w hindi skopiowany z mojego PDF zamienia się w przypadkowe angielskie litery?
PDF powstał ze starszą czcionką, która zapisuje kształty devanagari pod łacińskimi kodami znaków, więc kopiowanie daje te kody, na przykład fgUnh zamiast हिन्दी. OCR pomija te kody i odczytuje to, co widać na stronie. OCR PDF może też przywrócić w pliku PDF poprawną warstwę tekstową.
Jakiej czcionki użyć do wyświetlenia wyodrębnionego tekstu w hindi?
Dowolna czcionka Unicode obsługująca devanagari. Windows zawiera Mangal i Nirmala UI, komputery Mac i iPhone’y również mają czcionki devanagari, a Noto Sans Devanagari od Google jest darmowa. Jeśli widzisz puste kwadraty, aplikacja używa czcionki bez devanagari, a plik nie jest uszkodzony.
Czy narzędzie odczyta odręczne pismo w hindi?
Ustaw Rodzaj tekstu na pismo odręczne, jeśli chcesz rozpoznać staranne notatki i formularze pisane ręcznie; wyniki są gorsze niż dla druku i wymagają dokładnej korekty. Najtrudniejsze jest szybkie, łączone pismo z nierówną linią nagłówkową.
Czy OCR hindi działa też dla marathi, nepalskiego lub sanskrytu?
Te języki używają tego samego pisma devanagari, więc znaczna część tekstu zostanie rozpoznana, ale słownictwo i kilka liter się różni. Marathi ma osobną opcję w polu Język dokumentu, która lepiej radzi sobie z literami takimi jak ळ; w przypadku nepalskiego i sanskrytu najbliższy jest hindi, a korekta ma większe znaczenie.
