OCR em hindi: imagem para texto em hindi
Envie uma foto, captura de tela ou PDF escaneado com texto em hindi e receba de volta devanágari em Unicode, que cola sem problemas no Word, no WhatsApp, no Google Docs ou em um formulário. O Idioma do documento já vem em hindi.
Imagem para texto
ou solte arquivos PDF, JPG, JPEG … aqui ·
Até 95 MB por arquivo· Até 20 arquivos· Apagados após 30 minutos
Os arquivos são processados em nossos servidores e apagados após 30 minutos.
Para páginas que misturam dois idiomas, por exemplo hindi com palavras em inglês. Caso contrário, deixe em nenhum; um idioma extra reduz um pouco a precisão.
Preservar layout mantém colunas, parágrafos e tabelas onde estavam. Texto corrido simples gera um único bloco contínuo, mais fácil de colar em formulários.
Entrada PDF e TIFF de várias páginas: leia todas as páginas, só a primeira ou um intervalo.
Páginas a ler, por exemplo 1-3, 5, 8-10.
Como usar esta ferramenta
- 1
Envie a página em hindi
Adicione imagens JPG, PNG, HEIC ou TIFF ou um PDF, até 20 arquivos de até 95 MB cada. Uma foto nítida e reta da página, tirada com luz do dia, é a que melhor se lê.
- 2
Inclua inglês se a página mistura os dois
O Idioma do documento é hindi. Se a página também tem palavras, nomes ou códigos em inglês, defina Reconhecer também como inglês em Configurações avançadas; caso contrário, deixe em nenhum.
- 3
Reconheça o texto
Clique em Reconhecer texto e baixe o arquivo .txt, ou escolha Word ou PDF pesquisável em Saída antes de começar.
O OCR em hindi precisa ler uma linha, não uma sequência de letras soltas: a linha superior une todos os caracteres de uma palavra, os sinais de vogal ficam acima, abaixo e antes das consoantes, e as consoantes se fundem em conjuntos.
Como o OCR em hindi lê a escrita devanágari
O hindi é escrito em devanágari, que o Artigo 343 da Constituição da Índia define como a escrita da língua oficial da União. O Unicode reserva para ele o bloco U+0900 a U+097F, e qualquer celular ou computador moderno consegue mostrá-lo e digitá-lo. Reconhecê-lo em uma imagem é outra história em relação a ler texto latino impresso, porque a escrita é construída de outro jeito.
As palavras ficam penduradas em uma linha superior contínua, a shirorekha, então as letras se tocam e não dá para separá-las procurando espaços. As vogais depois da primeira são escritas como matras presas à consoante. Duas ou mais consoantes sem vogal entre elas se fundem em um conjunto, como क्ष, त्र ou श्र. Os motores de OCR modernos resolvem isso lendo linhas inteiras com redes neurais treinadas em texto em hindi; o motor de código aberto Tesseract, por exemplo, traz um modelo específico de hindi ao lado de um modelo geral de devanágari.
Por isso escolher o Idioma do documento pesa mais no hindi do que na maioria dos idiomas europeus. Com inglês selecionado, uma página em hindi vira texto sem sentido; com hindi selecionado, o motor espera formas devanágari, aplica os padrões de grafia do hindi e grava o resultado na ordem Unicode correta. Para uma visão geral de idiomas e formatos de saída, veja o conversor de imagem em texto.
Traços do devanágari que dificultam converter imagem em texto em hindi
| Traço | Exemplo | O que significa para o OCR |
|---|---|---|
| Shirorekha (linha superior) | हिन्दी | As letras de uma palavra são unidas, então o motor lê o formato da palavra inteira em vez de caracteres isolados |
| Matra escrita antes | कि | O sinal de i ि é desenhado antes de क, mas guardado depois dele no Unicode, então a ordem visual precisa ser invertida |
| Conjuntos com halant | क्ष, ज्ञ, द्ध | Duas consoantes mais o virama ् aparecem como uma forma fundida que corresponde a três pontos de código |
| Nukta | ज़, फ़ | Um pontinho embaixo da letra; baixa resolução ou ruído fazem ele sumir ou aparecer à toa |
| Anusvara e chandrabindu | हं, हँ | Marcas minúsculas acima da linha superior, as primeiras a borrar em fotos comprimidas |
| Algarismos devanágari | ०१२३ | Muitos documentos os misturam com 0–9, e os dois são mantidos como foram impressos |
Kruti Dev e outras fontes antigas de hindi
Muitos documentos antigos em hindi foram digitados em fontes como a Kruti Dev, que colocam as formas devanágari nos códigos do teclado inglês. Eles parecem certos na tela, mas não são texto em hindi de verdade, então copiar, pesquisar e corrigir a ortografia não funcionam. A saída do OCR é sempre Unicode; se um teste de digitação ou um modelo de repartição ainda exigir Kruti Dev, é preciso uma conversão separada de Unicode para Kruti Dev.
Como obter texto em hindi preciso de uma foto ou digitalização
No hindi, são as marcas pequenas que decidem a precisão. Um nukta ou um chandrabindu tem só alguns pixels de altura, e é a primeira coisa a desaparecer em uma foto desfocada ou muito comprimida. Digitalize a 300 DPI ou fotografe a página de modo que ela ocupe o quadro inteiro, e envie o arquivo original em vez de uma cópia repassada por um app de mensagens.
Endireitar páginas pesa mais do que o normal, porque uma linha superior inclinada quebra a linha que o motor segue. Deixe ligado e ative Realçar contraste para jornal desbotado, formulários antigos de repartição ou fotos tiradas com pouca luz. Deixe Reconhecer também em nenhum para páginas só em hindi; um segundo idioma reduz um pouco a precisão quando não é necessário.
Perguntas sobre OCR em hindi
O OCR em hindi lê um documento digitado na fonte Kruti Dev?
Sim. O OCR lê os formatos das letras impressas na página, não o arquivo de fonte por trás delas, então uma impressão ou digitalização de um documento em Kruti Dev é reconhecida como qualquer outro texto em hindi. O resultado é devanágari em Unicode padrão, não as teclas do Kruti Dev.
Por que o texto em hindi copiado do meu PDF vira letras latinas aleatórias?
O PDF foi feito com uma fonte antiga que guarda as formas do devanágari em códigos de caracteres latinos, então copiar entrega os códigos, por exemplo fgUnh em vez de हिन्दी. Passar as páginas pelo OCR ignora esses códigos e lê o que está visível. O OCR em PDF também consegue colocar de volta no PDF uma camada de texto correta.
Que fonte usar para mostrar o texto em hindi extraído?
Qualquer fonte Unicode com suporte a devanágari. O Windows inclui Mangal e Nirmala UI, Macs e iPhones também trazem fontes devanágari, e a Noto Sans Devanagari, do Google, é gratuita. Se aparecerem quadradinhos vazios, o app está usando uma fonte sem devanágari; o arquivo não está corrompido.
O OCR consegue ler hindi escrito à mão?
Defina Tipo de texto como Manuscrito para anotações e formulários escritos à mão com capricho; os resultados são mais irregulares do que com texto impresso e exigem revisão cuidadosa. Letra corrida e rápida, com a linha superior irregular, é o caso mais difícil.
O OCR em hindi também funciona para marati, nepali ou sânscrito?
Esses idiomas usam a mesma escrita devanágari, então boa parte do texto é reconhecida, mas o vocabulário e algumas letras mudam. O marati tem opção própria em Idioma do documento, que lida melhor com letras como ळ; para nepali e sânscrito, o hindi é a opção mais próxima e a revisão pesa mais.
