OCR hindi: din imagine în text hindi
Încărcați o fotografie, o captură de ecran sau un PDF scanat cu text în hindi și primiți-l înapoi ca text devanagari Unicode, care se lipește corect în Word, WhatsApp, Google Docs sau într-un formular. Limba documentului este deja setată pe hindi.
Imagine în text
sau trage Fișiere PDF, JPG, JPEG … aici ·
Maximum 95 MB per fișier· Până la 20 fișiere· Șterse după 30 minute
Fișierele sunt procesate pe serverele noastre și șterse după 30 minute.
Pentru pagini care combină două limbi, de ex. hindi cu cuvinte englezești. Altfel lasă pe fără; o limbă suplimentară scade ușor precizia.
Păstrează lasă coloanele, paragrafele și tabelele la locul lor. Simplu produce un singur bloc continuu de text, mai ușor de lipit în formulare.
Pentru PDF și TIFF cu mai multe pagini: citește toate paginile, doar prima sau un interval.
Paginile de citit, de ex. 1-3, 5, 8-10.
Cum se folosește acest instrument
- 1
Încărcați pagina în hindi
Adăugați imagini JPG, PNG, HEIC sau TIFF ori un PDF, maximum 20 de fișiere de până la 95 MB fiecare. O fotografie clară și dreaptă a paginii, făcută la lumina zilei, se citește cel mai bine.
- 2
Adăugați engleza dacă pagina le combină pe amândouă
Limba documentului este hindi. Dacă pagina conține și cuvinte, nume sau coduri în engleză, setați Recunoaște și pe engleză în Setări avansate; altfel lăsați pe fără.
- 3
Recunoașteți textul
Apăsați Recunoaște textul și descărcați fișierul .txt sau alegeți Word ori un PDF cu text căutabil la Rezultat, înainte de a începe.
OCR-ul pentru hindi trebuie să citească o linie, nu un șir de litere separate: linia superioară leagă toate caracterele unui cuvânt, semnele vocalice stau deasupra, dedesubt și înaintea consoanelor, iar consoanele se contopesc în ligaturi.
Cum citește OCR-ul hindi scrierea devanagari
Hindi se scrie în Devanagari, pe care articolul 343 din Constituția Indiei îl desemnează drept scrierea limbii oficiale a Uniunii. Unicode îi atribuie blocul U+0900–U+097F, iar orice telefon sau computer modern îl poate afișa și tasta. Recunoașterea lui dintr-o imagine diferă de citirea textului latin, pentru că scrierea este construită altfel.
Cuvintele atârnă de o linie continuă de sus, shirorekha, așa că literele se ating și nu pot fi separate căutând spații. Vocalele de după prima se scriu ca matra atașate consoanei. Două sau mai multe consoane fără vocală între ele se contopesc într-o ligatură precum क्ष, त्र sau श्र. Motoarele OCR moderne rezolvă asta citind linii întregi cu rețele neuronale antrenate pe text hindi; motorul open-source Tesseract, de exemplu, include un model dedicat pentru hindi, alături de unul general pentru Devanagari.
De aceea alegerea la Limba documentului contează mai mult pentru hindi decât pentru majoritatea limbilor europene. Cu engleza selectată, o pagină hindi produce un text fără sens; cu hindi selectat, motorul așteaptă forme Devanagari, aplică tiparele ortografice hindi și scrie rezultatul în ordinea Unicode corectă. Pentru o privire de ansamblu asupra limbilor și formatelor de rezultat, vedeți convertorul de imagine în text.
Particularitățile scrierii devanagari care îngreunează transformarea imaginii în text hindi
| Particularitate | Exemplu | Ce înseamnă pentru OCR |
|---|---|---|
| Shirorekha (linia superioară) | हिन्दी | Literele unui cuvânt sunt legate, așa că motorul citește forma întregului cuvânt, nu caractere izolate |
| Matra scrisă prima | कि | Semnul ि se desenează înaintea lui क, dar în Unicode se stochează după el, deci ordinea vizuală trebuie inversată |
| Ligaturi cu halant | क्ष, ज्ञ, द्ध | Două consoane plus virama ् apar ca o singură formă contopită, care corespunde la trei puncte de cod |
| Nukta | ज़, फ़ | Un punct mic sub literă; rezoluția mică sau zgomotul îl pot elimina sau adăuga ușor |
| Anusvara și chandrabindu | हं, हँ | Semne minuscule deasupra liniei, care se estompează primele în fotografiile comprimate |
| Cifre Devanagari | ०१२३ | Multe documente le amestecă cu 0–9, iar ambele se păstrează așa cum sunt tipărite |
Kruti Dev și alte fonturi hindi vechi
Multe documente hindi mai vechi au fost scrise cu fonturi precum Kruti Dev, care așază formele Devanagari pe codurile tastaturii englezești. Pe ecran arată corect, dar nu sunt text hindi real, așa că copierea, căutarea și verificarea ortografică nu funcționează. Rezultatul OCR este întotdeauna Unicode; dacă un test de dactilografie sau un șablon de birou cere în continuare Kruti Dev, este nevoie de o conversie separată din Unicode în Kruti Dev.
Cum obțineți text hindi corect dintr-o poză sau o scanare
Semnele mici decid acuratețea în hindi. O nukta sau un chandrabindu are doar câțiva pixeli înălțime și este primul care dispare într-o fotografie neclară sau puternic comprimată. Scanați la 300 DPI sau fotografiați pagina astfel încât să umple cadrul și trimiteți fișierul original, nu o copie redirecționată printr-o aplicație de chat.
Îndreaptă paginile contează mai mult decât de obicei, pentru că o linie superioară înclinată rupe linia pe care o urmează motorul. Lăsați opțiunea activată și porniți Îmbunătățește contrastul pentru ziare decolorate, formulare oficiale vechi sau fotografii făcute pe lumină slabă. Lăsați Recunoaște și pe fără pentru paginile numai în hindi; o a doua limbă scade ușor acuratețea când nu este necesară.
Întrebări despre OCR-ul hindi
Poate OCR-ul hindi să citească un document scris cu Kruti Dev?
Da. OCR citește forma literelor tipărite pe pagină, nu fișierul de font din spatele lor, așa că o listare sau o scanare a unui document Kruti Dev este recunoscută ca orice alt text hindi. Rezultatul este text Unicode Devanagari standard, nu taste Kruti Dev.
De ce textul în hindi copiat din PDF devine o înșiruire de litere latine fără sens?
PDF-ul a fost creat cu un font vechi care stochează formele Devanagari pe coduri de caractere latine, așa că la copiere obțineți codurile, de exemplu fgUnh în loc de हिन्दी. Dacă treceți paginile prin OCR, codurile sunt ignorate și se citește ce se vede. OCR PDF poate adăuga în PDF și un strat de text corect.
Ce font trebuie să folosesc pentru a afișa textul hindi extras?
Orice font Unicode cu suport Devanagari. Windows include Mangal și Nirmala UI, Mac-urile și iPhone-urile includ și ele fonturi Devanagari, iar Noto Sans Devanagari de la Google este gratuit. Dacă vedeți pătrățele goale, aplicația folosește un font fără Devanagari, nu un fișier defect.
Poate citi scrisul de mână în hindi?
Setați Tipul textului pe Scris de mână pentru notițe și formulare scrise îngrijit de mână; rezultatele sunt mai slabe decât la text tipărit și cer o corectare atentă. Scrisul rapid, legat, cu o linie superioară neregulată este cel mai dificil caz.
Funcționează OCR-ul hindi și pentru marathi, nepaleză sau sanscrită?
Aceste limbi folosesc același alfabet Devanagari, deci o mare parte din text este recunoscută, dar vocabularul și câteva litere diferă. Marathi are o opțiune proprie la Limba documentului, care tratează mai bine litere precum ळ; pentru nepaleză și sanscrită, hindi este cea mai apropiată opțiune, iar corectura contează mai mult.
