Распознавание текста на хинди с картинки
Загрузите фото, скриншот или отсканированный PDF с текстом на хинди и получите его в виде деванагари в Unicode, который без искажений вставляется в Word, WhatsApp, Google Документы или форму. Язык документа уже установлен на хинди.
Изображение в текст
или перетащите сюда файлы PDF, JPG, JPEG … ·
Макс. 95 MB на файл· До 20 файлов· Удаляются через 30 минут
Файлы обрабатываются на наших серверах и удаляются через 30 минут.
Для страниц, где смешаны два языка, например хинди с английскими словами. В остальных случаях оставьте «Нет»: дополнительный язык немного снижает точность.
«Сохранить макет» оставляет колонки, абзацы и таблицы на своих местах. «Сплошной текст» выдаёт один непрерывный блок текста, который проще вставить в формы.
Для PDF и многостраничных TIFF: распознать все страницы, только первую или диапазон.
Страницы для распознавания, например 1-3, 5, 8-10.
Как пользоваться инструментом
- 1
Загрузите страницу на хинди
Добавьте изображения JPG, PNG, HEIC или TIFF либо PDF: до 20 файлов, каждый до 95 MB. Лучше всего распознаются чёткие, ровные фото страницы, снятые при дневном свете.
- 2
Добавьте английский, если на странице оба языка
В поле Язык документа выберите хинди. Если на странице есть английские слова, имена или коды, в разделе Расширенные настройки выберите английский в поле Распознавать также; иначе оставьте «нет».
- 3
Распознайте текст
Нажмите Распознать текст и скачайте файл .txt. Либо заранее выберите Word или PDF с возможностью поиска в поле Вывод.
OCR для хинди должен читать строку целиком, а не набор отдельных букв: верхняя черта соединяет все символы слова, огласовки стоят над согласными, под ними и перед ними, а согласные сливаются в лигатуры.
Как OCR хинди распознает письмо деванагари
Хинди пишется деванагари; статья 343 Конституции Индии называет её письменностью официального языка Союза. В Unicode ей отведён блок U+0900–U+097F, и любой современный телефон или компьютер может её отображать и вводить. Но распознать её по картинке — не то же самое, что читать латинский шрифт: письмо устроено иначе.
Слова «подвешены» к сплошной верхней линии, широрекхе, поэтому буквы соприкасаются, и разделить их по промежуткам нельзя. Гласные после первой пишутся как матры, присоединённые к согласной. Две и более согласные без гласной между ними сливаются в лигатуру, например क्ष, त्र или श्र. Современные движки OCR справляются с этим, читая строки целиком нейросетями, обученными на текстах хинди; например, движок Tesseract с открытым кодом включает отдельную модель для хинди наряду с общей моделью деванагари.
Поэтому выбор в поле Язык документа для хинди важнее, чем для большинства европейских языков. Если выбран английский, страница на хинди превратится в бессмыслицу; если выбран хинди, движок ожидает формы деванагари, применяет правила написания хинди и записывает результат в правильном порядке Unicode. Более общий обзор языков и форматов вывода — в разделе конвертер изображения в текст.
Особенности деванагари, которые усложняют распознавание текста на хинди
| Особенность | Пример | Что это значит для OCR |
|---|---|---|
| Широрекха (верхняя черта) | हिन्दी | Буквы в слове соединены, поэтому движок читает форму слова целиком, а не отдельные символы |
| Матра, написанная первой | कि | Знак ि рисуется перед क, но хранится после него в Unicode, поэтому визуальный порядок нужно поменять местами |
| Лигатуры с халантом | क्ष, ज्ञ, द्ध | Две согласные и вирама ् выглядят как одна слитная форма, соответствующая трём кодовым точкам |
| Нукта | ज़, फ़ | Маленькая точка под буквой; при низком разрешении или шуме её легко потерять или добавить лишнюю |
| Анусвара и чандрабинду | हं, हँ | Крошечные знаки над верхней чертой, которые первыми размываются на сжатых фото |
| Цифры деванагари | ०१२३ | Во многих документах они смешаны с 0–9, и оба вида сохраняются как напечатано |
Kruti Dev и другие устаревшие шрифты для хинди
Многие старые документы на хинди набирались шрифтами вроде Kruti Dev, которые размещают формы деванагари на кодах английской клавиатуры. На экране они выглядят правильно, но это не настоящий текст на хинди, поэтому копирование, поиск и проверка орфографии не работают. Результат OCR всегда в Unicode; если для теста на скорость печати или офисного шаблона всё ещё нужен Kruti Dev, потребуется отдельная конвертация из Unicode в Kruti Dev.
Как точно распознать текст на хинди с фото или скана
В хинди точность определяют мелкие знаки. Нукта или чандрабинду имеют высоту всего в несколько пикселей и первыми пропадают на размытом или сильно сжатом фото. Сканируйте с разрешением 300 DPI или фотографируйте страницу так, чтобы она заполняла кадр, и отправляйте исходный файл, а не копию, пересланную через мессенджер.
Параметр Выровнять страницы важнее обычного: наклонённая верхняя черта сбивает линию, по которой движется движок. Оставьте его включённым, а Повысить контрастность включите для выцветшей газетной бумаги, старых государственных бланков или фото при тусклом свете. Для страниц только на хинди оставьте Распознавать также без языка: лишний язык немного снижает точность.
Вопросы о распознавании текста на хинди
Распознает ли OCR хинди документ, набранный шрифтом Kruti Dev?
Да. OCR читает формы букв, напечатанные на странице, а не файл шрифта за ними, поэтому распечатка или скан документа в Kruti Dev распознаётся как любой другой текст на хинди. Результат — стандартная деванагари в Unicode, а не набор клавиш Kruti Dev.
Почему текст на хинди, скопированный из PDF, превращается в случайные латинские буквы?
PDF создан с устаревшим шрифтом, который хранит формы деванагари под кодами латинских символов, поэтому при копировании вы получаете коды, например fgUnh вместо हिन्दी. OCR игнорирует эти коды и читает то, что видно на странице. OCR PDF также может вернуть в PDF корректный текстовый слой.
Какой шрифт использовать для отображения распознанного текста на хинди?
Любой шрифт Unicode с поддержкой деванагари. В Windows есть Mangal и Nirmala UI, на Mac и iPhone тоже есть шрифты деванагари, а Noto Sans Devanagari от Google бесплатен. Если вы видите пустые квадраты, приложение использует шрифт без деванагари, а файл не повреждён.
Можно ли распознать рукописный текст на хинди?
В поле Тип текста выберите «Рукописный» для аккуратных рукописных заметок и форм. Результат хуже, чем для печатного текста, и требует внимательной вычитки. Самый сложный случай — скорый слитный почерк с неровной верхней чертой.
Подходит ли распознавание текста на хинди для маратхи, непальского или санскрита?
Эти языки используют одну письменность деванагари, поэтому большая часть текста распознаётся, но словарь и некоторые буквы различаются. Для маратхи в поле Язык документа есть отдельный вариант, который лучше справляется с буквами вроде ळ; для непали и санскрита ближе всего хинди, и вычитка важнее.
