OCR hindčiny: obrázok na hindský text
Nahrajte fotku, snímku obrazovky alebo naskenované PDF s hindským textom a získajte ho späť ako Unicode v dévanágarí, ktorý sa bez problémov vloží do Wordu, WhatsAppu, Google Docs alebo do formulára. Jazyk dokumentu je už nastavený na hindčinu.
Image to Text
alebo sem presuňte súbory PDF, JPG, JPEG … ·
Max. 95 MB na súbor· Až 20 súborov· Odstránenie po 30 minútach
Súbory sa spracúvajú na našich serveroch a po 30 minútach sa odstránia.
Pre strany s dvoma jazykmi, napr. hindčina s anglickými slovami. Inak nechajte Žiadny; ďalší jazyk mierne znižuje presnosť.
Zachovať ponechá stĺpce, odseky a tabuľky na pôvodných miestach. Obyčajný text vypíše jeden súvislý blok, ktorý sa ľahšie vkladá do formulárov.
Pre vstup PDF a viacstranové TIFF: prečítať všetky strany, len prvú alebo rozsah.
Strany na prečítanie, napr. 1-3, 5, 8-10.
Ako používať tento nástroj
- 1
Nahrajte stranu v hindčine
Pridajte obrázky JPG, PNG, HEIC alebo TIFF, prípadne PDF, najviac 20 súborov s veľkosťou do 95 MB každý. Najlepšie sa číta ostrá, rovná fotografia stránky urobená pri dennom svetle.
- 2
Pridajte angličtinu, ak strana obsahuje oba jazyky
Jazyk dokumentu je hindčina. Ak sa na stránke nachádzajú aj anglické slová, mená alebo kódy, nastavte v časti Rozšírené nastavenia možnosť Rozpoznať aj na angličtinu, inak ju nechajte na hodnote žiadny.
- 3
Rozpoznajte text
Stlačte Rozpoznať text a stiahnite súbor .txt, alebo si pred spustením v časti Výstup vyberte Word či PDF s možnosťou vyhľadávania.
OCR pre hindčinu musí čítať riadok, nie rad samostatných písmen: horizontálna čiara spája všetky znaky slova, znamienka samohlások stoja nad, pod a pred spoluhláskami a spoluhlásky sa spájajú do ligatúr.
Ako OCR hindčiny číta písmo dévanágarí
Hindčina sa píše písmom Devanagari, ktoré článok 343 ústavy Indie určuje ako písmo úradného jazyka Únie. Unicode mu prideľuje blok U+0900 až U+097F a každý moderný telefón i počítač ho vie zobraziť aj písať. Rozpoznať ho z obrázka je však iné než čítať latinku, pretože písmo je postavené inak.
Slová visia na súvislej hornej čiare, shirorekhe, takže sa písmená dotýkajú a nedajú sa oddeliť hľadaním medzier. Samohlásky okrem prvej sa píšu ako matry pripojené k spoluhláske. Dve či viac spoluhlások bez samohlásky medzi nimi splynú do ligatúry, napríklad क्ष, त्र alebo श्र. Moderné OCR nástroje to riešia čítaním celých riadkov pomocou neurónových sietí trénovaných na texte v hindčine; open-source nástroj Tesseract napríklad obsahuje samostatný model pre hindčinu popri všeobecnom modeli pre Devanagari.
Preto je pri hindčine voľba Jazyka dokumentu dôležitejšia než pri väčšine európskych jazykov. Pri zvolenej angličtine dá stránka v hindčine nezmysly; pri zvolenej hindčine nástroj očakáva tvary Devanagari, uplatní pravopisné vzorce hindčiny a výsledok zapíše v správnom poradí Unicode. Širší prehľad jazykov a výstupov nájdete v časti obrázok na text.
Vlastnosti dévanágarí, ktoré sťažujú prevod hindského obrázka na text
| Vlastnosť | Príklad | Čo to znamená pre OCR |
|---|---|---|
| Shirorekha (horná čiara) | हिन्दी | Písmená slova sú spojené, takže nástroj číta tvar celého slova, nie izolované znaky |
| Matra písaná prvá | कि | Znamienko ि sa kreslí pred क, ale v Unicode sa ukladá za ním, preto sa musí vizuálne poradie obrátiť |
| Ligatúry s halantom | क्ष, ज्ञ, द्ध | Dve spoluhlásky a virama ् sa zobrazia ako jeden spojený tvar zodpovedajúci trom kódovým bodom |
| Nukta | ज़, फ़ | Malá bodka pod písmenom; nízke rozlíšenie alebo šum ju ľahko vynechá či pridá |
| Anusvára a čandrabindu | हं, हँ | Drobné znamienka nad čiarou, ktoré sa na komprimovaných fotkách rozmažú ako prvé |
| Číslice Devanagari | ०१२३ | Mnohé dokumenty ich miešajú s 0–9 a obe sa ponechajú tak, ako sú vytlačené |
Kruti Dev a ďalšie staršie hindské písma
Mnohé staršie dokumenty v hindčine boli písané v písmach ako Kruti Dev, ktoré ukladajú tvary Devanagari pod kódy anglickej klávesnice. Na obrazovke vyzerajú správne, ale nie sú skutočným textom v hindčine, takže kopírovanie, vyhľadávanie a kontrola pravopisu zlyhávajú. Výstup OCR je vždy Unicode; ak písací test alebo kancelárska šablóna stále vyžaduje Kruti Dev, treba samostatný prevod z Unicode do Kruti Dev.
Ako získať presný hindský text z fotky alebo skenu
O presnosti v hindčine rozhodujú drobné znamienka. Nukta alebo čandrabindu majú len pár pixelov a na rozmazanej či silno komprimovanej fotke zmiznú ako prvé. Skenujte pri 300 DPI alebo stránku odfoťte tak, aby vypĺňala záber, a pošlite pôvodný súbor, nie kópiu preposlanú cez chatovaciu aplikáciu.
Vyrovnať stránky je dôležitejšie než zvyčajne, pretože naklonená horná čiara preruší riadok, ktorý nástroj sleduje. Nechajte ho zapnuté a zapnite Zvýšiť kontrast pri vyblednutých novinách, starých úradných formulároch alebo fotkách z tmavého prostredia. Pri stránkach len v hindčine nechajte Rozpoznať aj na hodnote žiadny; zbytočný druhý jazyk mierne znižuje presnosť.
Otázky o OCR hindčiny
Dokáže OCR hindčiny prečítať dokument napísaný písmom Kruti Dev?
Áno. OCR číta tvary písmen vytlačené na stránke, nie súbor písma, ktorý za nimi stojí, preto sa výtlačok alebo sken dokumentu v písme Kruti Dev rozpozná ako každý iný text v hindčine. Výsledkom je štandardný Unicode Devanagari, nie klávesy Kruti Dev.
Prečo sa hindský text skopírovaný z PDF zmení na náhodné anglické písmená?
PDF vzniklo so starším písmom, ktoré ukladá tvary Devanagari pod latinské kódy znakov, takže kopírovaním získate kódy, napríklad fgUnh namiesto हिन्दी. OCR tieto kódy ignoruje a číta to, čo je viditeľné. OCR PDF dokáže do PDF vrátiť aj správnu textovú vrstvu.
Aké písmo mám použiť na zobrazenie rozpoznaného hindského textu?
Akékoľvek písmo Unicode s podporou Devanagari. Windows obsahuje Mangal a Nirmala UI, Macy a iPhony tiež obsahujú písma Devanagari a Noto Sans Devanagari od Googlu je zadarmo. Ak vidíte prázdne štvorčeky, aplikácia používa písmo bez Devanagari, súbor nie je poškodený.
Dokáže prečítať ručne písanú hindčinu?
Nastavte Typ textu na rukopis pre úhľadné rukou písané poznámky a formuláre; výsledky sú horšie než pri tlači a vyžadujú dôkladnú korektúru. Najťažší prípad je rýchly spojitý rukopis s nerovnou horizontálnou čiarou.
Funguje OCR hindčiny aj pre maráthčinu, nepálčinu alebo sanskrit?
Tieto jazyky používajú rovnaké písmo Devanagari, preto sa veľká časť textu rozpozná, no slovná zásoba a niektoré písmená sa líšia. Maráthčina má v časti Jazyk dokumentu vlastnú možnosť, ktorá lepšie zvláda písmená ako ळ; pri nepálčine a sanskrte je najbližšia hindčina a korektúra je dôležitejšia.
