இந்தி OCR: படத்திலிருந்து இந்தி உரை
இந்தி உரை உள்ள புகைப்படம், ஸ்கிரீன்ஷாட் அல்லது ஸ்கேன் செய்த PDF-ஐப் பதிவேற்றுங்கள். Word, WhatsApp, Google Docs அல்லது ஒரு படிவத்தில் சரியாக ஒட்டக்கூடிய Unicode தேவநாகரி உரையாக அதைத் திரும்பப் பெறுவீர்கள். ஆவண மொழி ஏற்கனவே இந்தி என அமைக்கப்பட்டுள்ளது.
படத்திலிருந்து உரை
அல்லது PDF, JPG, JPEG … கோப்புகள் இங்கே இழுத்து விடவும் ·
ஒரு கோப்புக்கு அதிகபட்சம் 95 MB· அதிகபட்சம் 20 கோப்புகள்· 30 நிமிடங்களுக்குப் பிறகு நீக்கப்படும்
கோப்புகள் எங்கள் சேவையகங்களில் செயலாக்கப்பட்டு 30 நிமிடங்களுக்குப் பிறகு நீக்கப்படும்.
இரு மொழிகள் கலந்த பக்கங்களுக்கு, எ.கா. ஆங்கில சொற்களுடன் இந்தி. இல்லையெனில் எதுவுமில்லை என விடவும்; கூடுதல் மொழி துல்லியத்தை சற்றுக் குறைக்கும்.
பாதுகாத்தல் நெடுவரிசைகள், பத்திகள், அட்டவணைகளை அவை இருந்த இடத்தில் வைக்கும். எளிய வடிவம் ஒரே தொடர் உரைத் தொகுதியைத் தரும்; படிவங்களில் ஒட்ட எளிது.
PDF மற்றும் பல பக்க TIFF உள்ளீடு: எல்லா பக்கங்கள், முதல் பக்கம் மட்டும், அல்லது ஒரு வரம்பைப் படிக்கும்.
படிக்க வேண்டிய பக்கங்கள், எ.கா. 1-3, 5, 8-10.
இந்தக் கருவியை எப்படிப் பயன்படுத்துவது
- 1
இந்தி பக்கத்தைப் பதிவேற்றுங்கள்
JPG, PNG, HEIC அல்லது TIFF படங்களை அல்லது ஒரு PDF-ஐச் சேர்க்கவும்; அதிகபட்சம் 20 கோப்புகள், ஒவ்வொன்றும் 95 MB வரை. பகல் வெளிச்சத்தில் எடுத்த தெளிவான, நேரான பக்கப் புகைப்படம் சிறப்பாகப் படிக்கப்படும்.
- 2
பக்கத்தில் இரண்டும் கலந்திருந்தால் ஆங்கிலத்தையும் சேர்க்கவும்
ஆவண மொழி என்பதில் இந்தியைத் தேர்ந்தெடுக்கவும். பக்கத்தில் ஆங்கிலச் சொற்கள், பெயர்கள் அல்லது குறியீடுகளும் இருந்தால், மேம்பட்ட அமைப்புகள் பகுதியில் இதையும் அறி என்பதை ஆங்கிலம் ஆக அமைக்கவும்; இல்லையெனில் எதுவும் இல்லை என்றே விடவும்.
- 3
உரையை அடையாளம் காணுங்கள்
உரையை அறி என்பதை அழுத்தி .txt கோப்பைப் பதிவிறக்கவும்; அல்லது தொடங்கும் முன் வெளியீடு பகுதியில் Word அல்லது தேடக்கூடிய PDF-ஐத் தேர்ந்தெடுக்கவும்.
இந்தி OCR தனித்தனி எழுத்துகளின் வரிசையை அல்ல, ஒரு வரியைப் படிக்க வேண்டும்: தலைக்கோடு சொல்லின் ஒவ்வொரு எழுத்தையும் இணைக்கிறது, உயிர்மாத்திரைகள் மெய்யெழுத்துக்கு மேலும் கீழும் முன்னும் வரும், மெய்கள் சேர்ந்து கூட்டெழுத்துகளாகும்.
இந்தி OCR தேவநாகரி எழுத்தை எப்படிப் படிக்கிறது
இந்தி தேவநாகரியில் எழுதப்படுகிறது; இந்திய அரசியலமைப்பின் 343-ஆவது பிரிவு இதை ஒன்றியத்தின் அலுவல் மொழியின் எழுத்துமுறை எனக் குறிப்பிடுகிறது. Unicode இதற்கு U+0900 முதல் U+097F வரையிலான பிளாக்கை ஒதுக்கியுள்ளது; ஒவ்வொரு நவீன போன்-கணினியும் இதைக் காட்டவும் தட்டச்சவும் முடியும். படத்திலிருந்து இதை அறிவது லத்தீன் அச்சைப் படிப்பதிலிருந்து வேறுபட்டது, ஏனெனில் இந்த எழுத்துமுறையின் அமைப்பு வேறு.
சொற்கள் ஷிரோரேகா எனும் தொடர்ச்சியான மேல்கோட்டில் தொங்குகின்றன; எனவே எழுத்துகள் ஒன்றையொன்று தொடுகின்றன, இடைவெளி தேடி அவற்றைப் பிரிக்க முடியாது. முதல் உயிரைத் தவிர்த்த உயிர்கள் மெய்யுடன் இணைந்த மாத்திரைகளாக எழுதப்படும். உயிர் இல்லாமல் இரண்டு அல்லது மேற்பட்ட மெய்கள் சேர்ந்தால் क्ष, त्र, श्र போன்ற கூட்டெழுத்தாகும். நவீன OCR இயந்திரங்கள் இந்தி உரையில் பயிற்சி பெற்ற நியூரல் நெட்வொர்க்குகளால் முழு வரிகளையும் படித்து இதைக் கையாளுகின்றன; உதாரணமாக, திறந்த மூல Tesseract இயந்திரம் பொதுவான தேவநாகரி மாதிரியுடன் தனி இந்தி மாதிரியையும் கொண்டுள்ளது.
அதனால்தான் பெரும்பாலான ஐரோப்பிய மொழிகளை விட இந்திக்கு ஆவண மொழி தேர்வு அதிக முக்கியம். ஆங்கிலத்தைத் தேர்ந்தால் இந்தி பக்கம் அர்த்தமற்ற உரையைத் தரும்; இந்தியைத் தேர்ந்தால் இயந்திரம் தேவநாகரி வடிவங்களை எதிர்பார்த்து, இந்தி எழுத்துப்பாங்குகளைப் பயன்படுத்தி, சரியான Unicode வரிசையில் முடிவை எழுதும். மொழிகள் மற்றும் வெளியீடுகள் பற்றிய விரிவான பார்வைக்கு படத்திலிருந்து உரை மாற்றி பக்கத்தைப் பாருங்கள்.
இந்தி படத்திலிருந்து உரை எடுப்பதைக் கடினமாக்கும் தேவநாகரி அம்சங்கள்
| அம்சம் | எடுத்துக்காட்டு | OCR-க்கு இதன் பொருள் |
|---|---|---|
| ஷிரோரேகா (தலைக்கோடு) | हिन्दी | சொல்லின் எழுத்துகள் இணைந்துள்ளதால், இயந்திரம் தனி எழுத்துகளுக்குப் பதிலாக முழுச் சொல் வடிவத்தைப் படிக்கிறது |
| முதலில் எழுதப்படும் மாத்திரை | कि | ி குறி க-க்கு முன் வரையப்பட்டாலும் Unicode-இல் அதற்குப் பின் சேமிக்கப்படும்; எனவே காட்சி வரிசையைத் தலைகீழாக்க வேண்டும் |
| ஹலந்த் கொண்ட கூட்டெழுத்துகள் | क्ष, ज्ञ, द्ध | இரண்டு மெய்களும் விராம ् குறியும் சேர்ந்து ஒரே இணைந்த வடிவமாகத் தெரிந்து மூன்று குறியீட்டுப் புள்ளிகளுக்குப் பொருந்தும் |
| நுக்தா | ज़, फ़ | எழுத்தின் கீழே சிறிய புள்ளி; குறைந்த தெளிவுத்திறன் அல்லது இரைச்சலால் இது எளிதில் விடுபடும் அல்லது கூடுதலாகும் |
| அனுஸ்வாரமும் சந்திரபிந்துவும் | हं, हँ | தலைக்கோட்டுக்கு மேலுள்ள சிறிய குறிகள்; சுருக்கப்பட்ட புகைப்படங்களில் முதலில் மங்குபவை |
| தேவநாகரி இலக்கங்கள் | ०१२३ | பல ஆவணங்களில் இவை 0–9 உடன் கலந்து வரும்; இரண்டும் அச்சிட்டபடியே வைக்கப்படும் |
Kruti Dev மற்றும் பிற பழைய இந்தி எழுத்துருக்கள்
பல பழைய இந்தி ஆவணங்கள் Kruti Dev போன்ற எழுத்துருக்களில் தட்டச்சப்பட்டன; அவை தேவநாகரி வடிவங்களை ஆங்கில விசைப்பலகைக் குறியீடுகளில் வைக்கின்றன. திரையில் சரியாகத் தெரிந்தாலும் அவை உண்மையான இந்தி உரை அல்ல; அதனால் நகலெடுத்தல், தேடல், எழுத்துப்பிழைச் சோதனை செயல்படாது. OCR வெளியீடு எப்போதும் Unicode ஆகும்; தட்டச்சுத் தேர்வு அல்லது அலுவலக வார்ப்புரு இன்னும் Kruti Dev கேட்டால், தனியாக Unicode-இலிருந்து Kruti Dev மாற்றம் தேவை.
புகைப்படம் அல்லது ஸ்கேனிலிருந்து துல்லியமான இந்தி உரையைப் பெறுவது எப்படி
இந்தியில் சிறிய குறிகளே துல்லியத்தை முடிவு செய்கின்றன. நுக்தா அல்லது சந்திரபிந்து சில பிக்சல் உயரமே; மங்கலான அல்லது அதிகம் சுருக்கப்பட்ட புகைப்படத்தில் முதலில் மறைவது அதுவே. 300 DPI-இல் ஸ்கேன் செய்யுங்கள் அல்லது பக்கம் சட்டகத்தை நிரப்புமாறு புகைப்படம் எடுங்கள்; அரட்டை ஆப் வழியாக அனுப்பப்பட்ட நகலுக்குப் பதிலாக அசல் கோப்பை அனுப்புங்கள்.
சாய்ந்த தலைக்கோடு இயந்திரம் பின்தொடரும் வரியை உடைப்பதால் பக்கங்களை நேராக்கு வழக்கத்தை விட முக்கியம். அதை இயக்கியே வைத்து, மங்கிய செய்தித்தாள், பழைய அரசுப் படிவங்கள் அல்லது குறைந்த வெளிச்சப் புகைப்படங்களுக்கு மாறுபாட்டை மேம்படுத்து என்பதை இயக்குங்கள். இந்தி மட்டுமே உள்ள பக்கங்களுக்கு இதையும் அறி என்பதை எதுவும் இல்லை என்றே விடுங்கள்; தேவையின்றி இரண்டாவது மொழி சேர்த்தால் துல்லியம் சற்றுக் குறையும்.
இந்தி OCR பற்றிய கேள்விகள்
Kruti Dev-இல் தட்டச்சு செய்த ஆவணத்தை இந்தி OCR படிக்குமா?
ஆம். OCR பக்கத்தில் அச்சிடப்பட்ட எழுத்து வடிவங்களைப் படிக்கிறது, அதன் பின்னாலுள்ள எழுத்துரு கோப்பை அல்ல. எனவே Kruti Dev ஆவணத்தின் பிரிண்ட் அல்லது ஸ்கேன் மற்ற இந்தி உரையைப் போலவே அறியப்படும். முடிவு நிலையான Unicode தேவநாகரி ஆகும், Kruti Dev விசை அழுத்தங்கள் அல்ல.
என் PDF-லிருந்து நகலெடுத்த இந்தி உரை ஏன் அர்த்தமற்ற ஆங்கில எழுத்துகளாக மாறுகிறது?
அந்த PDF, லத்தீன் எழுத்துக் குறியீடுகளில் தேவநாகரி வடிவங்களைச் சேமிக்கும் பழைய எழுத்துருவால் உருவாக்கப்பட்டது; அதனால் நகலெடுத்தால் हिन्दी என்பதற்குப் பதிலாக fgUnh போன்ற குறியீடுகள் கிடைக்கும். பக்கங்களை OCR வழியாக இயக்கினால் அந்தக் குறியீடுகள் புறக்கணிக்கப்பட்டு கண்ணில் தெரிவது படிக்கப்படும். OCR PDF சரியான உரை அடுக்கையும் PDF-இல் மீண்டும் சேர்க்கும்.
பிரித்தெடுத்த இந்தி உரையைக் காட்ட எந்த எழுத்துருவைப் பயன்படுத்த வேண்டும்?
தேவநாகரி ஆதரவுள்ள எந்த Unicode எழுத்துருவும். Windows-இல் Mangal மற்றும் Nirmala UI உள்ளன, Mac மற்றும் iPhone-களிலும் தேவநாகரி எழுத்துருக்கள் உள்ளன, Google-இன் Noto Sans Devanagari இலவசம். வெற்றுப் பெட்டிகள் தெரிந்தால், அந்த ஆப் தேவநாகரி இல்லாத எழுத்துருவைப் பயன்படுத்துகிறது என்று பொருள்; கோப்பு பழுதானது அல்ல.
கையால் எழுதிய இந்தியை இது படிக்குமா?
நேர்த்தியான கையெழுத்துக் குறிப்புகள் மற்றும் படிவங்களுக்கு உரை வகை என்பதை கையெழுத்து என அமைக்கவும்; முடிவுகள் அச்சை விட தரம் குறைவாக இருக்கும், கவனமாகப் பிழைதிருத்த வேண்டும். இணைந்த, வேகமான கையெழுத்தும் சீரற்ற தலைக்கோடும் மிகக் கடினமான நிலை.
இந்தி OCR மராத்தி, நேபாளி அல்லது சமஸ்கிருதத்துக்கும் வேலை செய்யுமா?
இம்மொழிகள் தேவநாகரி எழுத்துமுறையைப் பகிர்வதால் உரையின் பெரும்பகுதி அறியப்படும், ஆனால் சொல்வளமும் சில எழுத்துகளும் வேறுபடும். ஆவண மொழி பகுதியில் மராத்திக்குத் தனி தேர்வு உள்ளது; ळ போன்ற எழுத்துகளை அது நன்கு கையாளும். நேபாளி மற்றும் சமஸ்கிருதத்திற்கு இந்தியே மிக நெருங்கிய தேர்வு; பிழைதிருத்தம் இன்னும் முக்கியம்.
