హిందీ OCR: ఇమేజ్ నుండి హిందీ టెక్స్ట్
హిందీ టెక్స్ట్ ఉన్న ఫోటో, స్క్రీన్‌షాట్ లేదా స్కాన్ చేసిన PDFని అప్‌లోడ్ చేయండి. Word, WhatsApp, Google Docs లేదా ఏదైనా ఫారమ్‌లో సరిగ్గా పేస్ట్ అయ్యే Unicode దేవనాగరి టెక్స్ట్‌గా తిరిగి పొందండి. డాక్యుమెంట్ భాష ఇప్పటికే హిందీకి సెట్ చేయబడింది.
ఇమేజ్ నుండి టెక్స్ట్
లేదా PDF, JPG, JPEG … ఫైళ్లు ను ఇక్కడ వదలండి ·
ఒక్కో ఫైల్‌కు గరిష్ఠంగా 95 MB· గరిష్ఠంగా 20 ఫైళ్లు· 30 నిమిషాల తర్వాత తొలగించబడతాయి
ఫైళ్లు మా సర్వర్లలో ప్రాసెస్ చేయబడి 30 నిమిషాల తర్వాత తొలగించబడతాయి.
రెండు భాషలు కలిసిన పేజీల కోసం, ఉదా. ఆంగ్ల పదాలతో హిందీ. లేకపోతే 'ఏదీ లేదు' ఉంచండి; అదనపు భాష కచ్చితత్వాన్ని కొద్దిగా తగ్గిస్తుంది.
లేఅవుట్ ఉంచు ఎంచుకుంటే కాలమ్‌లు, పేరాలు, పట్టికలు యథాస్థానంలో ఉంటాయి. సాదా ఒకే నిరంతర టెక్స్ట్ బ్లాక్ ఇస్తుంది, ఫారాల్లో పేస్ట్ చేయడం సులభం.
PDF మరియు బహుళ-పేజీ TIFF ఇన్‌పుట్: అన్ని పేజీలు, మొదటి పేజీ మాత్రమే, లేదా ఒక పరిధిని చదవండి.
చదవాల్సిన పేజీలు, ఉదా. 1-3, 5, 8-10.
ఈ టూల్‌ను ఎలా ఉపయోగించాలి
- 1
హిందీ పేజీని అప్‌లోడ్ చేయండి
JPG, PNG, HEIC లేదా TIFF ఇమేజ్‌లను లేదా ఒక PDFని జోడించండి; గరిష్టంగా 20 ఫైళ్లు, ఒక్కోటి 95 MB వరకు. పగటి వెలుతురులో తీసిన స్పష్టమైన, నిటారైన పేజీ ఫోటో ఉత్తమంగా చదవబడుతుంది.
- 2
పేజీలో రెండు భాషలూ ఉంటే ఇంగ్లీష్ కూడా జోడించండి
డాక్యుమెంట్ భాషగా హిందీని ఎంచుకోండి. పేజీలో ఇంగ్లీష్ పదాలు, పేర్లు లేదా కోడ్లు కూడా ఉంటే, అధునాతన సెట్టింగ్‌లులో ఇది కూడా గుర్తించండిని ఇంగ్లీష్‌కు సెట్ చేయండి; లేకపోతే ఏదీ వద్దు అనే ఎంపికలోనే ఉంచండి.
- 3
టెక్స్ట్‌ను గుర్తించండి
టెక్స్ట్ గుర్తించండి నొక్కి .txt ఫైల్‌ను డౌన్‌లోడ్ చేయండి, లేదా ప్రారంభించే ముందు అవుట్‌పుట్ కింద Word లేదా సెర్చ్ చేయదగిన PDFని ఎంచుకోండి.
హిందీ OCR విడివిడి అక్షరాల వరుసను కాక, ఒక లైన్‌ను చదవాలి: శిరోరేఖ పదంలోని ప్రతి అక్షరాన్ని కలుపుతుంది, అచ్చు గుర్తులు హల్లుల పైన, కింద, ముందు ఉంటాయి, హల్లులు కలిసి సంయుక్తాక్షరాలు అవుతాయి.
హిందీ OCR దేవనాగరి లిపిని ఎలా చదువుతుంది
హిందీ దేవనాగరిలో రాయబడుతుంది; భారత రాజ్యాంగంలోని అధికరణ 343 దీనిని సంఘ అధికార భాష లిపిగా పేర్కొంటుంది. Unicode దీనికి U+0900 నుండి U+097F బ్లాక్‌ను కేటాయించింది, ప్రతి ఆధునిక ఫోన్, కంప్యూటర్ దీనిని చూపగలవు, టైప్ చేయగలవు. చిత్రం నుండి దీనిని గుర్తించడం లాటిన్ ముద్రణను చదవడం కంటే భిన్నమైనది, ఎందుకంటే లిపి నిర్మాణం వేరు.
పదాలు నిరంతర పై గీత అయిన శిరోరేఖ నుండి వేలాడతాయి, కాబట్టి అక్షరాలు ఒకదానికొకటి తాకుతాయి, ఖాళీలను చూసి వాటిని వేరు చేయలేం. మొదటి అచ్చు తర్వాతి అచ్చులు హల్లుకు అతికిన మాత్రలుగా రాయబడతాయి. మధ్యలో అచ్చు లేని రెండు లేదా అంతకంటే ఎక్కువ హల్లులు క్ష, త్ర, శ్ర వంటి సంయుక్తాక్షరంగా కలుస్తాయి. ఆధునిక OCR ఇంజిన్‌లు హిందీ టెక్స్ట్‌పై శిక్షణ పొందిన న్యూరల్ నెట్‌వర్క్‌లతో మొత్తం లైన్‌లను చదివి దీనిని నిర్వహిస్తాయి; ఉదాహరణకు ఓపెన్ సోర్స్ Tesseract ఇంజిన్ సాధారణ దేవనాగరి మోడల్‌తో పాటు ప్రత్యేక హిందీ మోడల్‌ను కూడా అందిస్తుంది.
అందుకే చాలా యూరోపియన్ భాషల కంటే హిందీకి డాక్యుమెంట్ భాష ఎంపిక ఎక్కువ ముఖ్యం. ఇంగ్లీష్ ఎంచుకుంటే హిందీ పేజీ అర్థరహిత ఫలితం ఇస్తుంది; హిందీ ఎంచుకుంటే ఇంజిన్ దేవనాగరి ఆకారాలను ఆశిస్తుంది, హిందీ స్పెల్లింగ్ నమూనాలను వర్తింపజేస్తుంది, ఫలితాన్ని సరైన Unicode క్రమంలో రాస్తుంది. భాషలు, అవుట్‌పుట్‌ల గురించి విస్తృత అవలోకనం కోసం ఇమేజ్ నుండి టెక్స్ట్ కన్వర్టర్ చూడండి.
హిందీ ఇమేజ్ నుండి టెక్స్ట్ మార్పిడిని కష్టతరం చేసే దేవనాగరి లక్షణాలు
| లక్షణం | ఉదాహరణ | OCRకు దాని అర్థం |
|---|---|---|
| శిరోరేఖ (హెడ్‌లైన్) | हिन्दी | పదంలోని అక్షరాలు కలిసి ఉంటాయి, కాబట్టి ఇంజిన్ విడి అక్షరాలను కాక మొత్తం పద ఆకారాన్ని చదువుతుంది |
| ముందుగా రాసే మాత్ర | कि | ఇ-మాత్ర ि క కంటే ముందు గీయబడుతుంది కానీ Unicodeలో దాని తర్వాత నిల్వ అవుతుంది, కాబట్టి దృశ్య క్రమాన్ని తిప్పాలి |
| హలంత్‌తో సంయుక్తాక్షరాలు | क्ष, ज्ञ, द्ध | రెండు హల్లులు, విరామ ్ కలిసి ఒక సంయుక్త ఆకారంగా కనిపిస్తాయి, ఇది మూడు కోడ్ పాయింట్‌లకు సరిపోతుంది |
| నుక్తా | ज़, फ़ | అక్షరం కింద చిన్న చుక్క; తక్కువ రిజల్యూషన్ లేదా నాయిస్ వల్ల అది సులభంగా పోతుంది లేదా కొత్తగా వస్తుంది |
| అనుస్వారం, చంద్రబిందువు | हं, हँ | శిరోరేఖ పైన ఉండే చిన్న గుర్తులు, కంప్రెస్ చేసిన ఫోటోలలో ముందుగా మసకబారతాయి |
| దేవనాగరి అంకెలు | ०१२३ | చాలా డాక్యుమెంట్లలో వీటిని 0–9తో కలిపి వాడతారు, రెండింటినీ ముద్రించినట్లే ఉంచుతారు |
Kruti Dev మరియు ఇతర పాత హిందీ ఫాంట్‌లు
చాలా పాత హిందీ డాక్యుమెంట్లు Kruti Dev వంటి ఫాంట్‌లలో టైప్ చేయబడ్డాయి, ఇవి దేవనాగరి ఆకారాలను ఇంగ్లీష్ కీబోర్డ్ కోడ్లపై ఉంచుతాయి. స్క్రీన్‌పై సరిగ్గా కనిపిస్తాయి కానీ అవి నిజమైన హిందీ టెక్స్ట్ కావు, అందువల్ల కాపీ, సెర్చ్, స్పెల్-చెక్ పనిచేయవు. OCR అవుట్‌పుట్ ఎల్లప్పుడూ Unicode; టైపింగ్ పరీక్ష లేదా ఆఫీస్ టెంప్లేట్ ఇంకా Kruti Dev కోరితే, దానికి Unicode నుండి Kruti Devకు ప్రత్యేక మార్పిడి అవసరం.
ఫోటో లేదా స్కాన్ నుండి ఖచ్చితమైన హిందీ టెక్స్ట్ పొందడం
హిందీలో చిన్న గుర్తులే కచ్చితత్వాన్ని నిర్ణయిస్తాయి. నుక్తా లేదా చంద్రబిందువు కొన్ని పిక్సెల్‌ల ఎత్తు మాత్రమే, మసకగా లేదా ఎక్కువ కంప్రెస్ చేసిన ఫోటోలో అవి ముందుగా మాయమవుతాయి. 300 DPIలో స్కాన్ చేయండి లేదా పేజీ ఫ్రేమ్ మొత్తం నిండేలా ఫోటో తీయండి, చాట్ యాప్ ద్వారా ఫార్వర్డ్ అయిన కాపీని కాక అసలు ఫైల్‌ను పంపండి.
పేజీలను నిటారుగా చేయండి సాధారణం కంటే ఎక్కువ ముఖ్యం, ఎందుకంటే వంగిన శిరోరేఖ ఇంజిన్ అనుసరించే లైన్‌ను చెడగొడుతుంది. దీన్ని ఆన్‌లో ఉంచండి, వెలిసిపోయిన న్యూస్‌ప్రింట్, పాత ప్రభుత్వ ఫారమ్‌లు లేదా మసక వెలుతురులో తీసిన ఫోటోల కోసం కాంట్రాస్ట్ పెంచండిని ఆన్ చేయండి. హిందీ మాత్రమే ఉన్న పేజీలకు ఇది కూడా గుర్తించండిని ఏదీ వద్దు అనే ఎంపికలో ఉంచండి; అవసరం లేనప్పుడు రెండో భాష కచ్చితత్వాన్ని కొద్దిగా తగ్గిస్తుంది.
హిందీ OCR ప్రశ్నలు
Kruti Devలో టైప్ చేసిన డాక్యుమెంట్‌ను హిందీ OCR చదవగలదా?
అవును. OCR పేజీపై ముద్రించిన అక్షరాల ఆకారాలను చదువుతుంది, వాటి వెనుక ఉన్న ఫాంట్ ఫైల్‌ను కాదు. కాబట్టి Kruti Dev డాక్యుమెంట్ ప్రింట్‌అవుట్ లేదా స్కాన్ ఇతర హిందీ టెక్స్ట్‌లాగే గుర్తించబడుతుంది. ఫలితం ప్రామాణిక Unicode దేవనాగరి, Kruti Dev కీస్ట్రోక్‌లు కాదు.
నా PDF నుండి కాపీ చేసిన హిందీ టెక్స్ట్ ఎందుకు అర్థం లేని ఇంగ్లీష్ అక్షరాలుగా మారుతుంది?
ఆ PDF దేవనాగరి ఆకారాలను లాటిన్ క్యారెక్టర్ కోడ్లపై నిల్వ చేసే పాత ఫాంట్తో తయారైంది, అందుకే కాపీ చేస్తే हिन्दी బదులు fgUnh వంటి కోడ్లు వస్తాయి. పేజీలను OCR ద్వారా పంపితే ఆ కోడ్లను పట్టించుకోకుండా కనిపించేదాన్ని చదువుతుంది. OCR PDF PDFలో సరైన టెక్స్ట్ లేయర్ను కూడా తిరిగి చేర్చగలదు.
తీసిన హిందీ టెక్స్ట్‌ను చూపించడానికి ఏ ఫాంట్ వాడాలి?
దేవనాగరికి మద్దతున్న ఏ Unicode ఫాంట్ అయినా సరే. Windowsలో Mangal, Nirmala UI ఉంటాయి, Mac, iPhoneలలో కూడా దేవనాగరి ఫాంట్‌లు ఉంటాయి, Google Noto Sans Devanagari ఉచితం. ఖాళీ బాక్స్‌లు కనిపిస్తే, యాప్ దేవనాగరి లేని ఫాంట్‌ను వాడుతోందని అర్థం, ఫైల్ పాడైనట్లు కాదు.
చేతిరాత హిందీని ఇది చదవగలదా?
చక్కని చేతిరాత నోట్స్, ఫారమ్ల కోసం టెక్స్ట్ రకంను చేతిరాతకు సెట్ చేయండి; ముద్రణతో పోలిస్తే ఫలితాలు కొంచెం తక్కువ కచ్చితంగా ఉంటాయి, జాగ్రత్తగా ప్రూఫ్రీడ్ చేయాలి. కలిసిపోయిన వేగవంతమైన రాత, అసమానమైన శిరోరేఖతో ఉంటే అత్యంత కష్టం.
హిందీ OCR మరాఠీ, నేపాలీ లేదా సంస్కృతానికి కూడా పనిచేస్తుందా?
ఈ భాషలు దేవనాగరి లిపిని పంచుకుంటాయి, కాబట్టి చాలా టెక్స్ట్ గుర్తించబడుతుంది, కానీ పదజాలం, కొన్ని అక్షరాలు వేరుగా ఉంటాయి. డాక్యుమెంట్ భాషలో మరాఠీకి ప్రత్యేక ఎంపిక ఉంది, ఇది ళ వంటి అక్షరాలను బాగా నిర్వహిస్తుంది; నేపాలీ, సంస్కృతానికి హిందీ దగ్గరి ఎంపిక, ప్రూఫ్‌రీడింగ్ మరింత ముఖ్యం.
