OCR ภาษาฮินดี: แปลงรูปเป็นข้อความภาษาฮินดี
อัปโหลดรูปถ่าย ภาพหน้าจอ หรือ PDF สแกนที่มีข้อความภาษาฮินดี แล้วรับข้อความกลับมาเป็นอักษรเทวนาครีแบบ Unicode ที่วางลงใน Word, WhatsApp, Google Docs หรือแบบฟอร์มได้อย่างเรียบร้อย โดย ภาษาของเอกสาร ตั้งเป็นภาษาฮินดีไว้แล้ว
แปลงรูปภาพเป็นข้อความ
หรือลากไฟล์ PDF, JPG, JPEG … มาวางที่นี่ ·
สูงสุด 95 MB ต่อไฟล์· ได้สูงสุด 20 ไฟล์· ลบหลังจาก 30 นาที
ไฟล์จะถูกประมวลผลบนเซิร์ฟเวอร์ของเราและถูกลบหลังจาก 30 นาที
สำหรับหน้าที่มีสองภาษาปนกัน เช่น ภาษาฮินดีที่มีคำภาษาอังกฤษ หากไม่ใช่ให้เลือกไม่มี เพราะภาษาเพิ่มเติมจะลดความแม่นยำลงเล็กน้อย
คงเค้าโครงจะรักษาคอลัมน์ ย่อหน้า และตารางไว้ในตำแหน่งเดิม ส่วนข้อความต่อเนื่องจะให้ข้อความเป็นก้อนเดียว ซึ่งวางลงในแบบฟอร์มได้ง่ายกว่า
สำหรับไฟล์ PDF และ TIFF หลายหน้า: อ่านทุกหน้า เฉพาะหน้าแรก หรือช่วงหน้าที่กำหนด
หน้าที่จะอ่าน เช่น 1-3, 5, 8-10
วิธีใช้เครื่องมือนี้
- 1
อัปโหลดหน้าเอกสารภาษาฮินดี
เพิ่มรูปภาพ JPG, PNG, HEIC หรือ TIFF หรือไฟล์ PDF ได้สูงสุด 20 ไฟล์ ไฟล์ละไม่เกิน 95 MB ภาพถ่ายหน้ากระดาษที่คมชัดและตรงในที่แสงธรรมชาติจะอ่านได้ดีที่สุด
- 2
เพิ่มภาษาอังกฤษหากหน้านั้นมีทั้งสองภาษา
ตั้ง ภาษาของเอกสาร เป็นภาษาฮินดี หากในหน้ามีคำภาษาอังกฤษ ชื่อ หรือรหัสปนอยู่ด้วย ให้ตั้ง รู้จำภาษาเพิ่มเติม เป็นภาษาอังกฤษภายใต้ การตั้งค่าขั้นสูง หากไม่มีให้เลือกไม่ระบุ
- 3
เริ่มอ่านข้อความ
กด ดึงข้อความ แล้วดาวน์โหลดไฟล์ .txt หรือเลือก Word หรือ PDF ที่ค้นหาข้อความได้ใน ผลลัพธ์ ก่อนเริ่ม
OCR ภาษาฮินดีต้องอ่านเป็นทั้งบรรทัด ไม่ใช่ตัวอักษรแยกกัน เพราะเส้นหัวเชื่อมทุกตัวอักษรในคำ สระอยู่ทั้งด้านบน ด้านล่าง และก่อนพยัญชนะ และพยัญชนะรวมกันเป็นอักษรควบ
OCR ภาษาฮินดีอ่านอักษรเทวนาครีอย่างไร
ภาษาฮินดีเขียนด้วยอักษรเทวนาครี ซึ่งมาตรา 343 ของรัฐธรรมนูญอินเดียกำหนดให้เป็นอักษรของภาษาราชการของสหภาพ Unicode กำหนดช่วงรหัส U+0900 ถึง U+097F ให้ และโทรศัพท์กับคอมพิวเตอร์สมัยใหม่ทุกเครื่องแสดงและพิมพ์ได้ แต่การรู้จำจากรูปภาพต่างจากการอ่านตัวพิมพ์ละติน เพราะโครงสร้างของอักษรต่างกัน
คำห้อยอยู่ใต้เส้นบนที่ต่อเนื่อง เรียกว่า shirorekha ตัวอักษรจึงติดกันและแบ่งโดยหาช่องว่างไม่ได้ สระที่ตามหลังพยัญชนะเขียนเป็นมาตราที่ติดกับพยัญชนะ พยัญชนะสองตัวขึ้นไปที่ไม่มีสระคั่นจะรวมเป็นอักษรควบ เช่น क्ष, त्र หรือ श्र เอนจิน OCR สมัยใหม่จัดการด้วยการอ่านทั้งบรรทัดผ่านโครงข่ายประสาทเทียมที่ฝึกจากข้อความภาษาฮินดี เช่น เอนจินโอเพนซอร์ส Tesseract ที่มีโมเดลภาษาฮินดีโดยเฉพาะควบคู่กับโมเดลเทวนาครีทั่วไป
ด้วยเหตุนี้ การเลือก ภาษาของเอกสาร จึงสำคัญสำหรับภาษาฮินดีมากกว่าภาษายุโรปส่วนใหญ่ หากเลือกภาษาอังกฤษ หน้าภาษาฮินดีจะได้ข้อความไร้ความหมาย แต่เมื่อเลือกภาษาฮินดี เอนจินจะคาดหวังรูปร่างอักษรเทวนาครี ใช้รูปแบบการสะกดแบบฮินดี และเขียนผลลัพธ์ตามลำดับ Unicode ที่ถูกต้อง ดูภาพรวมของภาษาและผลลัพธ์เพิ่มเติมได้ที่ แปลงรูปเป็นข้อความ
ลักษณะของอักษรเทวนาครีที่ทำให้การแปลงรูปเป็นข้อความภาษาฮินดียากขึ้น
| ลักษณะ | ตัวอย่าง | ความหมายต่อ OCR |
|---|---|---|
| Shirorekha (เส้นหัว) | हिन्दी | ตัวอักษรในคำเชื่อมติดกัน เอนจินจึงอ่านรูปร่างทั้งคำแทนที่จะอ่านทีละตัว |
| มาตราที่เขียนก่อน | कि | สระ ि เขียนก่อน क แต่ใน Unicode เก็บไว้หลัง จึงต้องสลับลำดับที่เห็นให้กลับกัน |
| อักษรควบที่มี halant | क्ष, ज्ञ, द्ध | พยัญชนะสองตัวกับ virama ् ปรากฏเป็นรูปเดียวที่ตรงกับสามจุดรหัส |
| Nukta | ज़, फ़ | จุดเล็กใต้ตัวอักษร ความละเอียดต่ำหรือสัญญาณรบกวนทำให้จุดหายหรือเกินมาได้ง่าย |
| Anusvara และ chandrabindu | हं, हँ | เครื่องหมายเล็ก ๆ เหนือเส้นหัวที่เบลอก่อนเมื่อภาพถูกบีบอัด |
| ตัวเลขเทวนาครี | ०१२३ | หลายเอกสารใช้ปนกับ 0–9 และจะคงไว้ตามที่พิมพ์ทั้งสองแบบ |
Kruti Dev และฟอนต์ภาษาฮินดีรุ่นเก่าอื่น ๆ
เอกสารภาษาฮินดีรุ่นเก่าจำนวนมากพิมพ์ด้วยฟอนต์อย่าง Kruti Dev ที่วางรูปร่างอักษรเทวนาครีไว้บนรหัสแป้นพิมพ์ภาษาอังกฤษ บนหน้าจอดูถูกต้อง แต่ไม่ใช่ข้อความภาษาฮินดีจริง การคัดลอก ค้นหา และตรวจการสะกดจึงใช้ไม่ได้ ผลลัพธ์ OCR เป็น Unicode เสมอ หากการสอบพิมพ์ดีดหรือแม่แบบเอกสารยังต้องใช้ Kruti Dev ต้องแปลง Unicode เป็น Kruti Dev แยกต่างหาก
วิธีดึงข้อความภาษาฮินดีจากรูปถ่ายหรือภาพสแกนให้แม่นยำ
เครื่องหมายเล็ก ๆ ตัดสินความแม่นยำในภาษาฮินดี nukta หรือ chandrabindu สูงเพียงไม่กี่พิกเซล และเป็นสิ่งแรกที่หายไปในภาพเบลอหรือภาพที่ถูกบีบอัดมาก ควรสแกนที่ 300 DPI หรือถ่ายภาพให้หน้ากระดาษเต็มเฟรม และส่งไฟล์ต้นฉบับแทนสำเนาที่ส่งต่อผ่านแอปแชต
ปรับหน้าให้ตรง สำคัญกว่าปกติ เพราะเส้นหัวที่เอียงทำให้เส้นบรรทัดที่เอนจินตามหลุด ควรเปิดไว้ และเปิด เพิ่มคอนทราสต์ สำหรับหนังสือพิมพ์ที่ซีด แบบฟอร์มราชการเก่า หรือภาพที่ถ่ายในที่แสงน้อย หากหน้านั้นเป็นภาษาฮินดีล้วน ให้ตั้ง รู้จำภาษาเพิ่มเติม เป็นไม่ระบุ เพราะการเพิ่มภาษาที่สองโดยไม่จำเป็นทำให้ความแม่นยำลดลงเล็กน้อย
คำถามเกี่ยวกับ OCR ภาษาฮินดี
OCR ภาษาฮินดีอ่านเอกสารที่พิมพ์ด้วยฟอนต์ Kruti Dev ได้หรือไม่
ได้ OCR อ่านรูปร่างตัวอักษรที่พิมพ์อยู่บนหน้ากระดาษ ไม่ได้อ่านจากไฟล์ฟอนต์เบื้องหลัง ดังนั้นเอกสารพิมพ์หรือสแกนที่ใช้ Kruti Dev จึงถูกรู้จำได้เหมือนข้อความภาษาฮินดีทั่วไป ผลลัพธ์เป็นอักษรเทวนาครีมาตรฐาน Unicode ไม่ใช่การกดแป้นแบบ Kruti Dev
ทำไมข้อความภาษาฮินดีที่คัดลอกจาก PDF จึงกลายเป็นตัวอักษรอังกฤษแบบสุ่ม
PDF นี้สร้างด้วยฟอนต์รุ่นเก่าที่เก็บรูปร่างอักษรเทวนาครีไว้บนรหัสอักขระละติน การคัดลอกจึงได้เป็นรหัส เช่น fgUnh แทนที่จะเป็น हिन्दी การนำหน้าไปผ่าน OCR จะไม่สนใจรหัสเหล่านั้นและอ่านสิ่งที่มองเห็นจริง OCR PDF ยังใส่เลเยอร์ข้อความที่ถูกต้องกลับเข้าไปใน PDF ได้ด้วย
ควรใช้ฟอนต์ใดแสดงข้อความภาษาฮินดีที่ดึงออกมา
ฟอนต์ Unicode ใดก็ได้ที่รองรับอักษรเทวนาครี Windows มี Mangal และ Nirmala UI, Mac และ iPhone ก็มีฟอนต์เทวนาครีเช่นกัน และ Noto Sans Devanagari ของ Google ใช้ได้ฟรี หากเห็นเป็นกล่องว่าง แสดงว่าแอปใช้ฟอนต์ที่ไม่มีอักษรเทวนาครี ไม่ใช่ไฟล์เสีย
อ่านลายมือภาษาฮินดีได้หรือไม่
ตั้ง ประเภทข้อความ เป็นลายมือสำหรับบันทึกและแบบฟอร์มที่เขียนด้วยลายมือเรียบร้อย ผลลัพธ์จะหยาบกว่าตัวพิมพ์และต้องตรวจทานอย่างละเอียด ลายมือเขียนติดกันเร็ว ๆ ที่เส้นหัวไม่เสมอกันเป็นกรณีที่ยากที่สุด
OCR ภาษาฮินดีใช้กับภาษามราฐี เนปาล หรือสันสกฤตได้ด้วยหรือไม่
ภาษาเหล่านี้ใช้อักษรเทวนาครีร่วมกัน ข้อความส่วนใหญ่จึงถูกรู้จำได้ แต่คำศัพท์และตัวอักษรบางตัวต่างกัน ภาษามราฐีมีตัวเลือกของตัวเองใน ภาษาของเอกสาร ซึ่งจัดการตัวอักษรอย่าง ळ ได้ดีกว่า ส่วนภาษาเนปาลและสันสกฤตให้เลือกภาษาฮินดีซึ่งใกล้เคียงที่สุด และควรตรวจทานให้มากขึ้น
