OCR гінді: розпізнати текст гінді з фото
Завантажте фото, знімок екрана або сканований PDF із текстом гінді й отримайте його в Unicode-деванагарі, який без проблем вставляється у Word, WhatsApp, Google Docs чи форму. Мова документа вже встановлена на гінді.
Зображення в текст
або перетягніть Файли PDF, JPG, JPEG … сюди ·
До 95 МБ на файл· До 20 файлів· Видаляються через 30 хв
Файли обробляються на наших серверах і видаляються через 30 хв.
Для сторінок із двома мовами, наприклад гінді з англійськими словами. В іншому разі залиште «Немає»; додаткова мова трохи знижує точність.
«Зберегти» залишає колонки, абзаци й таблиці на місцях. «Простий» виводить один суцільний блок тексту, який легше вставляти у форми.
Для PDF і багатосторінкового TIFF: читати всі сторінки, лише першу або діапазон.
Сторінки для читання, наприклад 1-3, 5, 8-10.
Як користуватися цим інструментом
- 1
Завантажте сторінку гінді
Додайте зображення JPG, PNG, HEIC або TIFF чи PDF: до 20 файлів, кожен до 95 MB. Найкраще розпізнається чітке, рівне фото сторінки при денному світлі.
- 2
Додайте англійську, якщо на сторінці обидві мови
Мова документа — гінді. Якщо на сторінці є також англійські слова, імена чи коди, у розділі Додаткові налаштування виберіть для пункту Також розпізнавати англійську; інакше залиште «немає».
- 3
Розпізнайте текст
Натисніть Розпізнати текст і завантажте файл .txt, або перед початком виберіть у пункті Результат Word чи PDF із можливістю пошуку.
OCR для гінді має зчитувати рядок, а не набір окремих літер: верхня риска з’єднує всі символи слова, знаки голосних стоять над, під і перед приголосними, а приголосні зливаються в лігатури.
Як OCR гінді розпізнає письмо деванагарі
Гінді пишеться деванагарі, яку стаття 343 Конституції Індії називає писемністю офіційної мови Союзу. В Unicode їй відведено блок U+0900–U+097F, і кожен сучасний телефон і комп’ютер може її показувати та вводити. Розпізнавання з зображення — це інше завдання, ніж читання латинського друку, бо писемність влаштована інакше.
Слова «звисають» із суцільної верхньої лінії — шірорекхи, тому літери торкаються одна одної, і розділити їх, шукаючи проміжки, неможливо. Голосні, крім початкової, пишуться як матри, приєднані до приголосного. Два й більше приголосних без голосної між ними зливаються в лігатуру, як-от क्ष, त्र чи श्र. Сучасні рушії OCR справляються з цим, зчитуючи цілі рядки нейромережами, навченими на тексті гінді; наприклад, рушій Tesseract з відкритим кодом постачається з окремою моделлю гінді та загальною моделлю деванагарі.
Саме тому вибір Мови документа для гінді важливіший, ніж для більшості європейських мов. Якщо вибрати англійську, сторінка гінді дасть нісенітницю; якщо вибрати гінді, рушій очікує форми деванагарі, застосовує правила написання гінді й записує результат у правильному порядку Unicode. Ширший огляд мов і форматів результату дивіться в розділі конвертер зображень у текст.
Особливості деванагарі, що ускладнюють розпізнавання тексту гінді з фото
| Особливість | Приклад | Що це означає для OCR |
|---|---|---|
| Шірорекха (верхня риска) | हिन्दी | Літери в слові з’єднані, тому рушій зчитує форму всього слова, а не окремі символи |
| Матра, що пишеться першою | कि | Знак «і» ि малюється перед क, але в Unicode зберігається після нього, тому візуальний порядок потрібно змінити на зворотний |
| Лігатури з халантом | क्ष, ज्ञ, द्ध | Два приголосні та вірама ् виглядають як одна злита форма, що відповідає трьом кодовим позиціям |
| Нукта | ज़, फ़ | Крапка під літерою; низька роздільна здатність або шум легко її прибирають чи додають |
| Анусвара і чандрабінду | हं, हँ | Крихітні знаки над верхньою рискою, які першими розмиваються на стиснених фото |
| Цифри деванагарі | ०१२३ | Багато документів змішують їх із 0–9, і обидва види зберігаються так, як надруковано |
Kruti Dev та інші застарілі шрифти гінді
Багато старих документів гінді набрано шрифтами на кшталт Kruti Dev, які розміщують форми деванагарі під кодами англійської клавіатури. На екрані вони виглядають правильно, але це не справжній текст гінді, тому копіювання, пошук і перевірка правопису не працюють. Результат OCR завжди в Unicode; якщо тест на швидкість друку чи офісний шаблон досі вимагає Kruti Dev, потрібне окреме перетворення з Unicode у Kruti Dev.
Як точно розпізнати текст гінді з фото чи скану
У гінді точність визначають дрібні знаки. Нукта чи чандрабінду мають заввишки лише кілька пікселів, і саме вони зникають першими на розмитому або сильно стисненому фото. Скануйте з роздільною здатністю 300 DPI або фотографуйте сторінку так, щоб вона заповнювала кадр, і надсилайте оригінальний файл, а не копію, переслану через месенджер.
Опція Вирівняти сторінки важливіша, ніж зазвичай, адже похила верхня риска збиває лінію, за якою йде рушій. Залиште її ввімкненою, а Підвищити контраст вмикайте для вицвілого газетного паперу, старих державних бланків або фото при слабкому освітленні. Для сторінок лише гінді залиште пункт Також розпізнавати без вибору: зайва друга мова трохи знижує точність.
Запитання про OCR гінді
Чи розпізнає OCR гінді документ, набраний шрифтом Kruti Dev?
Так. OCR зчитує форми літер, надруковані на сторінці, а не файл шрифту за ними, тож роздрук або скан документа в Kruti Dev розпізнається як будь-який інший текст гінді. Результат — стандартна деванагарі в Unicode, а не набір клавіш Kruti Dev.
Чому текст гінді, скопійований з PDF, перетворюється на випадкові латинські літери?
PDF створено застарілим шрифтом, який зберігає форми деванагарі під кодами латинських символів, тому під час копіювання ви отримуєте коди, наприклад fgUnh замість हिन्दी. OCR ігнорує ці коди й зчитує те, що видно на сторінці. OCR PDF також може повернути до PDF коректний текстовий шар.
Який шрифт використати для відображення розпізнаного тексту гінді?
Будь-який шрифт Unicode з підтримкою деванагарі. У Windows є Mangal і Nirmala UI, на Mac та iPhone теж є шрифти деванагарі, а Noto Sans Devanagari від Google безкоштовний. Якщо ви бачите порожні квадрати, програма використовує шрифт без деванагарі, а файл не пошкоджено.
Чи розпізнає він рукописний текст гінді?
Для акуратних рукописних нотаток і форм виберіть для пункту Тип тексту значення «Рукописний». Результат гірший, ніж для друку, і потребує уважної вичитки. Найважчий випадок — швидкий злитий почерк із нерівною верхньою рискою.
Чи працює OCR гінді також для маратхі, непальської чи санскриту?
Ці мови користуються однією писемністю деванагарі, тому значну частину тексту буде розпізнано, але лексика й кілька літер відрізняються. Для маратхі в пункті Мова документа є окремий вибір, який краще обробляє літери на кшталт ळ; для непальської та санскриту найближчий варіант — гінді, а вичитка важливіша.
