OCR tiếng Hindi: chuyển ảnh thành văn bản Hindi

Tiếng Hindi được viết bằng chữ Devanagari, được Điều 343 Hiến pháp Ấn Độ nêu là chữ viết của ngôn ngữ chính thức của Liên bang. Unicode dành cho nó khối U+0900 đến U+097F, và mọi điện thoại, máy tính hiện nay đều hiển thị và gõ được. Nhận dạng chữ này từ hình ảnh khác với đọc chữ in Latin, vì cấu trúc chữ viết khác hẳn.

Các từ treo dưới một đường kẻ ngang liên tục gọi là shirorekha, nên các chữ cái chạm nhau và không thể tách bằng cách tìm khoảng trống. Các nguyên âm sau nguyên âm đầu được viết dưới dạng matra gắn vào phụ âm. Hai hay nhiều phụ âm không có nguyên âm ở giữa sẽ hợp thành chữ ghép như क्ष, त्र hoặc श्र. Các công cụ OCR hiện đại xử lý việc này bằng cách đọc cả dòng với mạng nơ-ron huấn luyện trên văn bản Hindi; chẳng hạn công cụ mã nguồn mở Tesseract có mô hình Hindi riêng bên cạnh mô hình Devanagari chung.

Vì vậy chọn Ngôn ngữ tài liệu quan trọng với tiếng Hindi hơn hầu hết ngôn ngữ châu Âu. Nếu chọn tiếng Anh, trang tiếng Hindi cho ra kết quả vô nghĩa; nếu chọn Hindi, công cụ sẽ tìm hình chữ Devanagari, áp dụng quy tắc chính tả Hindi và ghi kết quả đúng thứ tự Unicode. Để xem tổng quan về các ngôn ngữ và định dạng đầu ra, hãy xem công cụ chuyển ảnh thành văn bản.

Những dấu nhỏ quyết định độ chính xác của tiếng Hindi. Nukta hay chandrabindu chỉ cao vài pixel và là thứ biến mất đầu tiên trong ảnh mờ hoặc bị nén nhiều. Hãy scan ở 300 DPI hoặc chụp sao cho trang giấy lấp đầy khung hình, và gửi file gốc thay vì bản đã chuyển qua ứng dụng nhắn tin.

Làm thẳng trang quan trọng hơn thường lệ, vì đường kẻ ngang bị nghiêng sẽ làm đứt dòng mà công cụ bám theo. Hãy giữ bật tùy chọn này, và bật Tăng độ tương phản cho giấy báo phai màu, biểu mẫu cũ của cơ quan nhà nước hoặc ảnh chụp thiếu sáng. Để Nhận dạng thêm là không chọn với các trang chỉ có tiếng Hindi; thêm ngôn ngữ thứ hai khi không cần sẽ làm giảm nhẹ độ chính xác.