印地文 OCR：圖片轉印地文文字

印地語以天城文書寫，印度憲法第 343 條將其指定為聯邦官方語言的文字。Unicode 為它分配了 U+0900 至 U+097F 區段，現代手機和電腦都能顯示與輸入。不過從圖片辨識天城文和讀取拉丁字母印刷體不同，因為這種文字的構造不一樣。

單字懸掛在一條連續的頂線（shirorekha）下，字母彼此相連，無法靠尋找空隙來切開。第一個之後的母音以附在子音上的母音符號（matra）書寫。兩個以上中間沒有母音的子音會融合成合體字，例如 क्ष、त्र 或 श्र。現代 OCR 引擎以經過印地語文字訓練的神經網路讀取整行來處理；例如開源的 Tesseract 引擎，除了通用的天城文模型外，也提供專用的印地語模型。

因此對印地語而言，選擇文件語言比多數歐洲語言更重要。選成英文時，印地語頁面只會得到亂碼；選成印地語時，引擎會預期天城文字形、套用印地語拼寫模式，並以正確的 Unicode 順序輸出。若想進一步了解支援的語言與輸出格式，請參閱圖片轉文字。

細小的符號決定印地語的準確度。nukta 或 chandrabindu 只有幾個像素高，在模糊或壓縮過度的照片中最先消失。請以 300 DPI 掃描，或拍攝時讓頁面填滿畫面，並傳送原始檔案，而不是經由聊天軟體轉傳的副本。

拉正頁面比平常更重要，因為傾斜的頭線會破壞引擎所追蹤的那一行。請保持開啟；若是褪色的報紙、老舊的政府表格或在昏暗光線下拍的照片，再開啟增強對比。僅有印地語的頁面請將一併辨識維持不選；不需要時加入第二種語言，會略微降低準確度。