Imej kepada Teks

Apa yang berlaku pada imej anda

Imej kepada teks, juga dipanggil OCR (pengecaman aksara optik), melihat bentuk huruf dalam gambar dan mengira aksara yang ada. Di sini kerja itu dilakukan oleh enjin OCR sumber terbuka, Tesseract, yang berjalan di dalam tab pelayar anda. Kali pertama anda menggunakan bahasa, pelayar anda memuat turun model bahasa itu daripada tapak ini, antara satu hingga tiga megabait. Selepas itu imej dibaca pada peranti anda sendiri.

Tiada apa-apa tentang gambar dihantar ke mana-mana: bukan kepada DocTranslator, bukan kepada perkhidmatan OCR. Itu penting untuk perkara yang paling kerap difoto orang untuk dibaca, seperti surat daripada pejabat, preskripsi, halaman kontrak atau pasport.

Cara mendapatkan teks yang bersih daripada foto

OCR hanya sebaik gambar yang dibacanya. Empat perkara membuat perbezaan terbesar:

• Pilih bahasa yang betul dahulu. Enjin membaca dengan abjad dan perbendaharaan kata bahasa yang anda pilih. Bahasa Rusia dibaca sebagai bahasa Inggeris menghasilkan benda bukan, dan aksen dalam bahasa Perancis atau Poland hilang apabila bahasa itu salah.
• Rakam halaman rata dan segi empat. Pegang telefon terus di atas kertas, penuhkan bingkai dengan halaman, dan elakkan kerutan berhampiran tulang belakang buku. Garisan yang bengkok mengelirukan enjin lebih daripada gambar kecil.
• Cahayakannya secara sekata. Bayangan di seluruh halaman, atau kilauan kilat pada kertas berkilat, menyembunyikan huruf. Cahaya matahari dari tingkap, tanpa kilat, biasanya berfungsi paling baik.
• Pastikan ia tajam. Ketik skrin untuk fokus pada teks sebelum anda mengambil gambar. Cetakan kecil perlu cukup besar dalam gambar untuk dibaca dengan mata anda sendiri.

Apa yang OCR salah

Walaupun imbasan yang baik kembali dengan beberapa kesilapan, dan ia cenderung menjadi kesilapan yang sama: huruf l dibaca sebagai nombor 1, O sebagai 0, rn sebagai m, koma hilang di hujung baris. Nama, nombor dan tarikh layak mendapat pandangan kedua sebelum anda menyalinnya ke dalam apa-apa yang penting.

Tulisan tangan jauh lebih sukar daripada cetakan, dan tulisan tangan bersambung selalunya dibaca dengan buruk atau tidak sama sekali. Outputnya ialah teks biasa, jadi susun atur halaman tidak dikekalkan: lajur dibaca satu demi satu, dan jadual kembali sebagai baris perkataan. Apabila anda juga memerlukan susun atur, bahagian seterusnya ialah cara untuk mengekalkannya.

Apabila anda memerlukan teks dalam bahasa lain

Menyalin teks ke penterjemah kehilangan halaman: setem, jadual, tempat setiap baris duduk. Untuk menterjemahkan dokumen yang diimbas dengan susun letaknya, muat naik imbasan ke DocTranslator sebaliknya. Ia membaca imbasan dengan OCR, menterjemahkan teks dan mengembalikan fail yang kelihatan seperti asal, dalam mana-mana 108 bahasa.

Alat pelayar pada halaman ini membaca Bahasa Inggeris, Sepanyol, Perancis, Jerman, Itali, Portugis, Rusia, Ukraine, Poland, Turki, Arab, Hindi, Cina (Ringkas), Jepun, Korea dan Vietnam. Dalam PDF yang diimbas ia membaca 5 halaman pertama; terjemahan membaca setiap halaman, dalam setiap bahasa yang disokong oleh DocTranslator.