اقرأ البنغالية من صورة

ما الذي تغيّره البنغالية في القراءة

يقرأ النموذج البنغالي مقاطع لا حروفًا. فالحرف المركّب مثل ক্ষ أو ন্ত্র شكل واحد على الصفحة، وعلى النموذج أن يحدد معًا ما هو وكيف يتفكك إلى Unicode — ولهذا ينتج الخطأ في قراءة البنغالية عادةً حرفًا مركّبًا خاطئًا أو علامة حركة على الحرف الخطأ، لا حرفًا خاطئًا تمامًا. وتخرج النتيجة بالترتيب الذي يتوقعه Unicode: علامة الحركة بعد مقطعها الساكن، و«الريف» يُكتب র + «هاسانتا» قبل المقطع الذي يجلس عليه، والحركات ذات الجزأين تخرج رمزًا واحدًا. وهذا هو الترتيب الذي يتوقعه كل مربع بحث ومدقق إملائي وخط، وهو عكس الترتيب البصري الذي يعمل به كاتب Bijoy.

وكل ما يفعله القارئ العادي يُفعل هنا أيضًا: تُوحَّد إضاءة الورق، وتُعدَّل استقامة الصفحة، وتُقرأ الجداول المسطّرة خلية خلية فيبقى العنوان منفصلًا عن قيمته، وتعود النتيجة إما بتخطيط الصفحة كما كانت أو مجموعة في فقرات. وتُقرأ الأرقام أرقامًا بنغالية حين تُطبع أرقامًا بنغالية؛ والنموذج الذي يخلط بين ০১২ و012 يحتفظ بكليهما.

لا تشترك البنغالية في نموذجها مع أي لغة أخرى، لكن الصورة قد تحمل إنجليزية مع ذلك — ترويسة، أو رقم مرجعي، أو كتلة توقيع — وكل لغة تقرأ الأخرى كلامًا بلا معنى. وإضافة الإنجليزية من القائمة تقرأ الصفحة بالحزمتين معًا وتحتفظ بكل كلمة في نظام الكتابة الذي طُبعت به.

عندما تحتاج إلى شيء آخر

مستند Bijoy الذي لا يزال موجودًا ملفًا يُحوَّل خيرًا من أن يُصوَّر. فـ OCR يعيد بناء النص من البكسلات ويخطئ في بضعة أحرف من كل ألف على أفضل صفحة؛ أما محوّل «تحويل Bijoy إلى Unicode» فيعيد بناءه من ضغطات المفاتيح ولا يخطئ في شيء، ويحافظ على الخط العريض والجداول. صوّر الصفحة فقط حين يكون الملف قد ضاع.

ولكتاب كامل أو أرشيف من المستندات الممسوحة، الأداة المكتبية هي الشكل الصحيح: فأداة OCR بسطر الأوامر بالنموذج البنغالي نفسه تقرأ مجلدًا كاملًا طوال الليل، ويضيف OCRmyPDF طبقة نصية قابلة للبحث إلى كل ملف PDF فيه. أما هذه الصفحة فللصفحة التي أمامك.