Bangla aus einem Bild lesen

Was Bangla beim Lesen anders macht

Das bengalische Modell liest Cluster statt einzelner Buchstaben. Eine Ligatur wie ক্ষ oder ন্ত্র ist auf der Seite eine einzige Form, und das Modell muss sowohl entscheiden, was sie ist, als auch, wie sie sich in Unicode zerlegt – deshalb erzeugt eine Fehllesung in Bangla meist eine falsche Ligatur oder ein Vokalzeichen am falschen Buchstaben statt eines schlicht falschen Buchstabens. Die Ausgabe hat die Reihenfolge, die Unicode erwartet: Ein Vokalzeichen folgt seinem Konsonantencluster, ein Reph wird als র + Hasanta vor dem Cluster geschrieben, auf dem es sitzt, und die zweiteiligen Vokale kommen als ein Codepunkt heraus. Das ist die Reihenfolge, die jedes Suchfeld, jede Rechtschreibprüfung und jede Schrift erwartet – und das Gegenteil der visuellen Reihenfolge, in der jemand an einer Bijoy-Tastatur arbeitet.

Alles, was die gewöhnliche Erkennung tut, geschieht auch hier: Das Papier wird angeglichen, die Seite begradigt, Tabellen mit Linien werden Zelle für Zelle gelesen, damit eine Beschriftung und ihr Wert getrennt bleiben, und das Ergebnis kommt entweder so angeordnet zurück, wie die Seite war, oder zu Absätzen zusammengefügt. Zahlen werden als bengalische Ziffern gelesen, wenn sie als bengalische Ziffern gedruckt sind; ein Formular, das ০১২ und 012 mischt, behält beides.

Bengalisch teilt sein Modell mit keiner anderen Sprache, aber das Bild kann trotzdem Englisch enthalten – einen Briefkopf, ein Aktenzeichen, einen Unterschriftsblock –, und die eine Sprache liest die andere als Unsinn. Wird Englisch aus der Liste hinzugefügt, wird die Seite mit beiden Paketen gelesen, und jedes Wort bleibt in der Schrift, in der es gedruckt war.

Wenn Sie etwas anderes brauchen

Ein Bijoy-Dokument, das noch als Datei existiert, wird besser umgewandelt als fotografiert. OCR baut den Text aus Pixeln neu auf und liegt selbst auf der besten Seite bei ein paar Zeichen von tausend falsch; der Konverter Bijoy in Unicode baut ihn aus den Tastenanschlägen neu auf, macht dabei keinen einzigen Fehler und behält Fettdruck und Tabellen. Fotografieren Sie eine Seite nur, wenn die Datei verloren ist.

Für ein ganzes Buch oder ein Archiv von Scans ist ein Desktop-Tool die richtige Form: Ein Kommandozeilen-OCR-Tool mit demselben bengalischen Modell liest über Nacht einen ganzen Ordner, und OCRmyPDF fügt jedem PDF darin eine durchsuchbare Textebene hinzu. Diese Seite ist für das Blatt, das gerade vor Ihnen liegt.