Lire le bangla sur une image

Ce que le bangla change à la lecture

Le modèle bengali lit des groupes plutôt que des lettres. Une ligature comme ক্ষ ou ন্ত্র est une seule forme sur la page, et le modèle doit décider à la fois ce qu'elle est et comment elle se décompose en Unicode — c'est pourquoi une erreur de lecture en bangla produit généralement une mauvaise ligature ou un signe vocalique sur la mauvaise lettre, plutôt qu'une lettre franchement fausse. La sortie respecte l'ordre attendu par Unicode : un signe vocalique suit son groupe de consonnes, un reph s'écrit র + hasanta avant le groupe qu'il surmonte, et les voyelles en deux parties ressortent en un seul point de code. C'est l'ordre qu'attendent tous les champs de recherche, correcteurs orthographiques et polices, et c'est l'inverse de l'ordre visuel dans lequel travaille une personne qui tape en Bijoy.

Tout ce que fait le lecteur ordinaire est fait ici aussi : le papier est uniformisé, la page redressée, les tableaux à bordures lus cellule par cellule pour qu'un libellé et sa valeur restent séparés, et le résultat revient soit disposé comme la page, soit fusionné en paragraphes. Les nombres sont lus en chiffres bengalis quand ils sont imprimés en chiffres bengalis ; un formulaire qui mélange ০১২ et 012 garde les deux.

Le bengali ne partage son modèle avec aucune autre langue, mais l'image peut tout de même contenir de l'anglais — un en-tête, un numéro de référence, un bloc de signature — et chaque langue lit l'autre comme du charabia. Ajouter l'anglais depuis la liste fait lire la page avec les deux packs et garde chaque mot dans l'écriture où il a été imprimé.

Si vous cherchez autre chose

Un document Bijoy qui existe encore sous forme de fichier gagne à être converti plutôt que photographié. L'OCR reconstruit le texte à partir de pixels et se trompe sur quelques caractères sur mille, même sur la meilleure page ; le convertisseur Bijoy en Unicode le reconstruit à partir des frappes de clavier, sans une seule erreur, et conserve le gras et les tableaux. Ne photographiez une page que lorsque le fichier a disparu.

Pour un livre entier ou une archive de scans, un outil de bureau est le bon format : un outil d'OCR en ligne de commande doté du même modèle bengali lit un dossier entier pendant la nuit, et OCRmyPDF ajoute une couche de texte interrogeable à chacun de ses PDF. Cette page est faite pour la page que vous avez sous les yeux.