Ein mehrsprachiges PDF enthält Seiten in Englisch, Französisch und Deutsch. Ein Produkthandbuch mit Anweisungen in drei Sprachen auf abwechselnden Seiten. Eine wissenschaftliche Arbeit mit englischem Hauptteil und französischer Zusammenfassung. Ein juristisches Dokument mit Originaltext in einer Sprache und beglaubigten Übersetzungen in anderen. Das Ausführen von OCR für dieses Dokument mit einer einzigen Spracheinstellung führt zu korrektem Text für die Seiten in dieser Sprache und zu einer verstümmelten Ausgabe für die anderen. Die französischen Akzentzeichen werden zu zufälligen Symbolen. Die deutschen Umlaute verschwinden. Die OCR-Engine versucht, jedes Zeichen durch die Linse des Englischen zu interpretieren und schlägt bei allem fehl, was nicht passt.
OCR-Tools, die mehrere Sprachen unterstützen, können ein mehrsprachiges PDF korrekt verarbeiten, indem sie die Sprache jeder Seite oder jedes Textblocks erkennen und das entsprechende Zeichenerkennungsmodell anwenden. Der mehrsprachige OCR-Workflow fügt vor der Zeichenerkennung einen Spracherkennungsschritt hinzu, was die Genauigkeit bei Dokumenten mit mehr als einer Sprache erheblich verbessert.
Nach Angaben des Unicode-Konsortiums machen Dokumente mit mehreren Sprachen etwa 18 Prozent aller Geschäfts-PDFs in internationalen Organisationen aus, wobei der Anteil mit zunehmender globaler Zusammenarbeit steigt (Unicode-Konsortium, „Multilingual Document Survey“, 2024).
Spracherkennungsmethoden für mehrsprachige OCR
| Methode | Wie es funktioniert | Genauigkeit | Am besten für |
|---|---|---|---|
| Automatische Erkennung pro Seite | Die OCR-Engine analysiert Zeichenmuster auf jeder Seite und wählt das wahrscheinlichste Sprachmodell aus | Hoch für verschiedene Sprachen. Mäßig für eng verwandte Sprachen wie Spanisch und Portugiesisch | Dokumente, bei denen jede Seite in einer einzigen Sprache verfasst ist, z. B. Parallelübersetzungen |
| Manuelle Sprachspezifikation | Der Benutzer gibt an, welche Sprachen im Dokument und auf welchen Seiten angezeigt werden | Am höchsten, wenn der Benutzer die Sprachen und ihre Standorte kennt | Dokumente mit bekannter Sprachverteilung, z. B. unterteilte Handbücher |
| Automatische Erkennung pro Textblock | Die OCR-Engine erkennt Sprache auf Absatz- oder Textblockebene und wechselt die Modelle in der Mitte der Seite | Mäßig bis hoch. Funktioniert gut für klar getrennte Blöcke. Probleme mit gemischtsprachigen Sätzen | Dokumente, bei denen Sprachen auf derselben Seite verschachtelt sind, z. B. zweisprachige Formulare |
| Parallelverarbeitung mehrerer Modelle | OCR führt dieselbe Seite durch mehrere Sprachmodelle aus und wählt das beste Ergebnis für jeden Textbereich aus | Am höchsten für gemischtsprachige Inhalte. Rechenintensiv. Langsamere Verarbeitung | Dokumente mit unvorhersehbaren Sprachmischungen, beispielsweise internationale Korrespondenz |
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Konfigurieren der mehrsprachigen OCR in browserbasierten Tools
Laden Sie die PDF-Datei in ein browserbasiertes OCR-Tool hoch, das mehrere Sprachen unterstützt. Wenn das Tool eine automatische Spracherkennungseinstellung bietet, aktivieren Sie diese. Wenn das Tool eine manuelle Sprachauswahl erfordert, wählen Sie alle Sprachen aus, die im Dokument angezeigt werden. Das Tool verarbeitet jede Seite oder jeden Textblock mit dem am besten geeigneten Sprachmodell. Überprüfen Sie nach der OCR die Ausgabe, indem Sie nach einem Wort suchen, das sprachspezifische Zeichen enthält, z. B. ein Akzentzeichen im Französischen oder ein Umlaut im Deutschen. Wenn die Suche das Wort richtig findet, hat die OCR-Engine die Sprache erkannt.
WukongPDF OCR-Tools unterstützen die Verarbeitung mehrerer Sprachen. Die OCR PDF-Engine erkennt und erkennt Text in den bei der Konfiguration angegebenen Sprachen. Die Ausgabetextebene bewahrt den mehrsprachigen Inhalt des Originals.
Überprüfung der mehrsprachigen OCR-Genauigkeit
Überprüfen Sie die OCR-Ausgabe für jede Sprache im Dokument stichprobenartig. Suchen Sie nach sprachspezifischen Zeichen und gebräuchlichen Wörtern. Vergleichen Sie einen Beispielabsatz in jeder Sprache mit dem Originalscan. Ein mehrsprachiges Dokument, das in einer Sprache eine korrekte OCR-Erkennung durchführt, kann in einer anderen Sprache eine schlechte OCR-Erkennung aufweisen, wenn die zweite Sprache Zeichen oder diakritische Zeichen verwendet, für deren Erkennung die OCR-Engine nicht konfiguriert wurde. Die Translate PDF-Pipeline für mehrsprachige Dokumente erfordert vor der Übersetzung eine genaue OCR in allen Sprachen.
Umgang mit gemischten Alphabeten und Skripten
Dokumente mit Sprachen, die unterschiedliche Schriftsysteme verwenden, wie etwa Englisch und Arabisch, Englisch und Chinesisch oder Englisch und Russisch, erfordern OCR-Engines, die die jeweiligen Skripte unterstützen. Eine für lateinische Schrift optimierte Engine wird bei arabischen oder chinesischen Zeichen völlig versagen. Stellen Sie vor der Verarbeitung sicher, dass das OCR-Tool jedes Skript unterstützt, das im Dokument erscheint. Ein Tool, das Latein, Kyrillisch und Arabisch unterstützt, unterstützt möglicherweise nicht Chinesisch, Japanisch oder Koreanisch. Die Skriptunterstützung muss zum Dokumentinhalt passen.
Die Herausforderung für Dokumente mit mehreren Skripten besteht darin, eine OCR-Engine zu finden, die alle erforderlichen Skripte verarbeitet. Bei Dokumenten mit ungewöhnlichen Skriptkombinationen führt die Aufteilung des Dokuments nach Skript und die Verarbeitung jedes Abschnitts mit einer speziellen OCR-Engine möglicherweise zu besseren Ergebnissen als die Verwendung einer einzigen Engine für alles.
Testen der OCR-Ausgabe mit sprachspezifischen Suchbegriffen
Überprüfen Sie nach dem Ausführen der mehrsprachigen OCR die Ausgabe für jede Sprache, indem Sie nach sprachspezifischen Begriffen suchen. Suchen Sie nach einem Wort mit Akzent auf Französisch. Suchen Sie im Deutschen nach einem Wort, das einen Umlaut enthält. Suchen Sie nach einer für die Sprache eindeutigen Zeichenkombination. Wenn die Suche die Begriffe richtig findet, hat die OCR-Engine die Sprache erkannt. Wenn die Suche keine Ergebnisse oder verstümmelten Text liefert, hat die Engine nicht das richtige Sprachmodell angewendet.
Die suchbasierte Überprüfung ist schneller als das Durchlesen des gesamten Dokuments und erkennt Fehler bei der Spracherkennung sofort. Ein Dokument, dessen OCR auf Englisch korrekt ist, auf Französisch jedoch fehlschlägt, liefert Suchergebnisse für englische Begriffe und keine Ergebnisse für französische Begriffe. Die OCR PDF-Überprüfung identifiziert die Sprache, die übersehen wurde, sodass sie mit den richtigen Einstellungen erneut verarbeitet werden kann.
Umgang mit Dokumenten in mehr als drei Sprachen
Wenn ein Dokument viele Sprachen enthält, beispielsweise ein Produkthandbuch mit Anweisungen in acht europäischen Sprachen, hat die OCR-Engine möglicherweise Probleme mit der Spracherkennung, da die Textmenge in jeder Sprache gering ist. Die Engine verfügt möglicherweise nicht über genügend Text, um einige Sprachen sicher zu identifizieren, insbesondere wenn die Sprachen eng miteinander verwandt sind. In diesen Fällen führt die manuelle Sprachspezifikation zu besseren Ergebnissen als die automatische Erkennung.
Identifizieren Sie alle im Dokument vorhandenen Sprachen. Wenn das OCR-Tool eine manuelle Angabe erfordert, listen Sie jede Sprache auf. Wenn das Tool eine Primärsprache mit Sekundärsprachen unterstützt, legen Sie die häufigste Sprache als Primärsprache und die anderen als Sekundärsprache fest. Das Gescannte PDF mit vielen Sprachen testet die Grenzen der automatischen Spracherkennung. Die manuelle Spezifikation stellt die Sprachinformationen bereit, die die kleinen Textbeispiele nicht bieten können.
Post-OCR-Sprachkennzeichnung für Barrierefreiheit
Nach der Ausführung der mehrsprachigen OCR enthält das Dokument zwar erkannten Text, es fehlen jedoch möglicherweise Sprachmetadaten, die Screenreadern mitteilen, in welcher Sprache sich die einzelnen Passagen befinden. Ein Screenreader, der auf französischen Text ohne französisches Sprach-Tag stößt, versucht, ihn anhand englischer Ausspracheregeln zu lesen, was zu einer unverständlichen Ausgabe führt. Durch das Hinzufügen von Sprach-Tags zur OCR-Ausgabe wird das Dokument für Benutzer zugänglich, die auf Text-to-Speech-Technologie angewiesen sind.
Die Sprachkennzeichnung ist ein Post-OCR-Schritt, der in einigen PDF-Barrierefreiheitstools verfügbar ist. Kennzeichnen Sie jeden Sprachblock mit seiner korrekten Sprachkennung. Der Bildschirmleser wechselt die Aussprachemodelle, wenn er auf ein Sprach-Tag stößt. Das Gescannte PDF, auf das zuvor nicht zugegriffen werden konnte, wird durch unterstützende Technologien sowohl durchsuchbar als auch lesbar. WukongPDF OCR stellt die Textebene bereit. Sprachkennzeichnung macht diese Textebene zugänglich.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.