Un PDF multilingue contient des pages en anglais, français et allemand. Un manuel du produit avec des instructions en trois langues sur des pages alternées. Un article académique avec un corps en anglais et un résumé en français. Un document juridique avec un texte original dans une langue et des traductions certifiées dans d’autres. L'exécution de l'OCR sur ce document avec un paramètre de langue unique produit un texte précis pour les pages dans cette langue et une sortie tronquée pour les autres. Les caractères d'accent français deviennent des symboles aléatoires. Les trémas allemands disparaissent. Le moteur OCR essaie d’interpréter chaque caractère à travers le prisme de l’anglais et échoue sur tout ce qui ne convient pas.
Les outils OCR prenant en charge plusieurs langues peuvent traiter correctement un PDF multilingue en détectant la langue de chaque page ou bloc de texte et en appliquant le modèle de reconnaissance de caractères approprié. Le flux de travail OCR multilingue ajoute une étape de détection de langue avant la reconnaissance des caractères, ce qui améliore considérablement la précision des documents contenant plusieurs langues.
Selon le Consortium Unicode, les documents contenant plusieurs langues représentent environ 18 % de tous les PDF professionnels dans les organisations internationales, cette proportion augmentant à mesure que la collaboration mondiale s'intensifie (Unicode Consortium, « Multilingual Document Survey », 2024).
Méthodes de détection de langue pour l'OCR multilingue
| Méthode | Comment ça marche | Précision | Meilleur pour |
|---|---|---|---|
| Détection automatique par page | Le moteur OCR analyse les modèles de caractères sur chaque page et sélectionne le modèle de langage le plus probable | Élevé pour des langues distinctes. Modéré pour les langues étroitement liées comme l'espagnol et le portugais | Documents dont chaque page est dans une seule langue, comme les traductions parallèles |
| Spécification manuelle de la langue | L'utilisateur précise quelles langues apparaissent dans le document et sur quelles pages | Le plus élevé lorsque l'utilisateur connaît les langues et leurs emplacements | Documents dont la distribution est dans une langue connue, tels que les manuels sectionnés |
| Détection automatique par bloc de texte | Le moteur OCR détecte la langue au niveau du paragraphe ou du bloc de texte, en changeant de modèle au milieu de la page | Modéré à élevé. Fonctionne bien pour les blocs clairement séparés. Luttes avec des phrases en langues mixtes | Documents où les langues sont entrelacées sur la même page, comme les formulaires bilingues |
| Traitement parallèle multimodèle | OCR exécute la même page à travers plusieurs modèles linguistiques et sélectionne le meilleur résultat pour chaque zone de texte | Le plus élevé pour le contenu multilingue. Intensif en calcul. Traitement plus lent | Documents avec des mélanges de langues imprévisibles, comme la correspondance internationale |
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.
Configuration de l'OCR multilingue dans les outils basés sur un navigateur
Téléchargez le PDF sur un outil OCR basé sur un navigateur prenant en charge plusieurs langues. Si l'outil propose un paramètre de langue de détection automatique, activez-le. Si l'outil nécessite une sélection manuelle de la langue, sélectionnez toutes les langues qui apparaissent dans le document. L'outil traitera chaque page ou bloc de texte en utilisant le modèle de langage le plus approprié. Après l'OCR, vérifiez le résultat en recherchant un mot contenant des caractères spécifiques à la langue, comme un caractère accentué en français ou un tréma en allemand. Si la recherche trouve le mot correctement, le moteur OCR reconnaît la langue.
Les outils WukongPDF OCR prennent en charge le traitement multilingue. Le moteur OCR PDF détecte et reconnaît le texte dans les langues spécifiées lors de la configuration. La couche de texte de sortie préserve le contenu multilingue de l'original.
Vérification de la précision de l'OCR multilingue
Vérifiez ponctuellement la sortie OCR pour chaque langue du document. Recherchez des caractères spécifiques à une langue et des mots courants. Comparez un exemple de paragraphe dans chaque langue avec l’analyse originale. Un document multilingue dont l'OCR est précis dans une langue peut être médiocre dans une autre si la deuxième langue utilise des caractères ou des signes diacritiques que le moteur OCR n'a pas été configuré pour reconnaître. Le pipeline Translate PDF pour les documents multilingues nécessite une OCR précise dans toutes les langues avant la traduction.
Gestion des alphabets et des scripts mixtes
Les documents contenant des langues utilisant différents systèmes d'écriture, tels que l'anglais et l'arabe, l'anglais et le chinois ou l'anglais et le russe, nécessitent des moteurs OCR prenant en charge les scripts spécifiques. Un moteur optimisé pour l'écriture latine échouera complètement sur les caractères arabes ou chinois. Vérifiez que l'outil OCR prend en charge chaque script qui apparaît dans le document avant le traitement. Un outil prenant en charge le latin, le cyrillique et l'arabe peut ne pas prendre en charge le chinois, le japonais ou le coréen. La prise en charge du script doit correspondre au contenu du document.
Le défi Scanned PDF pour les documents multi-scripts consiste à trouver un moteur OCR qui gère tous les scripts nécessaires. Pour les documents comportant des combinaisons de scripts inhabituelles, diviser le document par script et traiter chaque section avec un moteur OCR spécialisé peut produire de meilleurs résultats que l'utilisation d'un seul moteur pour tout.
Test de la sortie OCR avec des termes de recherche spécifiques à la langue
Après avoir exécuté l'OCR multilingue, vérifiez le résultat pour chaque langue en recherchant des termes spécifiques à la langue. Recherchez un mot accentué en français. Recherchez un mot contenant un tréma en allemand. Recherchez une combinaison de caractères unique à la langue. Si la recherche trouve les termes correctement, le moteur OCR reconnaît la langue. Si la recherche ne renvoie aucun résultat ou un texte tronqué, le moteur n'a pas appliqué le modèle de langage correct.
La vérification basée sur la recherche est plus rapide que la lecture de l'intégralité du document et détecte immédiatement les échecs de détection de langue. Un document dont l'OCR est correct en anglais mais échoue en français renverra des résultats de recherche pour les termes anglais et rien pour les termes français. La vérification OCR PDF identifie la langue qui a été manquée afin qu'elle puisse être retraitée avec les bons paramètres.
Gestion des documents dans plus de trois langues
Lorsqu'un document contient plusieurs langues, comme un manuel de produit avec des instructions dans huit langues européennes, le moteur OCR peut avoir des difficultés avec la détection des langues car la quantité de texte dans chaque langue est petite. Le moteur peut ne pas disposer de suffisamment de texte pour identifier avec certitude certaines langues, en particulier si les langues sont étroitement liées. Dans ces cas, la spécification manuelle du langage produit de meilleurs résultats que la détection automatique.
Identifiez toutes les langues présentes dans le document. Si l'outil OCR nécessite une spécification manuelle, répertoriez chaque langue. Si l'outil prend en charge une langue principale avec des langues secondaires, définissez la langue la plus courante comme langue principale et les autres comme langue secondaire. Le PDF numérisé avec de nombreuses langues teste les limites de la détection automatique des langues. La spécification manuelle fournit les informations linguistiques que les petits échantillons de texte ne peuvent pas fournir.
Marquage linguistique post-OCR pour l'accessibilité
Après avoir exécuté l'OCR multilingue, le document contient du texte reconnu mais peut manquer de métadonnées de langue indiquant aux lecteurs d'écran dans quelle langue se trouve chaque passage. Un lecteur d'écran qui rencontre un texte français sans balise de langue française tentera de le lire en utilisant les règles de prononciation anglaise, produisant un résultat incompréhensible. L'ajout de balises de langue à la sortie OCR rend le document accessible aux utilisateurs qui s'appuient sur la technologie de synthèse vocale.
Le balisage linguistique est une étape post-OCR disponible dans certains outils d'accessibilité PDF. Marquez chaque bloc de langue avec son identifiant de langue correct. Le lecteur d'écran change de modèle de prononciation lorsqu'il rencontre une balise de langue. Le PDF numérisé qui était auparavant inaccessible devient à la fois consultable et lisible grâce à la technologie d'assistance. WukongPDF OCR fournit la couche de texte. Le balisage linguistique rend cette couche de texte accessible.
Essayez l'OCR PDF
Aucune installation nécessaire. Fonctionne directement dans votre navigateur.