Un PDF multilingue contiene pagine in inglese, francese e tedesco. Un manuale del prodotto con istruzioni in tre lingue a pagine alternate. Un articolo accademico con corpo inglese e abstract francese. Un documento legale con testo originale in una lingua e traduzioni certificate in altre. L'esecuzione dell'OCR su questo documento con un'impostazione di una sola lingua produce testo accurato per le pagine in quella lingua e output confuso per le altre. I caratteri dell'accento francese diventano simboli casuali. Le dieresi tedesche scompaiono. Il motore OCR tenta di interpretare ogni carattere attraverso la lente dell'inglese e fallisce su tutto ciò che non si adatta.
Gli strumenti OCR che supportano più lingue possono elaborare correttamente un PDF multilingue rilevando la lingua di ogni pagina o blocco di testo e applicando il modello di riconoscimento dei caratteri appropriato. Il flusso di lavoro OCR multilingue aggiunge una fase di rilevamento della lingua prima del riconoscimento dei caratteri, che migliora notevolmente la precisione per i documenti contenenti più di una lingua.
Secondo l’Unicode Consortium, i documenti contenenti più lingue rappresentano circa il 18% di tutti i PDF aziendali nelle organizzazioni internazionali, con una percentuale in aumento con l’aumento della collaborazione globale (Unicode Consortium, “Multilingual Document Survey”, 2024).
Metodi di rilevamento della lingua per l'OCR multilingue
| Metodo | Come funziona | Precisione | Ideale per |
|---|---|---|---|
| Rilevamento automatico per pagina | Il motore OCR analizza i modelli di caratteri su ogni pagina e seleziona il modello linguistico più probabile | Alto per lingue distinte. Moderato per lingue strettamente correlate come spagnolo e portoghese | Documenti in cui ogni pagina è in un'unica lingua, come traduzioni parallele |
| Specifica della lingua del manuale | L'utente specifica quali lingue appaiono nel documento e su quali pagine | Massima quando l'utente conosce le lingue e le loro posizioni | Documenti con distribuzione in lingue conosciute, come manuali sezionati |
| Rilevamento automatico per blocco di testo | Il motore OCR rileva la lingua a livello di paragrafo o blocco di testo, cambiando modello a metà pagina | Da moderato ad alto. Funziona bene per blocchi chiaramente separati. Lotta con frasi in lingue miste | Documenti in cui le lingue sono intercalate sulla stessa pagina, come i moduli bilingui |
| Elaborazione parallela multimodello | L'OCR esegue la stessa pagina attraverso più modelli linguistici e seleziona il risultato migliore per ciascuna area di testo | Massima per contenuti in lingue miste. Computazionalmente intensivo. Elaborazione più lenta | Documenti con miscele linguistiche imprevedibili, come la corrispondenza internazionale |
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
Configurazione dell'OCR multilingue negli strumenti basati su browser
Carica il PDF su uno strumento OCR basato su browser che supporta più lingue. Se lo strumento offre un'impostazione della lingua di rilevamento automatico, abilitala. Se lo strumento richiede la selezione manuale della lingua, seleziona tutte le lingue visualizzate nel documento. Lo strumento elaborerà ogni pagina o blocco di testo utilizzando il modello linguistico più appropriato. Dopo l'OCR, verifica l'output cercando una parola che contenga caratteri specifici della lingua, come un carattere accentato in francese o una dieresi in tedesco. Se la ricerca trova la parola correttamente, il motore OCR ha riconosciuto la lingua.
WukongPDF Gli strumenti OCR supportano l'elaborazione di più lingue. Il motore OCR PDF rileva e riconosce i testi nelle lingue specificate in fase di configurazione. Il livello del testo di output conserva il contenuto multilingue dell'originale.
Verifica della precisione dell'OCR multilingue
Effettua un controllo a campione dell'output OCR per ciascuna lingua nel documento. Cerca caratteri specifici della lingua e parole comuni. Confronta un paragrafo di esempio in ciascuna lingua con la scansione originale. Un documento multilingue che viene eseguito correttamente dall'OCR in una lingua potrebbe essere scarsamente riconosciuto in un'altra lingua se la seconda lingua utilizza caratteri o segni diacritici che il motore OCR non è stato configurato per riconoscere. La pipeline Translate PDF per documenti multilingue richiede un OCR accurato in tutte le lingue prima della traduzione.
Gestione di alfabeti e script misti
I documenti contenenti lingue che utilizzano sistemi di scrittura diversi, come inglese e arabo, inglese e cinese o inglese e russo, richiedono motori OCR che supportino script specifici. Un motore ottimizzato per la scrittura latina fallirà completamente con i caratteri arabi o cinesi. Verificare che lo strumento OCR supporti ogni script visualizzato nel documento prima dell'elaborazione. Uno strumento che supporta il latino, il cirillico e l'arabo potrebbe non supportare il cinese, il giapponese o il coreano. Il supporto dello script deve corrispondere al contenuto del documento.
La sfida PDF scansionato per i documenti con più script è trovare un motore OCR che gestisca tutti gli script necessari. Per i documenti con combinazioni di script non comuni, dividere il documento per script ed elaborare ciascuna sezione con un motore OCR specializzato può produrre risultati migliori rispetto all'utilizzo di un unico motore per tutto.
Testare l'output OCR con termini di ricerca specifici della lingua
Dopo aver eseguito l'OCR multilingue, verifica l'output per ciascuna lingua cercando termini specifici della lingua. Cerca una parola accentata in francese. Cerca una parola contenente una dieresi in tedesco. Cerca una combinazione di caratteri unica per la lingua. Se la ricerca trova i termini correttamente, il motore OCR ha riconosciuto la lingua. Se la ricerca non restituisce risultati o presenta testo confuso, il motore non ha applicato il modello linguistico corretto.
La verifica basata sulla ricerca è più veloce della lettura dell'intero documento e rileva immediatamente gli errori di rilevamento della lingua. Un documento che viene eseguito correttamente dall'OCR in inglese ma non riesce in francese restituirà risultati di ricerca per termini inglesi e nulla per termini francesi. La verifica OCR PDF identifica la lingua mancata per poterla rielaborare con le impostazioni corrette.
Gestione di documenti con più di tre lingue
Quando un documento contiene molte lingue, ad esempio un manuale del prodotto con istruzioni in otto lingue europee, il motore OCR potrebbe avere difficoltà con il rilevamento della lingua perché la quantità di testo in ciascuna lingua è ridotta. Il motore potrebbe non avere testo sufficiente per identificare con sicurezza alcune lingue, soprattutto se sono strettamente correlate. In questi casi, la specifica manuale della lingua produce risultati migliori rispetto al rilevamento automatico.
Identificare tutte le lingue presenti nel documento. Se lo strumento OCR richiede la specifica manuale, elenca ogni lingua. Se lo strumento supporta una lingua principale con lingue secondarie, imposta la lingua più comune come primaria e le altre come secondarie. Il PDF scansionato con molte lingue mette alla prova i limiti del rilevamento automatico della lingua. La specifica manuale fornisce le informazioni sulla lingua che i piccoli esempi di testo non possono fornire.
Tagging linguistico post-OCR per l'accessibilità
Dopo aver eseguito l'OCR multilingue, il documento contiene testo riconosciuto ma potrebbero non essere presenti metadati linguistici che indichino agli screen reader in quale lingua si trova ciascun passaggio. Uno screen reader che incontra testo francese senza un tag di lingua francese tenterà di leggerlo utilizzando le regole di pronuncia inglese, producendo un output incomprensibile. L'aggiunta di tag linguistici all'output OCR rende il documento accessibile agli utenti che si affidano alla tecnologia di sintesi vocale.
Il tagging della lingua è un passaggio successivo all'OCR disponibile in alcuni strumenti di accessibilità PDF. Contrassegna ciascun blocco linguistico con il suo identificatore di lingua corretto. Lo screen reader cambia modello di pronuncia quando incontra un tag di lingua. Il PDF scansionato precedentemente inaccessibile diventa ricercabile e leggibile dalla tecnologia assistiva. WukongPDF L'OCR fornisce il livello di testo. Il tagging della lingua rende accessibile quel livello di testo.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.