OCR エンジンは主に左から右に記述する言語用に設計されています。英語、フランス語、スペイン語、ドイツ語。テキストは左から右に流れます。文字認識モデルはラテン文字でトレーニングされています。アラビア語、ヘブライ語、ウルドゥー語、またはペルシア語で書かれた PDF に対して OCR を実行すると、エンジンは本来認識するように設計されていないスクリプトで書かれた右から左へ流れるテキストを検出します。その結果、出力が文字化けします。つまり、文字が間違った順序で認識され、単語が逆に綴られ、発音記号が間違って配置されたり完全に欠落したりします。
右から左へ記述する言語の PDF での OCR には、RTL スクリプトを明示的にサポートする OCR エンジンが必要です。エンジンは、アラビア語、ヘブライ語、またはその他の RTL 文字を認識し、正しい文字順序を保持し、これらの言語の意味に不可欠な発音区別符号を処理する必要があります。このガイドでは、適切なエンジンを選択し、正確な RTL OCR を実現するように構成する方法について説明します。
RTL 言語での OCR PDF の課題は、LTR 言語とは根本的に異なります。テキストの方向、文字セット、発音記号の処理にはすべて、特定のサポートが必要です。
RTL 対応 OCR エンジンの選択
| エンジン型式 | RTL サポート | 最適な用途 |
|---|---|---|
| 汎用OCR | 限定されているか、まったくありません。個々のアラビア文字は認識できますが、右から左への正しい語順は保持されません。 | RTL ドキュメントには推奨されません。出力には大規模な手動修正が必要です |
| RTL サポートを備えた多言語 OCR | アラビア語、ヘブライ語、およびその他の RTL スクリプトを第 2 言語としてサポートします。言語が指定されている場合にテキストの方向を正しく処理します。 | RTL テキストが LTR テキストと一緒に表示される混合言語ドキュメント |
| RTL に特化した OCR | アラビア語またはヘブライ語 OCR 専用に設計されています。ターゲット言語に対して最高の精度。発音記号と合字を正しく処理します | 文書全体または主に単一の RTL 言語で書かれた文書 |
RTL OCR の言語設定の構成
OCR エンジン設定で特定の RTL 言語を選択します。 RTL テキストを別のスクリプトとして誤認する可能性があるため、自動検出に依存しないでください。ドキュメントに RTL テキストと LTR テキストの両方が含まれている場合は、両方の言語を指定し、エンジンがテキスト ブロック レベルで言語を検出できるようにします。言語設定によって、エンジンが使用する文字モデルが決まります。
WukongPDF OCR ツールは複数の言語をサポートします。 RTL ドキュメントの場合は、言語を明示的に指定します。 RTL コンテンツを含む スキャン PDF では、使用可能な結果を得るために正しい言語設定が必要です。
RTL OCR 出力の検証
OCR 後、サンプル段落を読んで出力を確認します。テキストは右から左に流れる必要があります。単語は正しく綴られ、発音区別記号が適切な位置に配置されている必要があります。文書内の既知の単語を検索して、認識されたことを確認します。出力が文字化けしている場合は、言語設定を確認して再処理してください。
RTL ドキュメントの Translate PDF ワークフローでは、最初のステップとして正確な OCR が必要です。翻訳の品質は OCR の品質に依存します。
同じページ上の混合 RTL テキストと LTR テキストの処理
同じページにアラビア語と英語の両方のテキストが含まれる文書では、OCR エンジンがテキストブロック レベルで言語を検出する必要があります。各ブロックは正しい言語モデルで処理されます。出力では、各ブロックの正しいテキスト方向が保持されます。
OCR PDF 混合方向検出は、ページ レベルではなく、段落またはテキスト ブロック レベルで機能する必要があります。ページレベルの言語設定はコンテンツの半分で間違っています。
RTL OCR 中の発音区別記号の保持
アラビア語とヘブライ語の発音区別記号は、文字の上、下、または内側にある小さな点とストロークです。それらは意味をなすために不可欠です。 OCR エンジンは、基本文字は認識しますが、発音区別符号を見逃した場合、スペルが間違ったテキストを生成します。 OCR 出力の発音記号の精度を確認します。
RTL 言語の Scanned PDF 発音記号検証では、すべてのマークが存在するかどうかがチェックされます。発音記号が欠けていると単語が変わります。
RTL テキスト方向の OCR 後の編集
OCR が正しい場合でも、出力ファイル内のテキストの方向を調整する必要がある場合があります。一部のテキスト エディタでは、文字が正しい場合でも RTL テキストが正しく表示されません。ターゲット アプリケーションのテキストの方向を確認し、必要に応じて調整します。
Translate PDF RTL 編集ステップでは、テキストがターゲット言語に対して正しい方向に流れることを確認します。
特定の RTL スクリプト用のカスタム OCR モデルのトレーニング
大量の RTL ドキュメントを処理する組織の場合、特定のスクリプトとドキュメント タイプに基づいてトレーニングされたカスタム OCR モデルは、汎用エンジンよりも高い精度を生み出します。トレーニングへの投資は、修正時間の短縮という形で回収されます。
RTL スクリプトの OCR PDF カスタム モデルは、大量の繰り返し発生するドキュメント タイプに適しています。
OCR 出力での双方向テキストの処理
アラビア語文内の英語の専門用語など、RTL テキストに埋め込み LTR 要素が含まれている場合、OCR 出力では正しい双方向の順序が維持される必要があります。埋め込まれた LTR テキストが RTL フロー内で正しく読み取られることを確認します。
スキャン PDF 双方向テキスト検証は、文内の言語切り替えが正しく処理されることをチェックします。
OCR検証のためのネイティブRTLアプリケーションの使用
RTL 言語用に設計されたアプリケーションを使用して OCR 出力を検証します。アラビア語またはヘブライ語をサポートするワード プロセッサでは、テキストが正しく表示され、母国語での編集が可能になります。
ネイティブ アプリケーションの Translate PDF RTL 検証は、LTR アプリケーションでは表示されない可能性のあるエラーを検出します。
RTL OCR 品質ベースラインの構築
OCR パイプラインを通じてサンプル ドキュメントを処理し、精度を測定します。この測定値をベースラインとして使用します。 OCR エンジンまたは設定を変更する場合は、新しい精度をベースラインと比較します。
PDF Tools RTL OCR ベースラインにより、長期にわたるデータ駆動型の品質向上が可能になります。
アラビア文字 OCR での合字の処理
アラビア文字では、2 つ以上の文字を組み合わせて 1 つのグリフにする合字が使用されます。 OCR エンジンは合字を認識し、正しい文字シーケンスにマップする必要があります。合字認識が正しくないと、個々の文字が正しい場合でも単語のスペルが間違ってしまいます。
OCR PDF アラビア語の合字処理は特殊な機能です。汎用の OCR エンジンではサポートされていない可能性があります。
ウルドゥー語およびペルシャ語のバリアントの OCR
ウルドゥー語とペルシア語では、追加の文字を含むアラビア文字が使用されます。アラビア語用に構成された OCR エンジンは、ウルドゥー語固有の文字やペルシア語固有の文字を認識しません。スクリプト ファミリだけでなく、正確な言語を選択します。
スクリプト バリアントの Scanned PDF の言語選択は正確である必要があります。アラビア語 OCR 設定では、ウルドゥー語文書が正しく処理されません。
ネイティブ スピーカーによる RTL OCR の検証のレビュー
RTL テキストのマシン OCR では、重要なドキュメントについては常に人間による検証が必要です。ネイティブ スピーカーが OCR 出力を読み取って、オリジナルと比較します。人間のレビュー担当者は、自動化された精度メトリクスが見逃すエラーを発見します。
RTL OCR の Translate PDF のネイティブ スピーカー レビューは、許容可能な出力と信頼できない出力の間の品質の関門です。
アラビア数字とヒンディー語の混合数字の処理
アラビア語の文書では、アラビア数字 (٠١٢٣٤٥٦٧٨٩) とヒンディー語数字 (0123456789) の両方が同じページで使用されることがあります。 OCR エンジンは両方の記数法を正しく認識し、元の数字を保存する必要があります。
OCR PDF アラビア語文書の二重数字認識には、両方の数字体系を処理するエンジンが必要です。
歴史的な RTL ドキュメントの OCR
RTL 言語の歴史的文書では、古いスクリプト変種、標準外の文字形式、または劣化した印刷品質が使用されている場合があります。最新の活字テキストで訓練された汎用 OCR エンジンは困難を伴うでしょう。特殊な履歴 OCR モデルまたは手動転写が必要になる場合があります。
スキャン PDF 履歴 RTL ドキュメントの課題は正確さです。 OCR の精度が低いことを受け入れ、手動修正により多くの時間を割り当てます。