다국어 PDF에는 영어, 프랑스어, 독일어 페이지가 포함되어 있습니다. 교대로 페이지에 3개 언어로 지침이 포함된 제품 설명서. 영문 본문과 프랑스어 초록으로 구성된 학술 논문입니다. 한 언어로 된 원본 텍스트와 다른 언어로 인증된 번역이 포함된 법률 문서입니다. 단일 언어 설정으로 이 문서에 OCR을 실행하면 해당 언어 페이지에 대해서는 정확한 텍스트가 생성되고 다른 언어에 대해서는 왜곡된 출력이 생성됩니다. 프랑스어 악센트 문자는 임의의 기호가 됩니다. 독일 움라우트가 사라집니다. OCR 엔진은 영어 렌즈를 통해 모든 문자를 해석하려고 시도하지만 적합하지 않은 경우에는 실패합니다.
여러 언어를 지원하는 OCR 도구는 각 페이지 또는 텍스트 블록의 언어를 감지하고 적절한 문자 인식 모델을 적용하여 다국어 PDF를 올바르게 처리할 수 있습니다. 다중 언어 OCR 워크플로우는 문자 인식 전에 언어 감지 단계를 추가하여 둘 이상의 언어가 포함된 문서의 정확성을 크게 향상시킵니다.
유니코드 컨소시엄(Unicode Consortium)에 따르면, 여러 언어가 포함된 문서는 국제 조직의 전체 비즈니스 PDF 중 약 18%를 차지하며, 글로벌 협업이 증가함에 따라 그 비율도 증가하고 있습니다(유니코드 컨소시엄, "Multilingual Document Survey", 2024).
다국어 OCR의 언어 감지 방법
| 방법 | 작동 방식 | 정확도 | 에 가장 적합 |
|---|---|---|---|
| 페이지별로 자동 감지 | OCR 엔진은 각 페이지의 문자 패턴을 분석하고 가장 가능성 있는 언어 모델을 선택합니다. | 고유한 언어의 경우 높음. 스페인어 및 포르투갈어와 같이 밀접하게 관련된 언어의 경우 보통 | 병렬 번역과 같이 각 페이지가 단일 언어로 작성된 문서 |
| 수동 언어 사양 | 사용자는 문서에 표시되는 언어와 페이지를 지정합니다. | 사용자가 언어와 위치를 알고 있을 때 가장 높음 | 섹션별로 구분된 매뉴얼과 같이 언어 분포가 알려진 문서 |
| 텍스트 블록별로 자동 감지 | OCR 엔진은 단락 또는 텍스트 블록 수준에서 언어를 감지하여 페이지 중간에 모델을 전환합니다. | 보통에서 높음. 명확하게 구분된 블록에 적합합니다. 혼합 언어 문장으로 인한 어려움 | 이중 언어 양식과 같이 동일한 페이지에 언어가 인터리브되는 문서 |
| 다중 모델 병렬 처리 | OCR은 여러 언어 모델을 통해 동일한 페이지를 실행하고 각 텍스트 영역에 가장 적합한 결과를 선택합니다. | 혼합 언어 콘텐츠의 경우 가장 높습니다. 계산 집약적입니다. 처리 속도가 느려짐 | 국제 서신 등 예측할 수 없는 언어가 혼합된 문서 |
브라우저 기반 도구에서 다국어 OCR 구성
여러 언어를 지원하는 브라우저 기반 OCR 도구에 PDF를 업로드합니다. 도구가 자동 감지 언어 설정을 제공하는 경우 이를 활성화합니다. 도구에서 수동 언어 선택이 필요한 경우 문서에 나타나는 모든 언어를 선택합니다. 이 도구는 가장 적절한 언어 모델을 사용하여 각 페이지 또는 텍스트 블록을 처리합니다. OCR 후에는 프랑스어의 악센트 문자 또는 독일어의 움라우트와 같은 언어별 문자가 포함된 단어를 검색하여 출력을 확인합니다. 검색에서 단어가 올바르게 발견되면 OCR 엔진이 언어를 인식한 것입니다.
WukongPDF OCR 도구는 다중 언어 처리를 지원합니다. OCR PDF 엔진은 구성 중에 지정된 언어로 된 텍스트를 감지하고 인식합니다. 출력 텍스트 레이어는 원본의 다국어 콘텐츠를 유지합니다.
다국어 OCR 정확도 확인
문서의 각 언어에 대한 OCR 출력을 즉시 확인하십시오. 언어별 문자와 일반적인 단어를 검색합니다. 각 언어의 샘플 단락을 원본 스캔과 비교하세요. 한 언어에서 정확하게 OCR이 발생하는 다국어 문서는 두 번째 언어에서 OCR 엔진이 인식하도록 구성되지 않은 문자나 발음 구별 부호를 사용하는 경우 다른 언어에서는 제대로 OCR되지 않을 수 있습니다. 다국어 문서를 위한 PDF 번역 파이프라인에서는 번역하기 전에 모든 언어에 대한 정확한 OCR이 필요합니다.
혼합된 알파벳 및 스크립트 처리
영어와 아랍어, 영어와 중국어, 영어와 러시아어 등 다양한 쓰기 체계를 사용하는 언어가 포함된 문서에는 특정 스크립트를 지원하는 OCR 엔진이 필요합니다. 라틴어 스크립트에 최적화된 엔진은 아랍어나 중국어 문자에서는 완전히 실패합니다. 처리하기 전에 OCR 도구가 문서에 나타나는 모든 스크립트를 지원하는지 확인하십시오. 라틴어, 키릴 문자 및 아랍어를 지원하는 도구는 중국어, 일본어 또는 한국어를 지원하지 않을 수 있습니다. 스크립트 지원은 문서 내용과 일치해야 합니다.
다중 스크립트 문서에 대한 스캔 PDF 과제는 필요한 모든 스크립트를 처리하는 OCR 엔진을 찾는 것입니다. 일반적이지 않은 스크립트 조합이 포함된 문서의 경우 문서를 스크립트별로 분할하고 각 섹션을 특수 OCR 엔진으로 처리하면 모든 작업에 단일 엔진을 사용하는 것보다 더 나은 결과를 얻을 수 있습니다.
언어별 검색어로 OCR 출력 테스트
다국어 OCR을 실행한 후 언어별 용어를 검색하여 각 언어에 대한 출력을 확인합니다. 프랑스어에서 악센트가 있는 단어를 검색하세요. 독일어에서 움라우트가 포함된 단어를 검색하세요. 언어 고유의 문자 조합을 검색합니다. 검색에서 용어를 올바르게 찾으면 OCR 엔진이 언어를 인식한 것입니다. 검색 결과가 반환되지 않거나 텍스트가 깨졌을 경우 엔진이 올바른 언어 모델을 적용하지 않은 것입니다.
검색 기반 확인은 전체 문서를 읽는 것보다 빠르며 언어 감지 실패를 즉시 포착합니다. 영어에서는 OCR이 올바르지만 프랑스어에서는 실패하는 문서는 영어 용어에 대한 검색 결과를 반환하고 프랑스어 용어에 대한 검색 결과는 반환하지 않습니다. OCR PDF 확인은 누락된 언어를 식별하여 올바른 설정으로 다시 처리할 수 있도록 합니다.
3개 이상의 언어로 문서 처리
8개 유럽 언어로 지침이 포함된 제품 설명서와 같이 문서에 여러 언어가 포함되어 있는 경우 각 언어의 텍스트 양이 적기 때문에 OCR 엔진이 언어 감지에 어려움을 겪을 수 있습니다. 특히 언어가 밀접하게 관련되어 있는 경우 엔진에 일부 언어를 확실하게 식별할 만큼 충분한 텍스트가 없을 수 있습니다. 이러한 경우 수동 언어 지정이 자동 감지보다 더 나은 결과를 생성합니다.
문서에 있는 모든 언어를 식별합니다. OCR 도구에 수동 지정이 필요한 경우 모든 언어를 나열하십시오. 도구가 보조 언어와 함께 기본 언어를 지원하는 경우 가장 일반적인 언어를 기본 언어로 설정하고 나머지 언어를 보조 언어로 설정합니다. 다양한 언어가 포함된 스캔 PDF에서는 자동 언어 감지의 한계를 테스트합니다. 수동 사양은 작은 텍스트 샘플이 제공할 수 없는 언어 정보를 제공합니다.
접근성을 위한 OCR 이후 언어 태그 지정
다중 언어 OCR을 실행한 후 문서에는 인식된 텍스트가 포함되어 있지만 화면 판독기에 각 구절이 어떤 언어로 되어 있는지 알려주는 언어 메타데이터가 부족할 수 있습니다. 프랑스어 태그가 없는 프랑스어 텍스트를 발견하는 화면 판독기는 영어 발음 규칙을 사용하여 읽으려고 시도하므로 이해할 수 없는 출력이 생성됩니다. OCR 출력에 언어 태그를 추가하면 텍스트 음성 변환 기술을 사용하는 사용자가 문서에 액세스할 수 있습니다.
언어 태그 지정은 일부 PDF 접근성 도구에서 사용할 수 있는 OCR 이후 단계입니다. 올바른 언어 식별자로 각 언어 블록에 태그를 지정합니다. 화면 판독기는 언어 태그를 발견하면 발음 모델을 전환합니다. 이전에 액세스할 수 없었던 스캔 PDF이 보조 기술을 통해 검색 및 읽기 가능해졌습니다. WukongPDF OCR은 텍스트 레이어를 제공합니다. 언어 태그를 지정하면 해당 텍스트 레이어에 액세스할 수 있습니다.