Een meertalige PDF bevat pagina's in het Engels, Frans en Duits. Een producthandleiding met instructies in drie talen op afwisselende pagina's. Een academisch artikel met een Engelse body en een Franse samenvatting. Een juridisch document met originele tekst in de ene taal en beëdigde vertalingen in de andere. Het uitvoeren van OCR op dit document met één taalinstelling levert nauwkeurige tekst op voor de pagina's in die taal en onleesbare uitvoer voor de andere. De Franse accenttekens worden willekeurige symbolen. De Duitse umlauten verdwijnen. De OCR-engine probeert elk personage door de lens van het Engels te interpreteren en faalt bij alles wat niet past.
OCR-tools die meerdere talen ondersteunen, kunnen een meertalige PDF correct verwerken door de taal van elke pagina of tekstblok te detecteren en het juiste tekenherkenningsmodel toe te passen. De meertalige OCR-workflow voegt een taaldetectiestap toe vóór tekenherkenning, waardoor de nauwkeurigheid aanzienlijk wordt verbeterd voor documenten die meer dan één taal bevatten.
Volgens het Unicode Consortium vormen documenten die meerdere talen bevatten ongeveer 18 procent van alle zakelijke PDF's in internationale organisaties, waarbij dit aandeel toeneemt naarmate de mondiale samenwerking toeneemt (Unicode Consortium, "Multilingual Document Survey", 2024).
Taaldetectiemethoden voor meertalige OCR
| Methode | Hoe het werkt | Nauwkeurigheid | Beste voor |
|---|---|---|---|
| Automatische detectie per pagina | De OCR-engine analyseert tekenpatronen op elke pagina en selecteert het meest waarschijnlijke taalmodel | Hoog voor verschillende talen. Matig voor nauw verwante talen zoals Spaans en Portugees | Documenten waarbij elke pagina in één taal is, zoals parallelle vertalingen |
| Handmatige taalspecificatie | De gebruiker specificeert welke talen in het document verschijnen en op welke pagina's | Het hoogst wanneer de gebruiker de talen en hun locaties kent | Documenten met een bekende taaldistributie, zoals opgedeelde handleidingen |
| Automatische detectie per tekstblok | De OCR-engine detecteert taal op alinea- of tekstblokniveau en schakelt halverwege de pagina over van model | Matig tot hoog. Werkt goed voor duidelijk gescheiden blokken. Heeft moeite met zinnen in gemengde talen | Documenten waarbij talen op dezelfde pagina worden weergegeven, zoals tweetalige formulieren |
| Parallelle verwerking met meerdere modellen | OCR voert dezelfde pagina door meerdere taalmodellen en selecteert het beste resultaat voor elk tekstgebied | Hoogste voor inhoud in gemengde talen. Rekenintensief. Langzamere verwerking | Documenten met onvoorspelbare taalvermengingen, zoals internationale correspondentie |
Meertalige OCR configureren in browsergebaseerde tools
Upload de PDF naar een browsergebaseerde OCR-tool die meerdere talen ondersteunt. Als de tool een taalinstelling voor automatische detectie biedt, schakel deze dan in. Als de tool handmatige taalselectie vereist, selecteert u alle talen die in het document voorkomen. De tool verwerkt elke pagina of tekstblok met behulp van het meest geschikte taalmodel. Na OCR verifieert u de uitvoer door te zoeken naar een woord dat taalspecifieke tekens bevat, zoals een teken met accent in het Frans of een umlaut in het Duits. Als de zoekopdracht het woord correct vindt, herkent de OCR-engine de taal.
WukongPDF OCR-tools ondersteunen verwerking van meerdere talen. De OCR PDF-engine detecteert en herkent tekst in de talen die tijdens de configuratie zijn opgegeven. De uitvoertekstlaag behoudt de meertalige inhoud van het origineel.
Nauwkeurigheid van meertalige OCR verifiëren
Controleer de OCR-uitvoer voor elke taal in het document. Zoek naar taalspecifieke tekens en veelvoorkomende woorden. Vergelijk een voorbeeldparagraaf in elke taal met de originele scan. Een meertalig document dat in de ene taal nauwkeurig OCR verwerkt, kan in een andere taal slecht OCR uitvoeren als de tweede taal tekens of diakritische tekens gebruikt die de OCR-engine niet kon herkennen. De Translate PDF-pijplijn voor meertalige documenten vereist nauwkeurige OCR in alle talen vóór vertaling.
Omgaan met gemengde alfabetten en scripts
Documenten die talen bevatten die verschillende schrijfsystemen gebruiken, zoals Engels en Arabisch, Engels en Chinees, of Engels en Russisch, vereisen OCR-engines die de specifieke scripts ondersteunen. Een engine die is geoptimaliseerd voor Latijns schrift zal volledig falen bij Arabische of Chinese karakters. Controleer vóór verwerking of de OCR-tool elk script ondersteunt dat in het document verschijnt. Een tool die Latijn, Cyrillisch en Arabisch ondersteunt, ondersteunt mogelijk geen Chinees, Japans of Koreaans. De scriptondersteuning moet overeenkomen met de documentinhoud.
De Gescande PDF-uitdaging voor documenten met meerdere scripts is het vinden van een OCR-engine die alle benodigde scripts afhandelt. Voor documenten met ongebruikelijke scriptcombinaties kan het splitsen van het document per script en het verwerken van elke sectie met een gespecialiseerde OCR-engine betere resultaten opleveren dan het gebruik van één enkele engine voor alles.
OCR-uitvoer testen met taalspecifieke zoektermen
Nadat u meertalige OCR hebt uitgevoerd, controleert u de uitvoer voor elke taal door te zoeken naar taalspecifieke termen. Zoek naar een woord met accent in het Frans. Zoek naar een woord dat een umlaut bevat in het Duits. Zoek naar een tekencombinatie die uniek is voor de taal. Als de zoekopdracht de termen correct vindt, herkent de OCR-engine de taal. Als de zoekopdracht geen resultaten of onleesbare tekst oplevert, heeft de engine niet het juiste taalmodel toegepast.
De op zoekopdrachten gebaseerde verificatie is sneller dan het doorlezen van het hele document en spoort taaldetectiefouten onmiddellijk op. Een document dat correct OCR in het Engels, maar mislukt in het Frans, levert zoekresultaten op voor Engelse termen en niets voor Franse termen. De OCR PDF-verificatie identificeert de gemiste taal, zodat deze opnieuw kan worden verwerkt met de juiste instellingen.
Documenten verwerken in meer dan drie talen
Wanneer een document veel talen bevat, zoals een producthandleiding met instructies in acht Europese talen, kan de OCR-engine moeite hebben met taaldetectie omdat de hoeveelheid tekst in elke taal klein is. Het is mogelijk dat de engine niet genoeg tekst heeft om bepaalde talen met vertrouwen te identificeren, vooral als de talen nauw verwant zijn. In deze gevallen levert handmatige taalspecificatie betere resultaten op dan automatische detectie.
Identificeer alle talen die in het document aanwezig zijn. Als de OCR-tool handmatige specificatie vereist, vermeld dan elke taal. Als de tool een primaire taal met secundaire talen ondersteunt, stelt u de meest voorkomende taal in als primair en de andere als secundair. De Gescande PDF met veel talen test de grenzen van automatische taaldetectie. Handmatige specificatie biedt de taalinformatie die de kleine tekstvoorbeelden niet kunnen.
Taaltagging na OCR voor toegankelijkheid
Na het uitvoeren van meertalige OCR bevat het document herkende tekst, maar het kan zijn dat er taalmetagegevens ontbreken die schermlezers vertellen in welke taal elke passage zich bevindt. Een schermlezer die Franse tekst tegenkomt zonder een Franse taaltag, zal proberen deze te lezen met behulp van Engelse uitspraakregels, wat onbegrijpelijke uitvoer oplevert. Door taaltags aan de OCR-uitvoer toe te voegen, wordt het document toegankelijk voor gebruikers die afhankelijk zijn van tekst-naar-spraaktechnologie.
Taaltagging is een post-OCR-stap die beschikbaar is in sommige PDF-toegankelijkheidstools. Label elk taalblok met de juiste taalidentificatie. De schermlezer schakelt tussen uitspraakmodellen wanneer er een taaltag wordt aangetroffen. De Gescande PDF die voorheen ontoegankelijk was, wordt zowel doorzoekbaar als leesbaar door ondersteunende technologie. WukongPDF OCR levert de tekstlaag. Taaltagging maakt die tekstlaag toegankelijk.