Um PDF multilíngue contém páginas em inglês, francês e alemão. Um manual do produto com instruções em três idiomas em páginas alternadas. Artigo acadêmico com corpo em inglês e resumo em francês. Um documento legal com texto original em um idioma e traduções juramentadas em outros. A execução do OCR neste documento com uma configuração de idioma único produz texto preciso para as páginas nesse idioma e saída distorcida para os outros. Os caracteres com sotaque francês tornam-se símbolos aleatórios. Os tremas alemães desaparecem. O mecanismo de OCR tenta interpretar cada caractere através das lentes do inglês e falha em tudo que não cabe.
As ferramentas de OCR que suportam vários idiomas podem processar corretamente um PDF multilíngue, detectando o idioma de cada página ou bloco de texto e aplicando o modelo de reconhecimento de caracteres apropriado. O fluxo de trabalho de OCR multilíngue adiciona uma etapa de detecção de idioma antes do reconhecimento de caracteres, o que melhora drasticamente a precisão de documentos que contêm mais de um idioma.
De acordo com o Consórcio Unicode, os documentos que contêm vários idiomas representam aproximadamente 18% de todos os PDFs comerciais em organizações internacionais, com a proporção aumentando à medida que a colaboração global aumenta (Consórcio Unicode, "Multilingual Document Survey," 2024).
Métodos de detecção de idioma para OCR multilíngue
| Método | Como funciona | Precisão | Melhor para |
|---|---|---|---|
| Detecção automática por página | O mecanismo de OCR analisa padrões de caracteres em cada página e seleciona o modelo de idioma mais provável | Alto para idiomas distintos. Moderado para idiomas intimamente relacionados, como espanhol e português | Documentos em que cada página está em um único idioma, como traduções paralelas |
| Especificação manual de idioma | O usuário especifica quais idiomas aparecem no documento e em quais páginas | Maior quando o usuário conhece os idiomas e suas localizações | Documentos com distribuição em idiomas conhecidos, como manuais seccionados |
| Detecção automática por bloco de texto | O mecanismo de OCR detecta o idioma no nível do parágrafo ou do bloco de texto, alternando os modelos no meio da página | Moderado a alto. Funciona bem para blocos claramente separados. Luta com frases em idiomas mistos | Documentos onde os idiomas estão intercalados na mesma página, como formulários bilíngues |
| Processamento paralelo multimodelo | OCR executa a mesma página através de vários modelos de idiomas e seleciona o melhor resultado para cada região de texto | Maior para conteúdo em idiomas mistos. Computacionalmente intensivo. Processamento mais lento | Documentos com misturas linguísticas imprevisíveis, como correspondência internacional |
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.
Configurando OCR multilíngue em ferramentas baseadas em navegador
Carregue o PDF em uma ferramenta de OCR baseada em navegador que suporte vários idiomas. Se a ferramenta oferecer uma configuração de detecção automática de idioma, habilite-a. Se a ferramenta exigir seleção manual de idioma, selecione todos os idiomas que aparecem no documento. A ferramenta processará cada página ou bloco de texto utilizando o modelo de linguagem mais adequado. Após o OCR, verifique a saída procurando uma palavra que contenha caracteres específicos do idioma, como um caractere acentuado em francês ou um trema em alemão. Se a pesquisa encontrar a palavra corretamente, o mecanismo de OCR reconheceu o idioma.
WukongPDF As ferramentas de OCR suportam processamento de vários idiomas. O mecanismo OCR PDF detecta e reconhece texto nos idiomas especificados durante a configuração. A camada de texto de saída preserva o conteúdo multilíngue do original.
Verificando a precisão do OCR multilíngue
Verifique a saída do OCR para cada idioma do documento. Pesquise caracteres específicos do idioma e palavras comuns. Compare um exemplo de parágrafo em cada idioma com a digitalização original. Um documento multilíngue que faz OCR com precisão em um idioma pode ter um OCR ruim em outro se o segundo idioma usar caracteres ou marcas diacríticas que o mecanismo de OCR não foi configurado para reconhecer. O pipeline Translate PDF para documentos multilíngues exige OCR preciso em todos os idiomas antes da tradução.
Lidando com alfabetos e scripts mistos
Documentos contendo idiomas que utilizam diferentes sistemas de escrita, como inglês e árabe, inglês e chinês ou inglês e russo, exigem mecanismos de OCR que suportem scripts específicos. Um mecanismo otimizado para escrita latina falhará completamente em caracteres árabes ou chineses. Verifique se a ferramenta OCR oferece suporte a todos os scripts que aparecem no documento antes do processamento. Uma ferramenta que oferece suporte a latim, cirílico e árabe pode não oferecer suporte a chinês, japonês ou coreano. O suporte do script deve corresponder ao conteúdo do documento.
O desafio PDF digitalizado para documentos com vários scripts é encontrar um mecanismo de OCR que lide com todos os scripts necessários. Para documentos com combinações incomuns de scripts, dividir o documento por script e processar cada seção com um mecanismo de OCR especializado pode produzir melhores resultados do que usar um único mecanismo para tudo.
Testando saída de OCR com termos de pesquisa específicos de idioma
Depois de executar o OCR multilíngue, verifique a saída de cada idioma pesquisando termos específicos do idioma. Procure uma palavra acentuada em francês. Procure uma palavra que contenha trema em alemão. Procure uma combinação de caracteres exclusiva do idioma. Se a pesquisa encontrar os termos corretamente, o mecanismo de OCR reconheceu o idioma. Se a pesquisa não retornar nenhum resultado ou texto ilegível, o mecanismo não aplicou o modelo de idioma correto.
A verificação baseada em pesquisa é mais rápida do que a leitura de todo o documento e detecta falhas de detecção de idioma imediatamente. Um documento que faz o OCR corretamente em inglês, mas falha em francês, retornará resultados de pesquisa para termos em inglês e nada para termos em francês. A verificação OCR PDF identifica o idioma que foi perdido para que possa ser reprocessado com as configurações corretas.
Tratamento de documentos com mais de três idiomas
Quando um documento contém muitos idiomas, como um manual de produto com instruções em oito idiomas europeus, o mecanismo de OCR pode ter dificuldades com a detecção de idioma porque a quantidade de texto em cada idioma é pequena. O mecanismo pode não ter texto suficiente para identificar alguns idiomas com segurança, principalmente se os idiomas estiverem intimamente relacionados. Nestes casos, a especificação manual da linguagem produz melhores resultados do que a detecção automática.
Identifique todos os idiomas presentes no documento. Se a ferramenta OCR exigir especificação manual, liste todos os idiomas. Se a ferramenta suportar um idioma primário com idiomas secundários, defina o idioma mais comum como primário e os outros como secundários. O PDF digitalizado com vários idiomas testa os limites da detecção automática de idiomas. A especificação manual fornece informações de idioma que as pequenas amostras de texto não conseguem.
Marcação de idioma pós-OCR para acessibilidade
Depois de executar o OCR multilíngue, o documento contém texto reconhecido, mas pode não ter metadados de idioma que informem aos leitores de tela em qual idioma cada passagem está. Um leitor de tela que encontrar texto em francês sem uma tag de idioma francês tentará lê-lo usando as regras de pronúncia do inglês, produzindo uma saída incompreensível. Adicionar tags de idioma à saída de OCR torna o documento acessível a usuários que dependem da tecnologia de conversão de texto em fala.
A marcação de idioma é uma etapa pós-OCR disponível em algumas ferramentas de acessibilidade de PDF. Marque cada bloco de idioma com seu identificador de idioma correto. O leitor de tela alterna os modelos de pronúncia quando encontra uma marca de idioma. O PDF digitalizado que antes estava inacessível torna-se pesquisável e legível por tecnologia assistiva. WukongPDF OCR fornece a camada de texto. A marcação de idioma torna essa camada de texto acessível.
Experimente o OCR de PDF
Nenhuma instalação necessária. Funciona diretamente no seu navegador.