多语言 PDF 包含英语、法语和德语页面。产品手册，交替页面上有三种语言的说明。一篇学术论文，正文为英文，摘要为法文。包含一种语言的原始文本和其他语言的经过认证的翻译的法律文件。使用单一语言设置对此文档运行 OCR 会为该语言的页面生成准确的文本，而为其他语言的页面生成乱码输出。法语口音字符变成随机符号。德语变音符号消失。 OCR 引擎尝试通过英语的视角来解释每个字符，但对于任何不合适的字符都会失败。
支持多种语言的 OCR 工具可以通过检测每个页面或文本块的语言并应用适当的字符识别模型来正确处理多语言 PDF。多语言 OCR 工作流程在字符识别之前添加了语言检测步骤，这大大提高了包含多种语言的文档的准确性。
根据 Unicode 联盟的数据，包含多种语言的文档约占国际组织中所有商业 PDF 的 18%，并且随着全球协作的增加，这一比例不断上升（Unicode 联盟，“多语言文档调查”，2024 年）。
多语言 OCR 的语言检测方法
| 方法 | 工作原理 | 准确度 | 最适合 |
|---|---|---|---|
| 自动检测每页 | OCR 引擎分析每个页面上的字符模式并选择最可能的语言模型 | 对于不同的语言来说高。对于密切相关的语言（如西班牙语和葡萄牙语）来说中等 | 每页采用单一语言的文档，例如平行翻译 |
| 手册语言规范 | 用户指定文档中出现的语言以及页面上 | 当用户了解语言及其位置时最高 | 具有已知语言分布的文档，例如分节手册 |
| 自动检测每个文本块 | OCR 引擎检测段落或文本块级别的语言，在页面中间切换模型 | 中到高。对于清晰分离的块效果很好。与混合语言句子作斗争 | 语言在同一页面上交错的文档，例如双语表格 |
| 多模型并行处理 | OCR 通过多种语言模型运行同一页面，并为每个文本区域选择最佳结果 | 混合语言内容的最高值。计算密集型。处理速度较慢 | 具有不可预测的语言混合的文档，例如国际信件 |
在基于浏览器的工具中配置多语言 OCR
将 PDF 上传到支持多种语言的基于浏览器的 OCR 工具。如果该工具提供自动检测语言设置，请启用它。如果该工具需要手动选择语言，请选择文档中出现的所有语言。该工具将使用最合适的语言模型处理每个页面或文本块。 OCR 后，通过搜索包含特定于语言的字符（例如法语中的重音字符或德语中的变音符号）的单词来验证输出。如果搜索正确找到该单词，则 OCR 引擎识别了该语言。
WukongPDF OCR 工具支持多种语言处理。 OCR PDF引擎检测并识别配置期间指定语言的文本。输出文本层保留原始的多语言内容。
验证多语言 OCR 准确性
抽查文档中每种语言的 OCR 输出。搜索特定于语言的字符和常用单词。将每种语言的示例段落与原始扫描进行比较。如果第二种语言使用 OCR 引擎未配置为识别的字符或变音标记，则在一种语言中准确进行 OCR 的多语言文档在另一种语言中的 OCR 效果可能会很差。用于多语言文档的翻译 PDF 管道需要在翻译之前对所有语言进行准确的 OCR。
处理混合字母和脚本
包含使用不同书写系统的语言（例如英语和阿拉伯语、英语和汉语、英语和俄语）的文档需要支持特定脚本的 OCR 引擎。针对拉丁文字优化的引擎在处理阿拉伯或中文字符时将完全失败。在处理之前验证 OCR 工具是否支持文档中出现的每个脚本。支持拉丁语、西里尔语和阿拉伯语的工具可能不支持中文、日语或韩语。脚本支持必须与文档内容匹配。
多脚本文档的扫描 PDF 挑战是找到一个能够处理所有必要脚本的 OCR 引擎。对于具有不常见脚本组合的文档，按脚本拆分文档并使用专门的 OCR 引擎处理每个部分可能会比使用单个引擎处理所有内容产生更好的结果。
使用特定于语言的搜索词测试 OCR 输出
运行多语言 OCR 后，通过搜索特定于语言的术语来验证每种语言的输出。搜索法语中的重音单词。搜索一个包含德语变音符号的单词。搜索该语言特有的字符组合。如果搜索正确找到术语，则 OCR 引擎识别了该语言。如果搜索没有返回结果或出现乱码，则说明引擎未应用正确的语言模型。
基于搜索的验证比阅读整个文档更快，并且可以立即捕获语言检测失败。如果文档的英语 OCR 正确，但法语 OCR 失败，则将返回英语术语的搜索结果，而不会返回法语术语的搜索结果。 OCR PDF验证可识别丢失的语言，以便可以使用正确的设置对其进行重新处理。
处理超过三种语言的文档
当文档包含多种语言时，例如包含八种欧洲语言说明的产品手册，OCR 引擎可能会难以进行语言检测，因为每种语言的文本量都很小。引擎可能没有足够的文本来自信地识别某些语言，特别是当这些语言密切相关时。在这些情况下，手动语言规范比自动检测产生更好的结果。
识别文档中存在的所有语言。如果 OCR 工具需要手动指定，请列出每种语言。如果该工具支持主要语言和次要语言，请将最常用的语言设置为主要，将其他语言设置为次要。具有多种语言的扫描 PDF 测试了自动语言检测的极限。手动规范提供了小文本样本无法提供的语言信息。
OCR 后语言标记以实现辅助功能
运行多语言 OCR 后，文档包含已识别的文本，但可能缺少告诉屏幕阅读器每个段落使用哪种语言的语言元数据。遇到没有法语标签的法语文本的屏幕阅读器将尝试使用英语发音规则阅读它，从而产生难以理解的输出。向 OCR 输出添加语言标签使依赖文本转语音技术的用户可以访问文档。
语言标记是某些 PDF 辅助工具中可用的 OCR 后步骤。用正确的语言标识符标记每个语言块。屏幕阅读器在遇到语言标签时会切换发音模型。以前无法访问的扫描的 PDF现在可以通过辅助技术进行搜索和阅读。 WukongPDF OCR 提供文本层。语言标记使文本层易于访问。