多語言 PDF 包含英語、法語和德語頁面。產品手冊，交替頁面上有三種語言的說明。一篇學術論文，正文為英文，摘要為法文。包含一種語言的原始文本和其他語言的經過認證的翻譯的法律文件。使用單一語言設定對此文件執行 OCR 會為該語言的頁面產生準確的文本，而為其他語言的頁面產生亂碼輸出。法語口音字元變成隨機符號。德語變音符號消失。 OCR 引擎嘗試透過英語的視角來解釋每個字符，但對於任何不合適的字符都會失敗。
支援多種語言的 OCR 工具可以透過偵測每個頁面或文字區塊的語言並應用適當的字元辨識模型來正確處理多語言 PDF。多語言 OCR 工作流程在字元辨識之前新增了語言偵測步驟，這大大提高了包含多種語言的文件的準確性。
根據 Unicode 聯盟的數據，包含多種語言的文檔約佔國際組織中所有商業 PDF 的 18%，並且隨著全球協作的增加，這一比例不斷上升（Unicode 聯盟，“多語言文檔調查”，2024 年）。
多語言 OCR 的語言偵測方法
| 方法 | 工作原理 | 準確度 | 最適合 |
|---|---|---|---|
| 自動偵測每頁 | OCR 引擎分析每個頁面上的字元模式並選擇最可能的語言模型 | 對於不同的語言來說高。對於密切相關的語言（如西班牙語和葡萄牙語）來說中等 | 每頁採用單一語言的文檔，例如平行翻譯 |
| 手冊語言規範 | 使用者指定文件中出現的語言以及頁面上 | 當使用者了解語言及其位置時最高 | 具有已知語言分佈的文檔，例如分節手冊 |
| 自動偵測每個文字區塊 | OCR 引擎偵測段落或文字區塊層級的語言，在頁面中間切換模型 | 中到高。對於清晰分離的塊效果很好。與混合語言句子作鬥爭 | 語言在同一頁交錯的文檔，例如雙語表格 |
| 多模型並行處理 | OCR 透過多種語言模型運行同一頁面，並為每個文字區域選擇最佳結果 | 混合語言內容的最高值。計算密集型。處理速度較慢 | 具有不可預測的語言混合的文檔，例如國際信件 |
在基於瀏覽器的工具中配置多語言 OCR
將 PDF 上傳到支援多種語言的瀏覽器為基礎的 OCR 工具。如果該工具提供自動偵測語言設置，請啟用它。如果該工具需要手動選擇語言，請選擇文件中出現的所有語言。該工具將使用最合適的語言模型處理每個頁面或文字區塊。 OCR 後，透過搜尋包含特定於語言的字元（例如法語中的重音字元或德語中的變音符號）的單字來驗證輸出。如果搜尋正確找到該單詞，則 OCR 引擎識別了該語言。
WukongPDF OCR 工具支援多種語言處理。 OCR PDF引擎偵測並識別配置期間指定語言的文字。輸出文字層保留原始的多語言內容。
驗證多語言 OCR 準確性
抽查文件中每種語言的 OCR 輸出。搜尋特定於語言的字元和常用單字。將每種語言的範例段落與原始掃描進行比較。如果第二種語言使用 OCR 引擎未配置為識別的字元或變音標記，則在一種語言中準確進行 OCR 的多語言文件在另一種語言中的 OCR 效果可能會很差。用於多語言文件的翻譯 PDF 管道需要在翻譯之前對所有語言進行準確的 OCR。
處理混合字母和腳本
包含使用不同書寫系統的語言（例如英語和阿拉伯語、英語和漢語、英語和俄語）的文檔需要支援特定腳本的 OCR 引擎。針對拉丁文字優化的引擎在處理阿拉伯或中文字元時將完全失敗。在處理之前驗證 OCR 工具是否支援文件中出現的每個腳本。支援拉丁語、西里爾語和阿拉伯語的工具可能不支援中文、日語或韓語。腳本支援必須與文件內容相符。
多腳本文件的掃描 PDF 挑戰是找到一個能夠處理所有必要腳本的 OCR 引擎。對於具有不常見腳本組合的文檔，按腳本拆分文件並使用專門的 OCR 引擎處理每個部分可能會比使用單一引擎處理所有內容產生更好的結果。
使用特定於語言的搜尋字詞測試 OCR 輸出
執行多語言 OCR 後，透過搜尋特定於語言的術語來驗證每種語言的輸出。搜尋法語中的重音單字。搜尋一個包含德語變音符號的單字。搜尋該語言特有的字元組合。如果搜尋正確找到術語，則 OCR 引擎識別了該語言。如果搜尋沒有回傳結果或出現亂碼，則表示引擎未套用正確的語言模型。
基於搜尋的驗證比閱讀整個文件更快，並且可以立即擷取語言偵測失敗。如果文件的英文 OCR 正確，但法語 OCR 失敗，則會傳回英文術語的搜尋結果，而不會傳回法語術語的搜尋結果。 OCR PDF驗證可識別遺失的語言，以便可以使用正確的設定對其進行重新處理。
處理超過三種語言的文檔
當文件包含多種語言時，例如包含八種歐洲語言說明的產品手冊，OCR 引擎可能會難以進行語言檢測，因為每種語言的文字量都很小。引擎可能沒有足夠的文字來自信地識別某些語言，特別是當這些語言密切相關時。在這些情況下，手動語言規範比自動偵測產生更好的結果。
識別文檔中存在的所有語言。如果 OCR 工具需要手動指定，請列出每種語言。如果該工具支援主要語言和次要語言，請將最常用的語言設定為主要，將其他語言設定為次要。具有多種語言的掃描 PDF 測試了自動語言檢測的極限。手動規範提供了小文本樣本無法提供的語言資訊。
OCR 後語言標記以實現輔助功能
執行多語言 OCR 後，文件包含已識別的文本，但可能缺少告訴螢幕閱讀器每個段落使用哪種語言的語言元資料。遇到沒有法語標籤的法語文字的螢幕閱讀器將嘗試使用英語發音規則閱讀它，從而產生難以理解的輸出。向 OCR 輸出添加語言標籤使依賴文字轉語音技術的使用者可以存取文件。
語言標記是某些 PDF 輔助工具中可用的 OCR 後步驟。用正確的語言標識符標記每個語言區塊。螢幕閱讀器在遇到語言標籤時會切換發音模型。以前無法訪問的掃描的 PDF現在可以透過輔助技術進行搜尋和閱讀。 WukongPDF OCR 提供文本層。語言標記使文字層易於存取。