AuraDoc
ВойтиНачать

Что такое язык OCR?

Язык OCR — это язык, то есть система письма, на котором, по ожиданию программы распознавания, написана отсканированная страница. Скан — всего лишь изображение, а распознавание превращает его формы в текст. Зная язык, программа сужает набор возможных букв и слов, и результат получается точнее.

Как это работает

Сначала распознавание находит строки текста, затем определяет каждый символ. Это определение не происходит в отрыве от контекста: его сверяют с допустимыми сочетаниями букв в данном языке. Если буква размыта, программа выберет ту, что подходит слову, а не ту, что просто похожа по форме. Без правильного языка такая помощь пропадает, и остаётся только форма. Язык определяет и сами существующие символы. Страницам на арабском, корейском или кириллице нужна модель для этой письменности: модель только для латиницы не может выдать такие буквы и подставляет похожие знаки. Сложнее всего страницы с двумя языками, например договор на русском с английскими пунктами; места, где встречается второй язык, нужно проверять.

Почему это важно

Неверный язык — самая частая причина того, что скан превращается в бессмысленный набор знаков. Ошибаются не несколько букв: целые слова становятся чужими символами, поиск не находит ничего, а копирование бесполезно. Страдают и мелкие детали, например ударения и диакритика, поэтому результат может выглядеть правильным, но менять смысл слова. Выбор языка — небольшой шаг, который избавляет от большой правки потом. Если язык документа неизвестен, например файл пришёл из-за границы, лучше сначала определить его, чем несколько раз повторять распознавание. Важно и качество скана: чёткая прямая страница с верным языком даёт лучший результат, а наклонные, размытые и малоразрешённые страницы оставляют ошибки.

Что можно сделать в AuraDoc

OCR для PDF читает страницы отсканированного файла и добавляет текстовый слой за изображением, поэтому файл становится доступным для поиска, а текст можно выделять. Определение языка PDF помогает узнать язык документа до начала работы. Текстовый слой сохраняется в новой копии, а исходный файл остаётся таким, каким вы его загрузили. Распознавание не безошибочно, поэтому важные имена, числа и даты проверяйте, прежде чем на них полагаться.

Инструменты, которые используют этот термин

Руководства, где он применяется

Частые вопросы

Какой язык выбрать, если на странице два языка?
Выберите язык, на котором написана основная часть текста, а остальное проверьте позже. Короткие фразы на другом языке обычно распознаются нормально, а длинные абзацы на втором языке чаще всего содержат ошибки.
Работает ли распознавание, если язык неизвестен?
Попробовать можно, но результат обычно хуже, особенно для похожих букв и нелатинских систем письма. Указанный язык подсказывает, какую из похожих форм выбрать.
Меняет ли смена языка вид страницы?
Нет. Язык влияет только на невидимый текстовый слой. Изображение отсканированной страницы остаётся прежним, меняются лишь поиск и выделение.

Связанные термины

Нужно больше, чем быстрая правка?

AuraDoc — платформа для документов с OCR, поиском и сводками на основе ИИ и более чем 60 инструментами PDF для команд. Попробуйте бесплатно 7 дней.

Бесплатные инструменты для личного и рабочего использования. Этот работает на изолированном сервере AuraDoc: файл удаляется сразу после обработки и не хранится. Правила добросовестного использования и защиты от злоупотреблений