多数の言語でOCR – 1ページ内の混在にも対応
OCR PDFの基盤となっているOCRエンジンTesseractは、言語ごとに専用の学習済みモデルで認識を行います。スキャンの品質に次いで精度を大きく左右するのが、正しい言語の選択です。アクセント付き文字、ウムラウト、キリル文字、ギリシャ文字、アラビア文字、アジアの文字は、その言語を選択したときにだけ正しく読み取られます。1つの文書につき最大4言語を選択できます。
多言語の文書を認識する方法
- ファイルをアップロードする OCR PDFを開き、スキャンしたPDFまたはページの写真を選択します。
- すべての言語を追加する 文書内の言語ごとに「+ 言語を追加」をクリックし、使われていない言語は削除します。
- OCRを開始する 複数の言語を含むページも1回の処理で認識されます。
- 特殊な文字を確認する 認識したテキストで、アクセント付きの名前や単語、他の文字で書かれた語を確認します。
言語と文字
利用できる言語
العربية, বাংলা, Български, Čeština, 简体中文, 繁體中文, Deutsch, Ελληνικά, English, فارسی, Français, עברית, हिन्दी, Magyar, Bahasa Indonesia, Italiano, 日本語, 한국어, Bahasa Melayu, Nederlands, Polski, Português, Română, Русский, Español, Svenska, ไทย, Türkçe, Українська, اردو, Tiếng Việt。
アクセントと特殊文字
é、ß、ñ、ø、łなどの文字は、その言語を選択した場合にのみ確実に認識されます。英語だけでは、似た通常の文字に置き換わってしまうことがよくあります。
2か国語の文書
別の言語の附属書がある契約書、多言語のフォーム、辞書など。両方の言語を選べば、同じページ上で認識されます。
右から左へ書く文字
アラビア語など右から左へ書くテキストは、コピーしたテキストでも読む順序が保たれます。
中国語・日本語・韓国語
正確な文字体系を選んでください。中国語の簡体字と繁体字は別々のモデルです。
言語は少ないほど良い
言語を1つ追加するごとにOCRは遅くなり、似た文字を取り違えやすくなります。実際に使われている言語だけを選んでください。
知っておきたいこと
- ドイツのフラクトゥールのような古い書体や歴史的な綴りは、現代の言語モデルではうまく認識されません。
- 手書き文字は、どの言語でも印刷された文字に比べて認識の信頼性が大きく下がります。
多言語OCR – よくある質問
一度に何言語まで使えますか？
1つの文書につき最大4言語です。同じページ内にあっても構いません。
どの言語が利用できますか？
العربية, বাংলা, Български, Čeština, 简体中文, 繁體中文, Deutsch, Ελληνικά, English, فارسی, Français, עברית, हिन्दी, Magyar, Bahasa Indonesia, Italiano, 日本語, 한국어, Bahasa Melayu, Nederlands, Polski, Português, Română, Русский, Español, Svenska, ไทย, Türkçe, Українська, اردو, Tiếng Việt。
使いたい言語がありません。どうすればよいですか？
一覧には、当社のOCRサーバーにインストールされているすべての言語が表示されています。お問い合わせから、必要な言語をお知らせください。
テキストのアクセント記号が抜けているのはなぜですか？
テキストの言語が選択されていなかった可能性があります。その言語を追加して、もう一度OCRを実行してください。
無料ですか？
はい、登録不要で透かしも入りません。ファイルは処理後、遅くとも1時間後には削除されます。
お使いの言語でテキストを認識
最大4つの言語を選び、OCR PDFでスキャンしたPDFを検索可能にしましょう。
多言語OCRを開始