Chuyển ảnh tiếng Trung thành văn bản có thể chỉnh sửa

Ảnh chụp màn hình nhãn sản phẩm tiếng Trung có thể chứa đúng thông tin bạn cần, nhưng bạn lại không chọn được chữ nào. Nhận dạng ký tự quang học, hay OCR, chuyển các ký tự nhìn thấy trong ảnh thành văn bản có thể chỉnh sửa. Kết quả hữu ích là một bản chép đã được kiểm tra: tên để tìm kiếm, đoạn văn để học hoặc số lượng có thể sao chép mà không phải gõ lại.

Hãy bắt đầu bằng ảnh rõ nhất, chọn ngôn ngữ thực sự được in trên ảnh và nhận dạng từng vùng có nội dung trọn vẹn. Sau đó đối chiếu kết quả với ảnh trước khi dịch, chuyển đổi giữa chữ giản thể và phồn thể hoặc đưa các con số sang tài liệu khác. Một câu đọc có vẻ tự nhiên vẫn có thể chứa ký tự bị nhận dạng sai.

Chọn ảnh nguồn rõ nhất có thể

Trước tiên, thử chọn văn bản gốc. Trang web hoặc PDF có thể đã có lớp văn bản sử dụng được, dù ảnh chụp màn hình không có. Sao chép một đoạn ngắn rồi so sánh với nội dung đang hiển thị. Nếu chính xác, bạn có thể bỏ qua bước nhận dạng. Dùng OCR khi thông tin chỉ tồn tại dưới dạng điểm ảnh hoặc lớp văn bản hiện có không dùng được.

Chọn ảnh chụp màn hình gốc hoặc ảnh đầy đủ kích thước, thay vì ảnh thu nhỏ đã được chuyển tiếp qua nhiều tin nhắn. Phóng to đủ để nhìn rõ các nét nhỏ trong chữ Hán. Nếu nét đã dính vào nhau hoặc biến mất, tiếp tục phóng to chính ảnh mờ đó cũng không khôi phục được thông tin. Khi có thể, hãy tìm nguồn rõ hơn.

Khi chụp lại, đặt trang giấy phẳng, giữ máy ảnh vuông góc với trang và dùng ánh sáng đều. Kiểm tra để bóng đổ, phản sáng và độ cong gần gáy sách không che đoạn cần lấy. Ảnh nằm ngang sai hướng cần được xoay; trang giấy hẹp dần về phía trên cần được chụp lại hoặc chỉnh phối cảnh trong trình sửa ảnh.

Công cụ ChinaClue nhận ảnh PNG, JPEG và WebP, với giới hạn 15 MB và 24 triệu điểm ảnh. Nếu nguồn là PDF, hãy xuất trang cần dùng thành ảnh trước. Với ảnh quá lớn, tách phần cần thiết trong trình sửa ảnh rồi mới chọn tệp. Chừa một ít khoảng trống quanh chữ để không cắt mất nét.

Chọn đúng ngôn ngữ và bố cục

Ngôn ngữ của trang web và ngôn ngữ nhận dạng có mục đích khác nhau. Bạn có thể dùng giao diện tiếng Anh để nhận dạng một thông báo bằng chữ Trung phồn thể. Trong công cụ OCR, chọn Tiếng Trung phồn thể + tiếng Anh, vì lựa chọn này mô tả tài liệu, ngay cả khi sau đó bạn muốn có bản giản thể.

Dùng Tiếng Trung giản thể + tiếng Anh cho đoạn viết bằng chữ giản thể. Chỉ chọn tổ hợp giản thể, phồn thể và tiếng Anh khi đoạn văn thực sự có sự pha trộn đó. Chọn Tiếng Anh cho ảnh chỉ có tiếng Anh. Chọn thêm ngôn ngữ không thay thế được một ảnh rõ hơn và có thể yêu cầu tải thêm dữ liệu nhận dạng.

Ví dụ, một nhãn ghi 净含量, còn bản phồn thể ghi 淨含量. Cả hai đều chỉ lượng tịnh, nhưng hình dạng chữ đầu tiên khác nhau. OCR trước hết cần khôi phục các ký tự thực sự có trong nguồn. Chọn mô hình phồn thể không phải là lệnh chuyển toàn bộ kết quả thành chữ phồn thể; chọn giao diện tiếng Anh cũng không có nghĩa là yêu cầu dịch sang tiếng Anh.

Các lựa chọn bố cục mô tả cách sắp xếp, không phải chủ đề. Nhãn giá không tự động thuộc kiểu văn bản rải rác; một nhãn gọn có thể phù hợp hơn với một khối văn bản. Bắt đầu bằng thiết lập phù hợp với vùng đã chọn, rồi chỉ thử thiết lập thứ hai khi kết quả đầu có vấn đề cụ thể.

Nhận dạng từng vùng đầy đủ

Mở công cụ chuyển ảnh tiếng Trung thành văn bản và chọn ảnh. Kiểm tra bản xem trước trước khi nhận dạng. Các nút xoay trái và phải xoay ảnh 90 độ mỗi lần. Hãy xoay trước rồi chọn vùng nhận dạng, vì thao tác xoay đặt lại vùng cắt. Ảnh chỉ hơi nghiêng cần được chỉnh trong trình sửa ảnh, không phải xoay thêm một phần tư vòng.

Kéo trên bản xem trước để chọn vùng, hoặc điều chỉnh tỷ lệ phần trăm của vị trí trái, vị trí trên, chiều rộng và chiều cao. Đưa vào toàn bộ một đoạn, nhãn hoặc cột. Chỉ cắt riêng con số có thể làm mất đơn vị hoặc tên trường cần để hiểu số đó. Nếu kết quả của trang hai cột trộn lẫn các dòng, hãy nhận dạng từng cột riêng.

Chọn ngôn ngữ được in và bố cục, rồi bấm Nhận dạng văn bản. Trình duyệt tải dữ liệu nhận dạng và xử lý vùng ảnh đã chọn trên thiết bị của bạn. Việc tải mô hình vẫn cần kết nối, nên xử lý trong trình duyệt không có nghĩa là trang luôn dùng được ngoại tuyến. Giữ thẻ mở trong lúc nhận dạng; dùng Hủy nếu cần dừng.

Văn bản nhận dạng được có thể chỉnh sửa. Hãy lưu hoặc sao chép các sửa đổi muốn giữ trước khi nhận dạng lại, vì lần chạy mới sẽ thay thế kết quả. Khi làm việc với nhiều vùng, đưa từng đoạn đã kiểm tra vào tài liệu riêng theo đúng thứ tự đọc. Giữ tiêu đề hoặc số trang để có thể tìm lại nguồn.

Kiểm tra chi tiết ảnh hưởng đến nghĩa

Đối chiếu khi ảnh và văn bản cùng hiển thị. Bắt đầu từ những chi tiết mà lỗi nhỏ cũng làm thay đổi công việc: tên, ngày tháng, từ phủ định, số lượng, đơn vị và mã tham chiếu. Sau đó đọc cả đoạn để kiểm tra dòng bị thiếu và ranh giới câu. Cách diễn đạt quen thuộc có thể giúp phát hiện vấn đề, nhưng không nên dùng để đoán một chữ không rõ trên ảnh.

Nhãn dưới đây là ví dụ hư cấu để luyện tập, không phải hồ sơ của sản phẩm thật. Khi kiểm tra bản chép, giữ tên trường cạnh giá trị tương ứng:

名称：绿茶
净含量：1.25 kg
编号：0018
单价：38.50 元

Nếu 1.25 kg trở thành 125 kg, việc mất dấu thập phân làm số lượng tăng 100 lần. Giá trị đúng là 1.250 gam; đây là một cách đối chiếu độc lập khi tài liệu khác dùng gam. Nếu 0018 thành 18, giá trị số có thể trông tương đương, nhưng mã tham chiếu không còn giữ nguyên bốn ký tự.

Kiểm tra 38.50 theo từng ký tự, bao gồm dấu chấm thập phân và số không ở cuối. Xác nhận 元 thuộc về số tiền này, không phải giá trị bên cạnh. Kết quả OCR có thể đọc được các con số nhưng ghép chúng vào sai dòng. Tính lại không thể sửa bản chép đã ghép sai tên trường với giá trị.

Với tiếng Trung, hãy so sánh kỹ các chữ có hình dạng gần nhau: 未 và 末, hoặc 土 và 士, khác nhau ở tỷ lệ độ dài nét. Trong mã gồm cả chữ và số, phân biệt số 0 với chữ O. Đây là các ví dụ để kiểm tra, không phải khẳng định mọi ảnh đều gặp những lỗi này. Giữ dấu câu và các từ như 不, vì chúng có thể đảo ngược nghĩa của một hướng dẫn.

Nếu chưa đọc được đoạn văn một cách chắc chắn, dùng OCR để có văn bản tìm kiếm được, rồi nhờ người đọc hiểu hoặc đơn vị phát hành tài liệu kiểm tra phần chưa rõ. Bản dịch từ văn bản nhận dạng sai có thể nghe thuyết phục nhưng vẫn mang lỗi ban đầu. Hãy kiểm tra xong bản chép trước khi coi bản dịch là lời giải thích cho nguồn.

Khắc phục đúng vấn đề nhận dạng

Nếu kết quả trống, trước hết kiểm tra vùng đã chọn: vùng đó có thể chủ yếu là khoảng trắng, ảnh hoặc chữ quá nhỏ để phân biệt. Quay về toàn bộ ảnh, tìm đoạn cần dùng rồi chọn lại vùng cắt. Xác nhận ngôn ngữ và hướng ảnh trước khi thay đổi nhiều thiết lập cùng lúc.

Nếu ký tự có vẻ hợp lý nhưng các dòng sai thứ tự, hãy xử lý như một vấn đề bố cục. Tách các cột của trang nhiều cột hoặc tách tiêu đề khỏi các nhãn xung quanh. Với bảng, nhận dạng một dòng hoặc nhóm ô nhỏ, rồi dựng lại bảng trong khi đối chiếu ảnh. Văn bản thuần không giữ quan hệ giữa các ô của bảng tính.

Nếu chỉ một từ chưa rõ, cắt từ đó cùng một chút ngữ cảnh rồi so sánh kết quả mới với lần đầu. Giữ cả hai cách đọc trong ghi chú cho đến khi ảnh hoặc nguồn đáng tin cậy khác giải quyết được khác biệt. Nhận dạng lặp lại trên cùng ảnh mờ không phải là xác nhận độc lập cho tên hay mã đang còn nghi vấn.

Khi nguyên nhân là phản sáng, bóng đậm, kiểu chữ trang trí hoặc bản in bị hỏng, tìm nguồn tốt hơn có thể tiết kiệm thời gian hơn nhiều lần OCR. Đánh dấu phần chưa xác định trong bản làm việc thay vì tự đoán mà không ghi chú. Với nhãn ngắn và đọc được, nhập thủ công rồi kiểm tra từng ký tự có thể đáng tin cậy hơn.

Giữ bản đã kiểm tra trước khi chuyển đổi

Sau khi kiểm tra, sao chép kết quả hoặc tải tệp văn bản UTF-8. Mở tệp đã lưu rồi đối chiếu các dòng đầu và cuối, các con số trong ví dụ và chữ Hán ít gặp. Tải thành công chỉ xác nhận tệp đã được lưu; bước kiểm tra ngắn này xác nhận tệp chứa đúng văn bản bạn muốn giữ.

Nếu cần thêm bản giản thể hoặc phồn thể, giữ một bản chép đã kiểm tra và chưa chuyển đổi. Dùng công cụ chuyển đổi chữ Trung giản thể và phồn thể trên bản sao, rồi kiểm tra tên và những cách diễn đạt phụ thuộc ngữ cảnh. Nhờ vậy, nội dung thực sự được in trong nguồn được tách biệt với bản đã điều chỉnh cho người đọc khác.

Khi dán vào bảng tính, đặt định dạng cột mã thành văn bản trước khi chèn giá trị như 0018. Giữ số lượng và đơn vị cùng nhau cho đến khi chủ động tách thành các trường riêng. Khi phù hợp, lưu ảnh nguồn cạnh ghi chú làm việc để người xử lý tiếp theo có thể kiểm tra chữ còn nghi vấn mà không phải bắt đầu lại toàn bộ.