Распознавание бирманского языка: теперь мы умеем даже это

[IamKarlson]

Очень плохо так делать: заинтересовать картинкой и не показать

[poxvuibr]

Я зашёл в топик ради этого комментария!

[luciana]

Я верила в читателей и не ошиблась :)

[RZimin]

Молодцы, но вот гложет вопрос. Не могу не спросить. Сколько ненормативных выражений выучила проектная команда? :)

[luciana]

Если честно, команда такая интеллигентная, что я стесняюсь спрашивать :)

Вот вам в качестве компенсации тот самый комикс с переводом на русский. Он тоже хорош

[madkite]

С японским не так всё просто. Японцы то для корней слов юзают кандзи — это такая же «хитроумная хрень, которая атакует здания» как у китайцев, у них же и позаимствованная.

[habraslon]

Да, он прекрасен )

[RZimin]

Интересно, а кто-то уже попробовал распознать текст на бирманском из комикса?

[luciana]

Это же от руки написано. Может ничегошеньки не распознаться :)

[habraslon]

Так там же перевод выше есть, на русском )

[Error_403_Forbidden]

Сиськи!

[safari2012]

монголы вроде с 1941 года и до сих пор кириллицу используют…

[madkite]

Во Внутренней Монголии (автономный край в составе Китая) до сих пор вроде продолжают использовать старомонгольское письмо.

[tyomitch]

Теперь уже и в независимой Монголии переходят с кириллицы на (старо)монгольское письмо.

Вот, например, монгольские тугрики выпуска 2002 г.: ни буквы кириллицей.

[safari2012]

Да, действительно, старомонгольский алфавит стали плавно возвращать.
Но вы «наполовину» ошибаетесь, вся обратная сторона этой банкноты на кириллице.

[safari2012]

вот современные монеты

[TheTony]

Спасибо за материал!
Вот стало интересно: а можно ли узнать частоту появления лигатур в языке и при формировании базовой линии модифицировать ее положение исходя из просчитанных значений (текущей базовой линии) + потенциальных появлений лигатур в тексте? Скорректировав таким образом изначальную базовую линию…

[luciana]

Универсальный механизм коррекции базовой линии в зависимости от количества лигатур ( если понимать под лигатурой основной символ + диакритика ) настроить довольно проблематично, потому, что часть лигатуры, которая располагается ниже базовой линии бывает очень разная по форме и размерам. Например, для вьетнамского языка это только точка под основным символом и корректировать базовую линию для вьетнамского не надо. Проще настроить механизм для каждого языка отдельно.

[stalkerg]

Большое спасибо, очень интересно!
Как то раз мне пришлось немного углубится в бирманский т.к. преподавал у группы студентов от туда.
Главная трудность была, что они не понимали русскую интонацию вопросительного приложения, по этому я стал разбираться как обозначается вопросительные приложения на бирманском. Нашёл одну частичку, которую произносил в конце приложения и вроде все сразу всё понимали.

[San66]

А как на бирманском обозначается время?
Например 23:45 или там 7:40? Просто по приколу делаю часы с выводом на разных цифровых обозначениях, на арабский перевел без проблем а вот с восточными языками сложнее.

[luciana]

Время мы не изучали )

[scalywhale]

Спасибо за интересный рассказ!
Скажите, а планируете ли вы научить ваш OCR самостоятельно определять язык, на котором написан документ? Если я правильно понимаю, я сейчас подсуну Fine Reader текст на бирманском для распознавания, я должен вручную указать «бирманский» в списке языков. Даже если взять распространённые языки: английский, немецкий, французский, русский и т.д. — в облачном Fine Reader мне постоянно приходится самому выбирать язык, на котором написан распознаваемый документ. Причём, самая засада с немецким — когда я точно не уверен, новая орфография используется в тексте или старая.
Думаю, в 2015 году технологически уже не так сложно реализовать автоматическое определение языка и снизить количество действий пользователя (+ облегчить интерфейс).

[IBB4]

Хороший вопрос =) Строго говоря, автодетект языков в файне есть и очень давно. Проблема только в том, что эффективно он работает на довольно ограниченном наборе, примерно 6-8 языков… Если больше, то сильно страдает скорость и качество определения. На FineReaderOnline мы ограничили автовыбор до 3-х языков, чтобы не перегружать интерфейс и не сильно загружать сервер.
До недавнего времени, на практике этого было достаточно, чтобы мы не вкладывались в разработку полноценного автодетекта, всегда есть более интересные области, куда имеет смысл приложить усилия. Однако недавно стали приходить запросы на полноценное автоопределение, так что _возможно_ через некоторое время мы это поддержим.

[scalywhale]

спасибо за ответ! если честно, ни разу не пользовался десктопной версией, но давно пользуюсь облачной (хорошо бы ещё страницы не сгорали там со временем).
А что если реализовать распознавание языка через семплирование? Например, брать по фразе из нескольких мест текста в зависимости от размера файла и, пока пользователь настраивает то, куда ему лучше экспортнуть файл (мой фич-реквест на экспорт в яндекс.диск, видимо заигнорили) и в каком формате, автоматически определять язык. А уж затем распознавать с учётом определённого языка.

[IBB4]

Не все так просто — чтобы взять даже несколько кусочков текста, нужно провести полноценный анализ документа, чтобы хотя бы определить где там текст… С другой стороны — языки в комбиках подставляются на основе данных из браузера и это закрывает процентов 80 сценариев, так как в большинстве случаев пользователи распознают документы на родном языке (и на английском)
Так что вряд ли такие сложности имеют смысл.

[IBB4]

не туда