使用哪个版本的Tesseract来训练一门新语言？

Question

我正在寻求建议，我应该使用哪个版本的Tesseract来训练一种具有独特字母的古老语言。就特征而言，这种语言与阿拉伯语非常相似。它也是从右到左的，一些字母可以在单词中连接。换句话说，一个字母可能有三种形状，这取决于它是在开头、中间还是结尾。它还有高于或低于字母的harakat (short vowel marks)。

我问这个问题的原因是因为我想利用3.X版可用的工具，但是关于阿拉伯语的this warning让我失望了，因为这门语言和它非常相似。

对于任何熟悉Tesseract的人来说，你推荐用哪个版本来训练这样的语言？另外，如果你知道有更好的工具，请分享它。

Answer 1

如果你有大量的文档需要OCR，我会推荐使用Tesseract 4.0，因为它通常更快。你可以参考下面的更多信息，如果你以前没有读过的话。

1. Tesseract 4.0 Accuracy and Performance
2. Tesseract 4.0 with LSTM
3. Training Tesseract 4.0
4. Language Data File for 4.0，您可能会进行一项测试，以查看OCR引擎模式1(即--oem 1)中的OCR是否工作正常，该模式仅限神经网络LSTM。

Tesseract 4.0.0 alpha已于去年11月/12月发布。

希望这能有所帮助。