哪个版本的Tesseract用于培训新语言？

Question

我正在寻求建议我应该使用哪种版本的Tesseract来训练具有独特字母的古老语言。该语言在特征方面与阿拉伯语非常相似。它也是从右到左，一些字母可以连接在一起。换句话说，一个字母可能有三种形状，具体取决于它是在开头，中间还是结尾。它也有harakat（short vowel marks）高于或低于字母。

我之所以问的原因是因为我想利用版本3.X的可用工具，但this warning关于阿拉伯语的问题让我失意，因为这种语言与它非常相似。

对于熟悉Tesseract的人，您建议使用哪种版本来训练这种语言？此外，如果您了解更好的工具，请分享。

Answer 1

如果你需要大量的OCR文件，建议使用Tesseract 4.0，因为它通常更快。如果您之前没有阅读过，请参阅以下内容以获取更多信息。

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，您可能需要进行测试，以确定Arbic OCR在OCR引擎模式1（即--oem 1）中是否正常工作，这只是神经网络LSTM。

自去年11月/ 12月以来，Tesseract 4.0.0 alpha已经发布。

希望得到这个帮助。