Paramètres communs de traitement de texte

Restrictions linguistiques avec les API de traitement de texte

Classification de texte

Vous ne pouvez utiliser l'API de classification qu'avec des documents en langue anglaise.

Extraction de texte

Vous ne pouvez pas utiliser l'API d'extraction avec un document multilingue lorsque les langues ne partagent pas un script commun. Toutefois, vous pouvez utiliser des documents contenant un mélange d'anglais et d'une autre langue dans n'importe quel script. Par exemple, vous pouvez extraire du texte à partir d'images dans un document contenant un mélange de texte anglais et français, car les deux langues sont basées sur le latin. Toutefois, il n'est pas possible d'extraire le texte des images d'un document contenant à la fois du texte japonais et du texte français.

Vous pouvez utiliser l'API d'extraction de texte pour extraire des données de paires clé-valeur à partir de documents en langue anglaise uniquement.

Langues manuscrites prises en charge

Le tableau suivant répertorie les langues prises en charge pour la reconnaissance de l'écriture manuscrite :

Si votre document contient du texte manuscrit en anglais, utilisez le en_hw code de langue pris en charge sur s390x dans le corps de votre requête API.

Langues imprimées en machine prises en charge

Le tableau suivant fournit des détails sur les langues prises en charge par l'API d'extraction de texte pour la reconnaissance de texte imprimé :

Documents contenant à la fois du texte dactylographié et du texte manuscrit

Si votre document contient à la fois du texte dactylographié et du texte manuscrit, vous devez appeler l'API en indiquant les codes de langue correspondant à la fois au modèle linguistique pour le texte dactylographié et au modèle linguistique pour le texte manuscrit.

Documents en plusieurs langues

La combinaison de langues n'utilisant pas le même alphabet n'est pas prise en charge, sauf lorsque l'anglais est associé à une autre langue.

Si un document contient du texte en plusieurs langues utilisant soit l'alphabet latin, soit les alphabets CJK, vous pouvez indiquer plusieurs codes de langue dans le fichier languages_list. Par exemple, si vous spécifiez à la fois fra et eng, le service associe en interne la requête au latn modèle.

Seuls les langages de script répertoriés dans le tableau des langages pris en charge sont pris en charge. Vous ne pouvez pas spécifier plus d'un script dans une même requête.

Combinaisons autorisées :

• ['fra', 'spa'] – deux langues qui utilisent le même alphabet
• ['jpn', 'eng'] – une langue non latine associée à l'anglais (Si le document contient du japonais et de l'anglais, il suffit d'indiquer ['jpn'].)
• ['fra', 'spa', 'eng']
• ['jpn', 'kor'] – deux langues qui utilisent le même alphabet
• ['heb', 'eng'] – une langue non latine associée à l'anglais
• ['latn'] – script unique
• ['cjk'] – script unique

Combinaisons non prises en charge :

• ['heb', 'fra'] – une langue non latine associée à une langue latine autre que l'anglais
• ['cjk', 'fra']
• ['jpn', 'fra', 'eng'] – une langue non latine associée à deux langues latines
• ['latn', 'cjk'] – deux scripts différents

Définition de schémas avec le champ schemas

En fonction de la mise en page, les documents peuvent être classés dans les types suivants :

Documents à structure variable

Les documents sans structure cohérente, tels que les factures, les bons de commande ou les passeports, dont la structure s'étend sur plusieurs pages.

Documents à mise en page fixe

Documents structurés dont chaque page suit un format prédéfini, comme un formulaire fiscal dont chaque page a une mise en page spécifique.

"semantic_config": {
  "schemas": [ {
      "document_type": "Receipt",
      "document_description": "A receipt issued for a purchase at ABC store.",
      "fields": {
        "receipt_number": {
          "default": "",
          "example": "R-20241027-ABC",
          "description": "Unique identifier on the receipt."
        },
        "customer_name": {
          "default": "",
          "example": "John Smith",
          "description": "Full name of the customer or payee."
        },
        "date_of_transaction": {
          "default": "",
          "example": "2023-01-01",
          "description": "Date when the purchase or payment occurred."
        },
        "total_paid": {
          "default": "",
          "example": "8.64",
          "description": "Final amount paid by the customer."
        },
        "payment_method": {
          "default": "",
          "example": "Credit Card",
          "description": "How payment was made, such as cash, card, check, etc.)."
        },
      }
  } ]
}

Contrôle de l'interaction entre les schémas prédéfinis et personnalisés et le champ schemas_merge_strategy

Vous pouvez définir comment les schémas personnalisés que vous créez interagissent avec les schémas prédéfinis pris en charge par l'API de traitement de texte.

Le tableau suivant détaille les différentes manières dont les schémas prédéfinis et personnalisés sont traités lorsque vous configurez l'option schemas_merge_strategy dans le paramètre semantic_config :

Par défaut, si vous créez un schéma personnalisé pour un type de document qui correspond à un schéma prédéfini pris en charge, les deux schémas sont fusionnés avant d'être utilisés pour traiter les données des paires clé-valeur dans votre document.