ocr-audio

Aplicación de OCR, Traducción y Text-to-Speech

Esta aplicación web combina reconocimiento óptico de caracteres (OCR), traducción y conversión de texto a voz. Permite a los usuarios capturar texto de imágenes, traducirlo a varios idiomas y convertirlo en audio, todo desde una interfaz web intuitiva construida con Streamlit.

Características Principales

• Captura de texto desde imágenes mediante OCR
• Múltiples fuentes de entrada de imagen:
  • Captura desde cámara web
  • Carga de archivos (PNG, JPG)
• Traducción entre múltiples idiomas:
  • Inglés
  • Español
  • Bengali
  • Coreano
  • Mandarín
  • Japonés
• Conversión de texto a voz con diferentes acentos
• Filtros de imagen para mejorar el reconocimiento OCR
• Interfaz de usuario intuitiva

Requisitos

streamlit
opencv-python (cv2)
numpy
pytesseract
Pillow
gtts
googletrans

Instalación

1. Clone el repositorio:

git clone <url-del-repositorio>
cd <nombre-del-directorio>

2. Instale las dependencias:

pip install -r requirements.txt

3. Instale Tesseract OCR:

• Para Ubuntu/Debian:

sudo apt-get install tesseract-ocr

• Para Windows, descargue el instalador de la página oficial de Tesseract

Estructura del Proyecto

├── app.py
├── temp/
│   └── (archivos de audio temporales)
├── requirements.txt
└── README.md

Uso

1. Inicie la aplicación:

streamlit run app.py

2. Seleccione la fuente de imagen:

   • Active la casilla "Usar Cámara" para utilizar la cámara web
   • O utilice el cargador de archivos para subir una imagen

3. Configure los parámetros de traducción en la barra lateral:

   • Seleccione el idioma de entrada
   • Seleccione el idioma de salida
   • Elija el acento deseado para el audio

4. Procese la imagen y genere el audio:

   • El texto reconocido se mostrará en pantalla
   • Presione "convert" para generar el audio
   • Opcionalmente, active "Mostrar texto" para ver la traducción

Funcionalidades Detalladas

Procesamiento de Imágenes

• Soporte para imágenes PNG y JPG
• Opción de filtro para mejorar el reconocimiento de texto
• Conversión automática de espacio de color para optimizar el OCR

Traducción

• Soporte para 6 idiomas principales
• Traducción bidireccional entre cualquier par de idiomas
• Visualización opcional del texto traducido

Text-to-Speech

• Múltiples acentos disponibles:
  • Default
  • India
  • Reino Unido
  • Estados Unidos
  • Canadá
  • Australia
  • Irlanda
  • Sudáfrica
• Generación automática de archivos de audio
• Reproducción directa en el navegador

Mantenimiento

La aplicación incluye una función de limpieza automática que elimina los archivos de audio temporales después de 7 días para gestionar el espacio en disco.

remove_files(7)  # Elimina archivos de audio más antiguos que 7 días

Limitaciones

• Requiere conexión a internet para las funciones de traducción y text-to-speech
• La calidad del OCR depende de la calidad de la imagen de entrada
• Algunos idiomas pueden requerir paquetes de idiomas adicionales para Tesseract

Solución de Problemas

1. Si el OCR no funciona:

   • Verifique la instalación de Tesseract
   • Asegúrese de que la imagen tiene buena calidad y contraste

2. Si la traducción falla:

   • Verifique su conexión a internet
   • Asegúrese de que el texto fue correctamente reconocido

3. Si el audio no se genera:

   • Verifique los permisos de escritura en la carpeta 'temp'
   • Asegúrese de tener conexión a internet

Contribuciones

Las contribuciones son bienvenidas. Por favor:

1. Fork el repositorio
2. Cree una rama para su función
3. Envíe un Pull Request

Licencia

CC