হিন্দি OCR: ছবি থেকে হিন্দি লেখা
হিন্দি লেখা আছে এমন ফটো, স্ক্রিনশট বা স্ক্যান করা PDF আপলোড করুন, আর লেখাটি Unicode দেবনাগরী হিসেবে ফেরত পান, যা Word, WhatsApp, Google Docs বা যেকোনো ফর্মে ঠিকঠাক পেস্ট হয়। ডকুমেন্টের ভাষা আগে থেকেই হিন্দিতে সেট করা আছে।
ছবি থেকে টেক্সট
অথবা PDF, JPG, JPEG … ফাইল এখানে ড্রop করুন ·
প্রতি ফাইল সর্বোচ্চ 95 MB· সর্বোচ্চ 20টি ফাইল· 30 মিনিট পরে মুছে ফেলা হয়
ফাইল আমাদের সার্ভারে প্রসেস করা হয় এবং 30 মিনিট পরে মুছে ফেলা হয়।
দুই ভাষা মেশানো পাতার জন্য, যেমন ইংরেজি শব্দ সহ হিন্দি। নইলে কোনোটি নয় রাখুন; বাড়তি ভাষা নির্ভুলতা সামান্য কমায়।
লেআউট বজায় রাখলে কলাম, অনুচ্ছেদ ও টেবিল যেখানে ছিল সেখানেই থাকে। সাধারণ টেক্সট একটানা একটি অংশ দেয়, ফর্মে পেস্ট করা সহজ।
PDF ও বহু-পাতার TIFF ইনপুটের জন্য: সব পাতা, শুধু প্রথমটি, অথবা একটি পরিসর পড়ুন।
যে পাতাগুলো পড়বেন, যেমন 1-3, 5, 8-10।
এই টুল কীভাবে ব্যবহার করবেন
- 1
হিন্দি পেজটি আপলোড করুন
JPG, PNG, HEIC বা TIFF ছবি অথবা একটি PDF যোগ করুন; সর্বোচ্চ ২০টি ফাইল (Latin digits: 20), প্রতিটি 95 MB পর্যন্ত। দিনের আলোয় তোলা পেজের স্পষ্ট ও সোজা ছবিতে সবচেয়ে ভালো ফল পাওয়া যায়।
- 2
পেজে দুই ভাষা মেশানো থাকলে ইংরেজি যোগ করুন
ডকুমেন্টের ভাষা হিসেবে হিন্দি বেছে নিন। পেজে ইংরেজি শব্দ, নাম বা কোড থাকলে উন্নত সেটিংস-এর ভেতরে এটিও শনাক্ত করুন অপশনে ইংরেজি দিন; না থাকলে এটি কিছুই না রাখুন।
- 3
লেখা শনাক্ত করুন
টেক্সট শনাক্ত করুন চাপুন এবং .txt ফাইল ডাউনলোড করুন, অথবা শুরুর আগে আউটপুট-এ Word বা সার্চযোগ্য PDF বেছে নিন।
হিন্দি OCR-কে আলাদা অক্ষরের সারি নয়, পুরো লাইন পড়তে হয়: শিরোরেখা শব্দের প্রতিটি অক্ষর জুড়ে দেয়, স্বরচিহ্ন ব্যঞ্জনের উপরে, নিচে ও আগে বসে, আর ব্যঞ্জনগুলো মিলে যুক্তাক্ষর হয়।
হিন্দি OCR কীভাবে দেবনাগরী লিপি পড়ে
হিন্দি দেবনাগরী লিপিতে লেখা হয়, যাকে ভারতের সংবিধানের ৩৪৩ নম্বর অনুচ্ছেদ কেন্দ্রের সরকারি ভাষার লিপি হিসেবে উল্লেখ করেছে। Unicode এর জন্য U+0900 থেকে U+097F ব্লক রেখেছে, এবং আজকের প্রতিটি ফোন ও কম্পিউটারে এটি দেখা ও টাইপ করা যায়। ছবি থেকে এটি শনাক্ত করা ল্যাটিন ছাপা পড়ার চেয়ে আলাদা, কারণ লিপির গঠনই ভিন্ন।
শব্দগুলো একটানা উপরের রেখা, অর্থাৎ শিরোরেখা থেকে ঝুলে থাকে, তাই অক্ষরগুলো একে অপরকে ছোঁয় এবং ফাঁক দেখে আলাদা করা যায় না। প্রথম স্বরের পরের স্বরগুলো মাত্রা হিসেবে ব্যঞ্জনের সঙ্গে যুক্ত হয়। মাঝে স্বর ছাড়া দুই বা তার বেশি ব্যঞ্জন মিলে क्ष, त्र বা श्र-এর মতো যুক্তাক্ষর হয়। আধুনিক OCR ইঞ্জিন হিন্দি টেক্সটে প্রশিক্ষিত নিউরাল নেটওয়ার্ক দিয়ে পুরো লাইন পড়ে এটি সামলায়; যেমন ওপেন-সোর্স Tesseract ইঞ্জিনে সাধারণ দেবনাগরী মডেলের পাশাপাশি আলাদা হিন্দি মডেলও আছে।
এ কারণেই বেশিরভাগ ইউরোপীয় ভাষার চেয়ে হিন্দির ক্ষেত্রে ডকুমেন্টের ভাষা বাছাই বেশি গুরুত্বপূর্ণ। ইংরেজি বাছলে হিন্দি পেজ থেকে অর্থহীন লেখা আসে; হিন্দি বাছলে ইঞ্জিন দেবনাগরী আকার আশা করে, হিন্দি বানানের ধরন প্রয়োগ করে এবং সঠিক Unicode ক্রমে ফল লেখে। ভাষা ও আউটপুটের বিস্তারিত জানতে ছবি থেকে টেক্সট কনভার্টার দেখুন।
দেবনাগরীর যেসব বৈশিষ্ট্য হিন্দি ছবি থেকে লেখা বের করা কঠিন করে
| বৈশিষ্ট্য | উদাহরণ | OCR-এর জন্য এর অর্থ |
|---|---|---|
| শিরোরেখা | हिन्दी | শব্দের অক্ষরগুলো জোড়া থাকে, তাই ইঞ্জিন আলাদা অক্ষর নয়, পুরো শব্দের আকার পড়ে |
| আগে লেখা মাত্রা | कि | ি চিহ্নটি क-এর আগে আঁকা হয় কিন্তু Unicode-এ পরে রাখা হয়, তাই দৃশ্যমান ক্রম উল্টাতে হয় |
| হসন্তযুক্ত যুক্তাক্ষর | क्ष, ज्ञ, द्ध | দুই ব্যঞ্জন ও virama ् মিলে একটি জোড়া আকার হয়, যা তিনটি কোড পয়েন্টে যায় |
| নুকতা | ज़, फ़ | অক্ষরের নিচে ছোট বিন্দু; কম রেজোলিউশন বা নয়েজে এটি সহজেই বাদ পড়ে বা বাড়তি আসে |
| অনুস্বার ও চন্দ্রবিন্দু | हं, हँ | শিরোরেখার উপরের ছোট চিহ্ন, যা কম্প্রেস করা ছবিতে সবার আগে ঝাপসা হয় |
| দেবনাগরী অঙ্ক | ०१२३ | অনেক ডকুমেন্টে এগুলো 0–9-এর সঙ্গে মিশে থাকে, আর দুটোই ছাপার মতোই রাখা হয় |
Kruti Dev ও অন্যান্য পুরোনো হিন্দি ফন্ট
অনেক পুরনো হিন্দি ডকুমেন্ট Kruti Dev-এর মতো ফন্টে টাইপ করা, যেগুলো ইংরেজি কিবোর্ড কোডে দেবনাগরী আকার বসায়। পর্দায় ঠিক দেখালেও এগুলো আসল হিন্দি টেক্সট নয়, তাই কপি, সার্চ ও বানান যাচাই কাজ করে না। OCR-এর ফল সবসময় Unicode; টাইপিং টেস্ট বা অফিস টেমপ্লেটে এখনও Kruti Dev লাগলে আলাদা Unicode থেকে Kruti Dev কনভার্সন দরকার।
ফটো বা স্ক্যান থেকে নির্ভুল হিন্দি লেখা পাওয়ার উপায়
হিন্দিতে ছোট চিহ্নই নির্ভুলতা ঠিক করে। নুকতা বা চন্দ্রবিন্দু মাত্র কয়েক পিক্সেল উঁচু, আর ঝাপসা বা বেশি কম্প্রেস করা ছবিতে এগুলোই প্রথমে হারায়। 300 DPI-তে স্ক্যান করুন বা পেজ ফ্রেম ভরে ছবি তুলুন, এবং চ্যাট অ্যাপে ফরোয়ার্ড করা কপির বদলে আসল ফাইল পাঠান।
পেজ সোজা করুন এখানে আরও জরুরি, কারণ হেলে থাকা শিরোরেখা ইঞ্জিনের অনুসরণ করা লাইন ভেঙে দেয়। এটি চালু রাখুন, আর ফ্যাকাশে নিউজপ্রিন্ট, পুরনো সরকারি ফর্ম বা কম আলোয় তোলা ছবির জন্য কনট্রাস্ট বাড়ান চালু করুন। শুধু হিন্দি পেজে এটিও শনাক্ত করুন কিছুই না রাখুন; অপ্রয়োজনে দ্বিতীয় ভাষা দিলে নির্ভুলতা সামান্য কমে।
হিন্দি OCR নিয়ে প্রশ্ন
Kruti Dev-এ টাইপ করা ডকুমেন্ট কি হিন্দি OCR পড়তে পারে?
হ্যাঁ। OCR পেজে ছাপা অক্ষরের আকার পড়ে, পেছনের ফন্ট ফাইল নয়; তাই Kruti Dev ডকুমেন্টের প্রিন্টআউট বা স্ক্যান অন্য যেকোনো হিন্দি টেক্সটের মতোই শনাক্ত হয়। ফলাফল হয় আদর্শ Unicode দেবনাগরী, Kruti Dev-এর কিস্ট্রোক নয়।
আমার PDF থেকে কপি করা হিন্দি লেখা এলোমেলো ইংরেজি অক্ষরে বদলে যায় কেন?
PDF-টি এমন একটি পুরনো ফন্টে তৈরি, যা দেবনাগরী আকারকে ল্যাটিন ক্যারেক্টার কোডে রাখে, তাই কপি করলে হিন্দির বদলে কোড আসে, যেমন हिन्दी-র জায়গায় fgUnh। পেজগুলো OCR-এ চালালে এসব কোড উপেক্ষা করে যা দেখা যায় তা পড়া হয়। OCR PDF PDF-এ সঠিক টেক্সট লেয়ারও ফিরিয়ে দিতে পারে।
বের করা হিন্দি লেখা দেখানোর জন্য কোন ফন্ট ব্যবহার করব?
দেবনাগরী সমর্থিত যেকোনো Unicode ফন্ট। Windows-এ Mangal ও Nirmala UI আছে, Mac ও iPhone-এও দেবনাগরী ফন্ট আছে, আর Google-এর Noto Sans Devanagari বিনামূল্যে। ফাঁকা বাক্স দেখালে বুঝবেন অ্যাপ এমন ফন্ট ব্যবহার করছে যাতে দেবনাগরী নেই; ফাইল নষ্ট নয়।
হাতে লেখা হিন্দি কি এটি পড়তে পারে?
পরিষ্কার হাতে লেখা নোট ও ফর্মের জন্য টেক্সটের ধরন হিসেবে হাতের লেখা বেছে নিন; ছাপার তুলনায় ফল কিছুটা অসম্পূর্ণ হয় এবং সাবধানে প্রুফরিড করতে হয়। জোড়া, দ্রুত লেখা এবং অসমান শিরোরেখা সবচেয়ে কঠিন।
হিন্দি OCR কি মারাঠি, নেপালি বা সংস্কৃতেও কাজ করে?
এই ভাষাগুলো একই দেবনাগরী লিপি ব্যবহার করে, তাই বেশিরভাগ টেক্সট শনাক্ত হয়, তবে শব্দভান্ডার ও কিছু অক্ষর আলাদা। ডকুমেন্টের ভাষা-য় মারাঠির আলাদা অপশন আছে, যা ळ-এর মতো অক্ষর ভালো সামলায়; নেপালি ও সংস্কৃতের জন্য হিন্দিই সবচেয়ে কাছের এবং প্রুফরিডিং বেশি জরুরি।
