অনলাইন OCR — ছবি থেকে লেখা

অপটিক্যাল ক্যারেক্টার রিকগনিশন পার্সোনাল কম্পিউটারের চেয়েও পুরোনো: 1976 সালে Kurzweil Reading Machine অন্ধ ব্যবহারকারীদের ছাপা বই পড়ে শোনাত। ওপেন-সোর্স Tesseract ইঞ্জিনের শুরু 1980-এর দশকে Hewlett-Packard-এ, 2005 সালে এটি ওপেন সোর্স হয় এবং 2018 সালে 4.0 সংস্করণে নিউরাল-নেটওয়ার্ক (LSTM) রিকগনাইজার যুক্ত হয়। আধুনিক ইঞ্জিন প্রথমে টেক্সটের অংশ, তারপর লাইন খুঁজে বের করে এবং প্রতিটি লাইনকে অক্ষর ধরে ধরে নয়, একটি ধারা হিসেবে শনাক্ত করে; তাই পুরোনো সফটওয়্যারের তুলনায় ঘন ফাঁক ও লিগেচার ভালো সামলায়।

ফলাফলে থাকে টেক্সট ও তার অবস্থান। কোথাও পেস্ট করতে শব্দগুলো চাইলে সাধারণ টেক্সট (.txt), লেআউট ঠিক রেখে এডিট করতে Word (.docx), স্ক্যান যেমন আছে তেমন রাখতে সার্চযোগ্য PDF, আর নোট ও ডকুমেন্টেশনের জন্য Markdown বেছে নিন। শিক্ষার্থীরা এটি ব্যবহার করে পুরোনো প্রশ্নপত্র ও ছাপা হ্যান্ডআউটে, অফিস ইনভয়েস ও চিঠিতে, ডেভেলপাররা এরর মেসেজের স্ক্রিনশটে।

OCR অক্ষর শনাক্ত করে, অর্থ বোঝে না। একটি লাইন শিরোনাম না ক্যাপশন তা নিশ্চিত হতে পারে না, সিলের নিচে ঢাকা লেখা পড়তে পারে না, আর ভুল পড়া সংখ্যা অর্থবহ কি না তাও জানে না। চার্ট, ডায়াগ্রাম ও ছবির বর্ণনা দেয় না; শুধু সেগুলোর ভেতরে ছাপা শব্দ পড়ে। গাণিতিক চিহ্ন সাধারণ অক্ষর হিসেবে আসে, সমীকরণ হিসেবে নয়।

এটি অনুবাদকও নয়: ফলাফল মূল লেখার ভাষাতেই থাকে। যে ডকুমেন্টে আগে থেকেই আসল টেক্সট আছে, সেখানে OCR ভুল টুল, কারণ PDF থেকে টেক্সট বিদ্যমান টেক্সট দ্রুত ও ভুল ছাড়াই পড়ে। যে স্ক্যান PDF-ই থাকবে তার জন্য OCR PDF এবং ছবি থেকে Word আউটপুটের জন্য ছবি থেকে Word ব্যবহার করুন।