OCR ऑनलाइन

ऑप्टिकल करैक्टर रिकग्निशन पर्सनल कंप्यूटर से भी पुराना है: 1976 में Kurzweil Reading Machine नेत्रहीन उपयोगकर्ताओं को छपी किताबें पढ़कर सुनाती थी। ओपन-सोर्स Tesseract इंजन की शुरुआत 1980 के दशक में Hewlett-Packard में हुई, 2005 में इसे ओपन सोर्स किया गया और 2018 में वर्शन 4.0 के साथ इसमें न्यूरल-नेटवर्क (LSTM) रिकग्नाइज़र जुड़ा। आधुनिक इंजन पहले टेक्स्ट के क्षेत्र, फिर पंक्तियाँ खोजते हैं और हर पंक्ति को अक्षर-दर-अक्षर नहीं बल्कि एक क्रम के रूप में पहचानते हैं, इसीलिए वे पुराने सॉफ़्टवेयर से बेहतर तरीके से पास-पास के अक्षरों और लिगेचर को संभालते हैं।

नतीजे में टेक्स्ट और उसकी जगह मिलती है। शब्दों को कहीं पेस्ट करना हो तो सादा टेक्स्ट (.txt) चुनें, लेआउट रखकर एडिट करना हो तो Word (.docx), स्कैन को जैसा है वैसा रखना हो तो सर्चेबल PDF, और नोट्स व डॉक्यूमेंटेशन के लिए Markdown। छात्र इसे पुराने प्रश्नपत्रों और छपे नोट्स पर चलाते हैं, ऑफ़िस इनवॉइस और पत्रों पर, और डेवलपर एरर मैसेज के स्क्रीनशॉट पर।

OCR अक्षरों को पहचानता है, अर्थ को नहीं। वह पक्का नहीं कह सकता कि कोई पंक्ति शीर्षक है या कैप्शन, मुहर के नीचे छिपा टेक्स्ट नहीं पढ़ सकता, और उसे नहीं पता कि गलत पढ़ी गई संख्या सही बैठती है या नहीं। चार्ट, डायग्राम और फोटो का वर्णन नहीं किया जाता; सिर्फ़ उनके अंदर छपे शब्द पढ़े जाते हैं। गणितीय संकेत सादे अक्षरों के रूप में आते हैं, समीकरण के रूप में नहीं।

यह अनुवादक भी नहीं है: नतीजा मूल की ही भाषा में रहता है। जिस डॉक्यूमेंट में पहले से असली टेक्स्ट है, उसके लिए OCR गलत टूल है, क्योंकि PDF से टेक्स्ट मौजूदा टेक्स्ट को तेज़ी से और बिना गलतियों के पढ़ता है। जो स्कैन PDF ही रहने चाहिए उनके लिए OCR PDF इस्तेमाल करें, और तस्वीरों से Word आउटपुट के लिए इमेज से Word।