ہندی OCR: تصویر سے ہندی ٹیکسٹ
ہندی متن والی فوٹو، اسکرین شاٹ یا اسکین شدہ PDF اپ لوڈ کریں اور اسے Unicode دیوناگری میں حاصل کریں جو Word، WhatsApp، Google Docs یا کسی فارم میں صاف طریقے سے پیسٹ ہو جاتا ہے۔ دستاویز کی زبان پہلے سے ہندی پر سیٹ ہے۔
تصویر سے متن
یا PDF, JPG, JPEG … فائلیں یہاں ڈراپ کریں ·
زیادہ سے زیادہ 95 MB فی فائل· 20 فائلوں تک· 30 منٹ بعد حذف
فائلیں ہمارے سرورز پر پروسیس ہوتی ہیں اور 30 منٹ بعد حذف ہو جاتی ہیں۔
ان صفحات کے لیے جن میں دو زبانیں ملی ہوں، مثلاً ہندی کے ساتھ انگریزی الفاظ۔ ورنہ کوئی نہیں رہنے دیں؛ اضافی زبان سے درستگی تھوڑی کم ہوتی ہے۔
برقرار رکھیں کالم، پیراگراف اور جدولیں اپنی جگہ رکھتا ہے۔ سادہ متن کا ایک مسلسل بلاک دیتا ہے، جو فارمز میں پیسٹ کرنا آسان ہے۔
PDF اور کثیر صفحاتی TIFF ان پٹ: تمام صفحات پڑھیں، صرف پہلا، یا ایک رینج۔
پڑھنے کے صفحات، مثلاً 1-3, 5, 8-10۔
اس ٹول کو استعمال کرنے کا طریقہ
- 1
ہندی صفحہ اپ لوڈ کریں
JPG، PNG، HEIC یا TIFF تصاویر یا ایک PDF شامل کریں، زیادہ سے زیادہ 20 فائلیں اور ہر فائل 95 MB تک۔ دن کی روشنی میں لی گئی صاف اور سیدھی تصویر سب سے بہتر پڑھی جاتی ہے۔
- 2
اگر صفحے پر دونوں زبانیں ہوں تو انگریزی بھی شامل کریں
دستاویز کی زبان ہندی رکھیں۔ اگر صفحے پر انگریزی الفاظ، نام یا کوڈ بھی ہوں تو اعلیٰ سیٹنگز میں یہ بھی پہچانیں کو انگریزی پر سیٹ کریں؛ ورنہ اسے کوئی نہیں پر رہنے دیں۔
- 3
ٹیکسٹ پہچانیں
متن پہچانیں دبائیں اور .txt فائل ڈاؤن لوڈ کریں، یا شروع کرنے سے پہلے آؤٹ پٹ میں Word یا قابلِ تلاش PDF منتخب کریں۔
ہندی OCR کو الگ الگ حروف کی لڑی نہیں بلکہ پوری سطر پڑھنی پڑتی ہے: شیرورکھا لفظ کے ہر حرف کو جوڑتی ہے، حرکات کی علامتیں حروف کے اوپر، نیچے اور آگے لگتی ہیں، اور حروف مل کر مرکب بن جاتے ہیں۔
ہندی OCR دیوناگری رسم الخط کیسے پڑھتا ہے
ہندی دیوناگری میں لکھی جاتی ہے، جسے بھارت کے آئین کا آرٹیکل 343 یونین کی سرکاری زبان کا رسم الخط قرار دیتا ہے۔ Unicode نے اسے U+0900 سے U+097F کا بلاک دیا ہے، اور ہر جدید فون اور کمپیوٹر اسے دکھا اور ٹائپ کر سکتا ہے۔ تصویر سے اسے پہچاننا لاطینی چھپائی پڑھنے سے مختلف معاملہ ہے، کیونکہ اس رسم الخط کی ساخت مختلف ہے۔
الفاظ ایک مسلسل بالائی لکیر، یعنی شیرورکھا، سے لٹکے ہوتے ہیں، اس لیے حروف ایک دوسرے سے چھوتے ہیں اور خالی جگہ دیکھ کر انہیں الگ نہیں کیا جا سکتا۔ پہلے کے بعد کے سُر مترا کی صورت میں حرف کے ساتھ لگتے ہیں۔ بیچ میں سُر کے بغیر دو یا زیادہ حروف مل کر क्ष، त्र یا श्र جیسا مرکب بنتے ہیں۔ جدید OCR انجن اسے ہندی متن پر تربیت یافتہ نیورل نیٹ ورکس سے پوری سطریں پڑھ کر سنبھالتے ہیں؛ مثال کے طور پر اوپن سورس Tesseract انجن میں عمومی دیوناگری ماڈل کے ساتھ ہندی کا الگ ماڈل بھی شامل ہے۔
اسی لیے یورپی زبانوں کے مقابلے میں ہندی کے لیے دستاویز کی زبان کا انتخاب زیادہ اہم ہے۔ انگریزی منتخب ہو تو ہندی صفحے سے بے معنی نتیجہ نکلتا ہے؛ ہندی منتخب ہو تو انجن دیوناگری شکلوں کی توقع کرتا ہے، ہندی ہجے کے انداز لاگو کرتا ہے اور نتیجہ درست Unicode ترتیب میں لکھتا ہے۔ زبانوں اور آؤٹ پٹ کے وسیع جائزے کے لیے تصویر سے ٹیکسٹ کنورٹر دیکھیں۔
دیوناگری کی وہ خصوصیات جو ہندی تصویر سے ٹیکسٹ کو مشکل بناتی ہیں
| خصوصیت | مثال | OCR کے لیے مطلب |
|---|---|---|
| شیرورکھا (بالائی لکیر) | हिन्दी | لفظ کے حروف جڑے ہوتے ہیں، اس لیے انجن الگ حروف کے بجائے پورے لفظ کی شکل پڑھتا ہے |
| پہلے لکھی جانے والی مترا | कि | ि کی علامت क سے پہلے بنتی ہے لیکن Unicode میں اس کے بعد محفوظ ہوتی ہے، اس لیے نظر آنے والی ترتیب الٹنی پڑتی ہے |
| ہلنت والے مرکب | क्ष, ज्ञ, द्ध | دو حروف اور ویراما ् ایک جڑی ہوئی شکل بنتے ہیں جو تین کوڈ پوائنٹس سے مطابقت رکھتی ہے |
| نقطہ | ज़, फ़ | حرف کے نیچے ایک چھوٹا نقطہ؛ کم ریزولوشن یا شور سے یہ آسانی سے غائب یا اضافی ہو جاتا ہے |
| انوسوار اور چندربندو | हं, हँ | شیرورکھا کے اوپر باریک نشان جو کمپریس شدہ تصاویر میں سب سے پہلے دھندلے ہوتے ہیں |
| دیوناگری ہندسے | ०१२३ | کئی دستاویزات میں یہ 0–9 کے ساتھ ملے ہوتے ہیں، اور دونوں جیسے چھپے ہوں ویسے ہی رکھے جاتے ہیں |
کرتی دیو (Kruti Dev) اور دیگر پرانے ہندی فونٹس
کئی پرانی ہندی دستاویزات Kruti Dev جیسے فونٹس میں ٹائپ کی گئیں جو دیوناگری شکلیں انگریزی کی بورڈ کوڈز پر رکھتے ہیں۔ یہ اسکرین پر درست لگتی ہیں مگر اصل ہندی متن نہیں ہوتیں، اس لیے کاپی، تلاش اور اسپیل چیک کام نہیں کرتے۔ OCR کا آؤٹ پٹ ہمیشہ Unicode ہوتا ہے؛ اگر ٹائپنگ ٹیسٹ یا دفتری ٹیمپلیٹ کو اب بھی Kruti Dev چاہیے تو Unicode سے Kruti Dev کی الگ تبدیلی درکار ہوگی۔
فوٹو یا اسکین سے درست ہندی ٹیکسٹ کیسے حاصل کریں
ہندی میں چھوٹے نشان درستگی طے کرتے ہیں۔ نقطہ یا چندربندو صرف چند پکسل اونچا ہوتا ہے، اور دھندلی یا بہت کمپریس شدہ تصویر میں سب سے پہلے یہی غائب ہوتا ہے۔ 300 DPI پر اسکین کریں یا صفحے کی تصویر اس طرح لیں کہ وہ فریم بھر دے، اور چیٹ ایپ سے فارورڈ کی گئی کاپی کے بجائے اصل فائل بھیجیں۔
صفحات سیدھے کریں معمول سے زیادہ اہم ہے، کیونکہ ترچھی شیرورکھا اس سطر کو توڑ دیتی ہے جس کے ساتھ انجن چلتا ہے۔ اسے آن رکھیں، اور مدھم اخباری کاغذ، پرانے سرکاری فارم یا کم روشنی میں لی گئی تصاویر کے لیے کنٹراسٹ بہتر کریں آن کریں۔ صرف ہندی والے صفحات کے لیے یہ بھی پہچانیں کو کوئی نہیں پر رکھیں؛ بلا ضرورت دوسری زبان درستگی کو تھوڑا کم کر دیتی ہے۔
ہندی OCR کے بارے میں سوالات
کیا ہندی OCR کرتی دیو (Kruti Dev) میں ٹائپ کی گئی دستاویز پڑھ سکتا ہے؟
جی ہاں۔ OCR صفحے پر چھپے حروف کی شکلیں پڑھتا ہے، ان کے پیچھے موجود فونٹ فائل کو نہیں، اس لیے Kruti Dev دستاویز کا پرنٹ آؤٹ یا اسکین بھی عام ہندی متن کی طرح پہچانا جاتا ہے۔ نتیجہ معیاری Unicode دیوناگری ہوتا ہے، Kruti Dev کی کی اسٹروکس نہیں۔
میری PDF سے کاپی کیا گیا ہندی متن بے ترتیب انگریزی حروف میں کیوں بدل جاتا ہے؟
PDF ایسے پرانے فونٹ سے بنی تھی جو دیوناگری کی شکلیں لاطینی کریکٹر کوڈز پر رکھتا ہے، اس لیے کاپی کرنے پر हिन्दी کی جگہ کوڈز، مثلاً fgUnh، ملتے ہیں۔ صفحات کو OCR سے گزارنے پر یہ کوڈز نظر انداز ہو جاتے ہیں اور جو نظر آتا ہے وہی پڑھا جاتا ہے۔ OCR PDF PDF میں درست ٹیکسٹ لیئر بھی واپس شامل کر سکتا ہے۔
نکالا گیا ہندی متن دکھانے کے لیے کون سا فونٹ استعمال کروں؟
دیوناگری سپورٹ والا کوئی بھی Unicode فونٹ۔ Windows میں Mangal اور Nirmala UI موجود ہیں، Mac اور iPhone میں بھی دیوناگری فونٹ ہوتے ہیں، اور Google کا Noto Sans Devanagari مفت ہے۔ اگر خالی خانے نظر آئیں تو ایپ ایسا فونٹ استعمال کر رہی ہے جس میں دیوناگری نہیں، فائل خراب نہیں ہے۔
کیا یہ ہاتھ سے لکھی ہندی پڑھ سکتا ہے؟
صاف ہاتھ سے لکھے نوٹس اور فارم کے لیے متن کی قسم کو ہاتھ کی تحریر پر سیٹ کریں؛ نتائج چھپے متن سے کم درست ہوتے ہیں اور احتیاط سے پروف ریڈنگ چاہتے ہیں۔ جڑی ہوئی تیز تحریر جس میں شیرورکھا ناہموار ہو سب سے مشکل صورت ہے۔
کیا ہندی OCR مراٹھی، نیپالی یا سنسکرت کے لیے بھی کام کرتا ہے؟
ان زبانوں کا رسم الخط دیوناگری ہی ہے، اس لیے زیادہ تر متن پہچان لیا جاتا ہے، مگر ذخیرۂ الفاظ اور چند حروف مختلف ہیں۔ دستاویز کی زبان میں مراٹھی کا الگ انتخاب موجود ہے جو ळ جیسے حروف کو بہتر سنبھالتا ہے؛ نیپالی اور سنسکرت کے لیے ہندی قریب ترین آپشن ہے اور پروف ریڈنگ زیادہ اہم ہے۔
