ছবি থেকে বাংলা পড়ুন

বাংলা হলে পড়ায় কী বদলায়

বাংলার মডেল অক্ষর নয়, অক্ষরগুচ্ছ পড়ে। ক্ষ বা ন্ত্র-এর মতো যুক্তাক্ষর পাতায় একটিই আকার, আর মডেলকে ঠিক করতে হয় সেটি কী এবং ইউনিকোডে কীভাবে ভাঙবে — এ কারণেই বাংলায় ভুল পড়া হলে সাধারণত সরাসরি ভুল অক্ষর নয়, ভুল যুক্তাক্ষর বা ভুল অক্ষরের ওপর স্বরচিহ্ন আসে। আউটপুট আসে ইউনিকোড যে ক্রম চায় সেই ক্রমে: স্বরচিহ্ন তার ব্যঞ্জনগুচ্ছের পরে, রেফ লেখা হয় র + হসন্ত হিসেবে যে গুচ্ছের ওপর বসে তার আগে, আর দুই অংশের স্বরচিহ্ন আসে একটি কোড পয়েন্টে। প্রতিটি সার্চ বক্স, বানান পরীক্ষক আর ফন্ট এই ক্রমই চায়, আর বিজয়ের টাইপিস্ট যে দৃশ্যমান ক্রমে কাজ করেন, এটি তার ঠিক উল্টো।

সাধারণ রিডার যা যা করে, এখানেও সবই করা হয়: কাগজের আলো সমান করা হয়, পাতা সোজা করা হয়, দাগ টানা টেবিল সেল ধরে ধরে পড়া হয় যাতে লেবেল আর তার মান আলাদা থাকে, আর ফলাফল আসে হয় পাতায় যেমন ছিল সেই লেআউটে, নয় অনুচ্ছেদে জোড়া। বাংলা অঙ্কে ছাপা সংখ্যা বাংলা অঙ্ক হিসেবেই পড়া হয়; যে ফর্মে ০১২ আর 012 মেশানো, তাতে দুটোই থাকে।

বাংলার মডেল অন্য কোনো ভাষার সঙ্গে ভাগাভাগি করা নয়, কিন্তু ছবিতে তবু ইংরেজি থাকতে পারে — লেটারহেড, রেফারেন্স নম্বর, সইয়ের ঘর — আর এক ভাষা অন্যটিকে অর্থহীন লেখা হিসেবে পড়ে। তালিকা থেকে ইংরেজি যোগ করলে পাতাটি দুটি প্যাক দিয়েই পড়া হয়, আর প্রতিটি শব্দ যে লিপিতে ছাপা, সেই লিপিতেই থাকে।

অন্য কিছু দরকার হলে

যে বিজয় ডকুমেন্ট এখনো ফাইল হিসেবে আছে, তার ছবি তোলার চেয়ে কনভার্ট করা ভালো। OCR পিক্সেল থেকে লেখা নতুন করে গড়ে, আর সেরা পাতাতেও হাজারে কয়েকটি অক্ষর ভুল করে; বিজয় থেকে ইউনিকোড কনভার্টার কি-স্ট্রোক থেকে গড়ে, একটিও ভুল করে না, আর বোল্ড ও টেবিল রাখে। ফাইল হারিয়ে গেলে তবেই পাতার ছবি তুলুন।

পুরো বই বা স্ক্যানের আর্কাইভের জন্য ডেস্কটপ টুলই সঠিক আকারের: একই বাংলা মডেলের কমান্ড-লাইন OCR টুল রাতভর একটি ফোল্ডার পড়ে ফেলে, আর OCRmyPDF তার প্রতিটি PDF-এ সার্চযোগ্য টেক্সট লেয়ার যোগ করে। এই পেজটি আপনার সামনের পাতার জন্য।