ছবি থেকে লেখা বের করুন

ছবিটি কীভাবে পড়া হয়

রিডারের কোন সাইজ দরকার, তা মাপা হয় কালি থেকে, ফাইল থেকে নয়। ছবি থেকেই লেখার এক লাইনের উচ্চতা আন্দাজ করা হয়, আর সবকিছু এমনভাবে রিস্কেল করা হয় যাতে এক লাইন মোটামুটি চৌত্রিশ পিক্সেলে দাঁড়ায় — ছোট স্ক্রিনশট চার গুণ পর্যন্ত বড় করা হয়, আর বিশাল ছবি ছোট করা হয়, দুই ক্ষেত্রেই লম্বা দিকের একটা সর্বোচ্চ সীমা থাকে। এ কারণেই মেন্যুর নয় মেগাপিক্সেলের ছবি একটি ঝকঝকে ছোট ছবির চেয়ে বেশি নির্ভুল নয়, আর যে ছবির ছোট দিক প্রায় তিনশো পিক্সেলের কম, তাতে ভাষা শনাক্তকরণ পুরোপুরি বাদ দিয়ে ল্যাটিন লিপি হিসেবে পড়া হয়। এসবের আগে কালির পেছনের কাগজ টুকরো টুকরো অংশে আন্দাজ করে ভাগ করে আলো সমান করা হয়, পুরো উচ্চতাজুড়ে পেজ কতটা হেলে আছে মেপে সোজা করে ঘোরানো হয়, আর ফলাফলকে একটিমাত্র সামগ্রিক থ্রেশহোল্ডে সাদাকালোতে নামিয়ে আনা হয়।

ভাষা বাছাই একটা অডিশন, সোজা খুঁজে দেখা নয়, কারণ প্রচলিত ডিটেক্টর আসলে ভাষা শনাক্ত করে না। প্রথম ধাপে শুধু লিপি আর ঘূর্ণন জানা যায়, এর বেশি কিছু নয়; লিপি বাছাইয়ের পরিসর ছোট করে, একই লিপির ভাষাগুলোর মধ্যে টাই ভাঙে আপনার ব্রাউজারের ভাষা সেটিং, তারপর প্রতিটি প্রার্থী ভাষা দিয়ে ছবির একটি ছোট কপি সত্যিই পড়া হয় আর কতগুলো আত্মবিশ্বাসী শব্দ পাওয়া গেল তা দিয়ে নম্বর দেওয়া হয়। বিজয়ী ভাষা আসল পেজটি পড়ে, আর শনাক্ত করা লেখা আবার পরীক্ষা করা হয় — ডায়াক্রিটিক, বৈশিষ্ট্যসূচক অক্ষরজোড়া, প্রচলিত ছোট শব্দ দেখে — অন্য কোনো ভাষা আরও ভালো করত কি না বুঝতে। “ভুল ভাষা বেছে দিলে আত্মবিশ্বাসী একটা ফাঁকা পেজ পাবেন” — এর পেছনে এই ব্যবস্থাই কাজ করে: অডিশন ঠিক এ জন্যই আছে, যাতে অনুমানটি শুধু ঘোষণা না করে আপনার ছবির ওপর যাচাই করা হয়।

আউটপুটে কী পৌঁছায়, সে বিষয়ে একটা কথা জেনে রাখা ভালো। যে অনুচ্ছেদ নিয়ে রিডার নিশ্চিত ছিল না, তা দেখানোর বদলে বাদ দেওয়া হয়, তাই ছবিতে যে লেখা দেখতে পাচ্ছেন, তা আজেবাজে হয়ে না এসে ফলাফল থেকে পুরোপুরি হারিয়ে যেতে পারে। রিডার যেসব ব্লককে ছবি বা নয়েজ হিসেবে ধরেছে, আর যেসব বিচ্ছিন্ন দাগে কোনো অক্ষর বা অঙ্ক নেই, সেগুলোর ক্ষেত্রেও একই কথা। সাধারণ কম-নিশ্চিত শব্দের ওপর কোনো ছাঁটাই নেই, তাই অনুচ্ছেদের ভেতরের ভুল পড়া থেকে যায় আর তা ধরার দায়িত্ব আপনার। নিশ্চয়তার সংখ্যা ভালো অথচ পেজের একটা অংশ একেবারেই নেই — তাহলে এটাই ঘটেছে।

অন্য কিছু দরকার হলে

কিছুই সংরক্ষণ করা হয় না, তবে সাইটে এটাই একমাত্র টুল যেখানে প্রথমবার চালানো বিনা খরচে হয় না: রিডার নিজেই কয়েক মেগাবাইট, আর প্রতিটি ল্যাঙ্গুয়েজ প্যাক আরও এক থেকে পাঁচ মেগাবাইট, এই সাইট থেকে আনা হয় এবং পরের বারের জন্য রেখে দেওয়া হয়। একটি পেজের জন্য অপেক্ষা করা চলে, কিন্তু নিয়মিত দুই হাজার স্ক্যানের জন্য নয় — সে কাজ OCRmyPDF-এর মতো ডেস্কটপ OCR টুলের, যা একটি কমান্ডে পুরো ফোল্ডারে টেক্সট লেয়ার যোগ করে, কোনো ডাউনলোড বা ক্লিক ছাড়াই।

তিনটি জিনিস এখানে চেষ্টাই করা হয় না, আর কোনগুলো তা জানা থাকলে নিজে আবিষ্কার করার চেয়ে দ্রুত হয়। পারস্পেক্টিভ ঠিক করা হয় না — পেজের ঘূর্ণন মেপে সোজা করা হয়, কিন্তু পাশ থেকে তোলা ছবি তার ট্র্যাপিজিয়াম আকৃতিই রাখে, তাই ঠিক ওপর থেকে তোলায় বাড়তি এক সেকেন্ড দেওয়া সার্থক। কালি থেকে কাগজ আলাদা করার থ্রেশহোল্ড পুরো ছবির জন্য একটিই মান, প্রতিটি অংশের জন্য আলাদা নয়, তাই যে পেজের অর্ধেক ছায়ায়, আলো সমান করার পরেও তার অন্ধকার অর্ধেকটা হারিয়ে যাবে; লড়াই না করে সমান আলোয় আবার ছবি তুলুন। আর দাগ না টেনে শুধু ফাঁকা জায়গা দিয়ে সাজানো টেবিলে খোঁজার মতো কোনো দাগ নেই, তাই সেটা লেখার কলাম হিসেবে পড়া হয়, আর স্প্রেডশিটে পেস্ট করলে ঠিক থাকে শুধু ভাগ্যক্রমে।