फ़ोटो से टेक्स्ट निकालें

फ़ोटो कैसे पढ़ी जाती है

पढ़ने वाले को किस साइज़ की ज़रूरत है, यह फ़ाइल से नहीं बल्कि स्याही से मापा जाता है। टेक्स्ट की एक लाइन की ऊंचाई फ़ोटो से ही आंकी जाती है और सब कुछ ऐसे रीस्केल किया जाता है कि एक लाइन लगभग चौंतीस पिक्सेल की हो — छोटा स्क्रीनशॉट चार गुना तक बड़ा किया जाता है, और बहुत बड़ी फ़ोटो छोटी की जाती है, और दोनों ही सूरतों में सबसे लंबी साइड की एक सीमा होती है। इसीलिए मेन्यू की नौ मेगापिक्सेल वाली फ़ोटो किसी शार्प छोटी फ़ोटो से ज़्यादा सटीक नहीं होती, और इसीलिए जिस फ़ोटो की छोटी साइड लगभग तीन सौ पिक्सेल से कम है, उसमें भाषा की पहचान पूरी तरह छोड़ दी जाती है और उसे लैटिन लिपि मानकर पढ़ा जाता है। इन सबसे पहले, स्याही के पीछे का कागज़ टुकड़ों में आंका जाता है और रोशनी बराबर करने के लिए उसे हटा दिया जाता है, पूरी ऊंचाई में पेज का तिरछापन मापकर उसे सीधा घुमाया जाता है, और नतीजे को एक ही ग्लोबल थ्रेशोल्ड पर ब्लैक एंड व्हाइट में बदला जाता है।

भाषा चुनना सूची में देखना नहीं, एक तरह का ऑडिशन है, क्योंकि आम डिटेक्टर भाषाएं पहचानता ही नहीं। पहला चरण सिर्फ़ लिपि और रोटेशन बताता है, और कुछ नहीं; लिपि से विकल्प कम होते हैं, एक ही लिपि वाली भाषाओं के बीच आपके ब्राउज़र की भाषा सेटिंग्स फ़ैसला करती हैं, और फिर हर उम्मीदवार भाषा से फ़ोटो की एक छोटी कॉपी सच में पढ़ी जाती है और इस आधार पर अंक दिए जाते हैं कि उसने कितने भरोसेमंद शब्द निकाले। जीतने वाली भाषा असली पेज पढ़ती है, और पहचाने गए टेक्स्ट को फिर से जांचा जाता है — मात्राओं और विशेष चिह्नों, ख़ास अक्षर-जोड़ों और आम छोटे शब्दों के लिए — यह देखने को कि कोई दूसरी भाषा बेहतर करेगी या नहीं। “ग़लत भाषा चुनने पर आपको पूरे भरोसे वाला ख़ाली पेज मिलता है” — इस बात के पीछे यही तंत्र है: ऑडिशन ठीक इसीलिए है कि अंदाज़ा बस मान न लिया जाए, बल्कि आपकी फ़ोटो पर परखा जाए।

आउटपुट में क्या पहुंचता है, इसके बारे में एक बात जानने लायक है। जिस पैराग्राफ़ पर पढ़ने वाला आश्वस्त नहीं था, उसे दिखाने के बजाय हटा दिया जाता है, इसलिए जो टेक्स्ट आपको फ़ोटो में दिखता है, वह बेतुके टेक्स्ट के रूप में आने के बजाय नतीजे से पूरी तरह ग़ायब हो सकता है। यही बात उन ब्लॉक पर लागू होती है जिन्हें पढ़ने वाले ने तस्वीर या शोर माना, और उन अकेले निशानों पर भी जिनमें कोई अक्षर या अंक नहीं है। सामान्य कम-भरोसे वाले शब्दों पर कोई कटौती नहीं होती, इसलिए पैराग्राफ़ के अंदर की ग़लत पढ़ाई बनी रहती है और उसे पकड़ना आपका काम है। जब भरोसे का आंकड़ा ठीक-ठाक हो और पेज का कोई हिस्सा बस ग़ायब हो, तो यही हुआ है।

जब आपको कुछ और चाहिए

कुछ भी स्टोर नहीं होता, लेकिन यह साइट का अकेला टूल है जिसमें पहली बार चलाना मुफ़्त नहीं पड़ता: पढ़ने वाला ख़ुद कुछ मेगाबाइट का है और हर लैंग्वेज पैक एक से पांच मेगाबाइट और, जो इसी साइट से आते हैं और फिर अगली बार के लिए रख लिए जाते हैं। एक पेज के लिए इंतज़ार करना ठीक है, पर तय शेड्यूल पर दो हज़ार स्कैन के लिए नहीं — उसके लिए OCRmyPDF जैसा डेस्कटॉप OCR टूल सही है, जो एक ही कमांड में पूरे फ़ोल्डर में टेक्स्ट लेयर जोड़ देता है, बिना डाउनलोड और बिना क्लिक के।

तीन चीज़ें यहां आज़माई ही नहीं जातीं, और उन्हें पहले से जानना बाद में पता चलने से जल्दी है। पर्सपेक्टिव ठीक नहीं किया जाता — पेज का रोटेशन मापकर उसे सीधा किया जाता है, लेकिन साइड से खींची गई फ़ोटो का समलंब आकार बना रहता है, इसलिए ठीक ऊपर से फ़ोटो लेने में लगा एक सेकंड वसूल है। स्याही को कागज़ से अलग करने वाला थ्रेशोल्ड हर हिस्से के लिए अलग नहीं, पूरी फ़ोटो के लिए एक ही होता है, इसलिए आधी परछाईं वाला पेज रोशनी बराबर करने के बाद भी अपना गहरा आधा हिस्सा खो देगा; उससे जूझने के बजाय एक-सी रोशनी में दोबारा फ़ोटो लें। और जो टेबल लाइनों के बजाय सिर्फ़ ख़ाली जगह से बनी है, उसमें ढूंढने को कोई लाइन नहीं होती, इसलिए वह गद्य के कॉलम की तरह पढ़ी जाती है और स्प्रेडशीट में पेस्ट होने पर ठीक रहना क़िस्मत की बात है।