चीनी तस्वीरों को संपादन योग्य टेक्स्ट में बदलें

चीनी उत्पाद के लेबल के स्क्रीनशॉट में आपकी ज़रूरत की जानकारी हो सकती है, लेकिन उसमें किसी शब्द को चुना नहीं जा सकता। ऑप्टिकल कैरेक्टर रिकग्निशन, यानी OCR, दिखाई देने वाले अक्षरों को ऐसे टेक्स्ट में बदलता है जिसे संपादित किया जा सके। उपयोगी नतीजा जाँची हुई प्रतिलिपि है: खोजने योग्य नाम, पढ़ाई के लिए अनुच्छेद, या ऐसी मात्रा जिसे दोबारा टाइप किए बिना कॉपी किया जा सके।

सबसे साफ़ तस्वीर से शुरू करें, उसमें वास्तव में छपी भाषा चुनें और एक बार में अर्थ की दृष्टि से पूरा हिस्सा पहचानें। फिर अनुवाद करने, सरलीकृत और पारंपरिक चीनी लिपि के बीच बदलने या संख्याएँ किसी दूसरे दस्तावेज़ में डालने से पहले नतीजे को तस्वीर से मिलाएँ। स्वाभाविक दिखने वाले वाक्य में भी गलत पहचाना गया अक्षर हो सकता है।

सबसे स्पष्ट उपलब्ध तस्वीर चुनें

पहले मूल टेक्स्ट को चुनने की कोशिश करें। वेबपेज या PDF में उपयोगी टेक्स्ट परत हो सकती है, भले ही उसके स्क्रीनशॉट में न हो। छोटा हिस्सा कॉपी करके दिखाई दे रहे मूल से मिलाएँ। अगर वह सही है, तो पहचान का चरण छोड़ सकते हैं। OCR का उपयोग तब करें जब जानकारी केवल पिक्सेल के रूप में हो या मौजूद टेक्स्ट परत काम न करे।

कई संदेशों में आगे भेजे गए छोटे पूर्वावलोकन के बजाय मूल स्क्रीनशॉट या पूरे आकार की फोटो चुनें। चीनी अक्षरों की बारीक रेखाएँ देखने लायक ज़ूम करें। अगर रेखाएँ आपस में मिल गई हैं या गायब हैं, तो उसी धुँधली तस्वीर को बड़ा करने से खोई जानकारी वापस नहीं आएगी। संभव हो तो अधिक साफ़ स्रोत प्राप्त करें।

नई फोटो लेते समय पन्ना समतल रखें, कैमरा उसके ठीक सामने रखें और समान रोशनी दें। जाँचें कि छाया, चमक और किताब की जिल्द के पास का मोड़ ज़रूरी हिस्से को न ढकें। बगल की ओर पड़ी तस्वीर को घुमाना होगा। अगर पन्ना ऊपर की ओर सँकरा दिखता है, तो बेहतर फोटो लें या इमेज एडिटर में परिप्रेक्ष्य ठीक करें।

ChinaClue टूल PNG, JPEG और WebP तस्वीरें स्वीकार करता है, जिनकी सीमा 15 MB और 2.4 करोड़ पिक्सेल है। स्रोत PDF हो तो पहले ज़रूरी पन्ने को तस्वीर के रूप में निर्यात करें। तस्वीर बहुत बड़ी हो तो फ़ाइल चुनने से पहले एडिटर में उपयोगी हिस्सा अलग कर लें। अक्षरों के आसपास थोड़ी खाली जगह छोड़ें ताकि उनकी रेखाएँ न कटें।

छपी भाषा और विन्यास के अनुसार चुनें

वेबसाइट की भाषा और पहचान की भाषा के काम अलग हैं। आप अंग्रेज़ी इंटरफ़ेस में पारंपरिक चीनी में लिखी सूचना पहचान सकते हैं। OCR टूल में पारंपरिक चीनी + अंग्रेज़ी चुनें, क्योंकि यह दस्तावेज़ का वर्णन करता है, भले ही बाद में आपको सरलीकृत चीनी में टेक्स्ट चाहिए।

सरलीकृत अक्षरों वाले हिस्से के लिए सरलीकृत चीनी + अंग्रेज़ी चुनें। सरलीकृत, पारंपरिक और अंग्रेज़ी का मिला-जुला विकल्प तभी चुनें जब हिस्से में वास्तव में ये मिले हों। केवल अंग्रेज़ी वाली तस्वीर के लिए अंग्रेज़ी चुनें। ज़्यादा भाषाएँ चुनना साफ़ तस्वीर का विकल्प नहीं है और इसके लिए अतिरिक्त पहचान डेटा डाउनलोड करना पड़ सकता है।

मान लें किसी लेबल पर 净含量 और उसके पारंपरिक संस्करण पर 淨含量 लिखा है। दोनों का अर्थ शुद्ध मात्रा है, लेकिन पहला छपा अक्षर अलग दिखता है। OCR को पहले वही अक्षर निकालने चाहिए जो स्रोत में मौजूद हैं। पारंपरिक मॉडल चुनना पूरे नतीजे को पारंपरिक चीनी में बदलने का आदेश नहीं है। अंग्रेज़ी इंटरफ़ेस चुनना भी अंग्रेज़ी अनुवाद का अनुरोध नहीं है।

विन्यास के विकल्प विषय नहीं, बल्कि व्यवस्था बताते हैं। कीमत वाला लेबल अपने आप बिखरा हुआ टेक्स्ट नहीं बन जाता; पास-पास लिखा लेबल एक ब्लॉक के रूप में बेहतर काम कर सकता है। चुने हुए क्षेत्र के अनुकूल सेटिंग से शुरू करें और पहली पहचान में कोई स्पष्ट समस्या आने पर ही दूसरी सेटिंग से तुलना करें।

एक बार में पूरा क्षेत्र पहचानें

चीनी तस्वीर से टेक्स्ट निकालने वाला टूल खोलें और तस्वीर चुनें। पहचान शुरू करने से पहले पूर्वावलोकन देखें। बाएँ और दाएँ घुमाने वाले बटन तस्वीर को 90 डिग्री घुमाते हैं। पहले घुमाएँ, फिर पहचान क्षेत्र चुनें, क्योंकि घुमाने पर चुना हुआ क्षेत्र रीसेट होता है। हल्का तिरछापन इमेज एडिटर में ठीक करें, दोबारा चौथाई चक्कर घुमाकर नहीं।

क्षेत्र चुनने के लिए पूर्वावलोकन पर खींचें, या बाएँ स्थान, ऊपर के स्थान, चौड़ाई और ऊँचाई के प्रतिशत बदलें। पूरा अनुच्छेद, लेबल या स्तंभ शामिल करें। केवल संख्या काटने से उसे समझने के लिए ज़रूरी इकाई या शीर्षक छूट सकता है। दो स्तंभ वाले पन्ने के नतीजे में पंक्तियाँ मिल रही हों तो दोनों स्तंभ अलग-अलग पहचानें।

छपी भाषा और विन्यास चुनें, फिर टेक्स्ट पहचानें दबाएँ। ब्राउज़र पहचान डेटा लोड करता है और चुने हुए चित्र क्षेत्र को आपके उपकरण पर संसाधित करता है। मॉडल डाउनलोड करने के लिए कनेक्शन फिर भी चाहिए, इसलिए ब्राउज़र में प्रसंस्करण का अर्थ यह नहीं कि पेज हमेशा ऑफ़लाइन उपलब्ध रहेगा। पहचान के दौरान टैब खुला रखें; रोकना हो तो रद्द करें विकल्प इस्तेमाल करें।

पहचाने गए टेक्स्ट को संपादित किया जा सकता है। दोबारा पहचान चलाने से पहले वे सुधार सेव या कॉपी करें जिन्हें रखना चाहते हैं, क्योंकि नया प्रयास पुराने नतीजे को बदल देता है। कई क्षेत्रों पर काम करते समय हर जाँचे हुए हिस्से को अपने दस्तावेज़ में सही पढ़ने के क्रम में रखें। शीर्षक या पन्ना संख्या भी रखें ताकि स्रोत फिर मिल सके।

अर्थ बदलने वाले विवरण पहले जाँचें

तस्वीर और टेक्स्ट को साथ देखते हुए जाँचें। उन विवरणों से शुरू करें जहाँ छोटी गलती काम बदल देती है: नाम, तारीखें, निषेध, मात्रा, इकाइयाँ और संदर्भ कोड। फिर पूरा हिस्सा पढ़कर छूटी पंक्तियाँ और वाक्यों की सीमाएँ देखें। परिचित शब्दावली समस्या पकड़ने में मदद कर सकती है, लेकिन तस्वीर में अस्पष्ट अक्षर को अपनी ओर से भरने का आधार नहीं बननी चाहिए।

नीचे दिया लेबल अभ्यास के लिए बनाया गया काल्पनिक उदाहरण है, किसी वास्तविक उत्पाद का रिकॉर्ड नहीं। प्रतिलिपि जाँचते समय फ़ील्ड के नाम और मान साथ रखें:

名称：绿茶
净含量：1.25 kg
编号：0018
单价：38.50 元

अगर 1.25 kg बदलकर 125 kg हो जाए, तो दशमलव बिंदु गायब होने से मात्रा 100 गुना हो जाती है। सही मात्रा 1,250 ग्राम है। दूसरा दस्तावेज़ ग्राम में हो तो यह रूपांतरण अलग से जाँचने में मदद करता है। अगर 0018 बदलकर 18 हो जाए, तो संख्यात्मक मान समान लग सकता है, लेकिन संदर्भ कोड में अब वही चार अक्षर नहीं हैं।

38.50 को दशमलव बिंदु और अंतिम शून्य सहित एक-एक अक्षर देखकर जाँचें। पुष्टि करें कि 元 इसी रकम से जुड़ा है, पास के किसी दूसरे मान से नहीं। OCR संख्याएँ सही पढ़ सकता है, लेकिन उन्हें गलत पंक्ति से जोड़ सकता है। गणना दोहराने से वह प्रतिलिपि ठीक नहीं होती जिसमें गलत फ़ील्ड और मान साथ जोड़ दिए गए हों।

चीनी टेक्स्ट में समान आकार ध्यान से देखें: 未 और 末, या 土 और 士 की रेखाओं का अनुपात अलग होता है। अक्षर-अंक वाले कोड में अंक 0 और अक्षर O अलग पहचानें। ये जाँच के उदाहरण हैं, यह दावा नहीं कि हर तस्वीर में यही गलतियाँ होंगी। विरामचिह्न और 不 जैसे शब्द सुरक्षित रखें, जो किसी निर्देश का अर्थ उलट सकते हैं।

अगर आप उस हिस्से को भरोसे से नहीं पढ़ सकते, तो OCR से खोजने योग्य टेक्स्ट निकालें और संदिग्ध हिस्से किसी सक्षम पाठक या दस्तावेज़ जारी करने वाले से जँचवाएँ। गलत पहचाने गए टेक्स्ट का अनुवाद विश्वसनीय लग सकता है, फिर भी पहली गलती को आगे ले जा सकता है। अनुवाद को स्रोत की व्याख्या मानने से पहले प्रतिलिपि की जाँच पूरी करें।

पहचान की खास समस्या ठीक करें

खाली नतीजा मिले तो पहले चुना क्षेत्र देखें: उसमें अधिकतर खाली जगह, फोटो या बहुत छोटे अक्षर हो सकते हैं। पूरी तस्वीर पर लौटें, ज़रूरी हिस्सा पहचानें और नया क्षेत्र चुनें। कई सेटिंग एक साथ बदलने से पहले भाषा और दिशा सही होने की पुष्टि करें।

अक्षर उचित लगें लेकिन पंक्तियों का क्रम गलत हो तो इसे विन्यास की समस्या मानें। कई स्तंभ वाले पन्ने को अलग स्तंभों में बाँटें या शीर्षक को आसपास के लेबल से अलग करें। तालिका में एक संभालने योग्य पंक्ति या छोटे सेल समूह को पहचानें, फिर तस्वीर से मिलाते हुए तालिका दोबारा बनाएँ। साधारण टेक्स्ट आउटपुट स्प्रेडशीट के सेलों के संबंध नहीं रखता।

केवल एक शब्द अस्पष्ट हो तो उसे थोड़े आसपास के संदर्भ के साथ काटें और नया नतीजा पहले से मिलाएँ। तस्वीर या किसी दूसरे भरोसेमंद स्रोत से अंतर स्पष्ट होने तक दोनों संभावित पाठ अपने नोट्स में रखें। उसी धुँधली तस्वीर पर पहचान दोहराना किसी संदिग्ध नाम या कोड की स्वतंत्र पुष्टि नहीं है।

समस्या चमक, गहरी छाया, सजावटी अक्षरों या खराब छपाई की हो तो बेहतर स्रोत बार-बार OCR चलाने से अधिक समय बचा सकता है। अनसुलझे हिस्से पर चुपचाप अनुमान लगाने के बजाय कार्य प्रति में निशान लगाएँ। छोटा और पढ़ने योग्य लेबल हाथ से टाइप करके हर अक्षर जाँचना अधिक भरोसेमंद हो सकता है।

बदलने से पहले जाँची हुई प्रति रखें

जाँच के बाद नतीजा कॉपी करें या UTF-8 टेक्स्ट फ़ाइल डाउनलोड करें। सेव की गई फ़ाइल खोलें और पहली तथा अंतिम पंक्तियाँ, उदाहरण की संख्याएँ और कम प्रचलित चीनी अक्षर मिलाएँ। सफल डाउनलोड केवल यह बताता है कि फ़ाइल सेव हुई है; यह छोटी जाँच बताती है कि उसमें वही टेक्स्ट है जिसे आप रखना चाहते थे।

सरलीकृत या पारंपरिक संस्करण भी चाहिए तो जाँची हुई मूल प्रतिलिपि बिना बदलाव के रखें। सरलीकृत और पारंपरिक चीनी कन्वर्टर का उपयोग उसकी कॉपी पर करें, फिर नाम और संदर्भ के अनुसार बदलने वाले शब्द देखें। इससे स्रोत में वास्तव में छपा पाठ और दूसरे पाठक के लिए बदला संस्करण अलग रहते हैं।

स्प्रेडशीट में पेस्ट करते समय 0018 जैसे मान डालने से पहले कोड वाले स्तंभ टेक्स्ट के रूप में सेट करें। मात्रा और इकाई साथ रखें, जब तक आप जानबूझकर उन्हें अलग फ़ील्ड में न बाँटें। जहाँ उचित हो, स्रोत तस्वीर भी अपने नोट्स के साथ रखें, ताकि अगला व्यक्ति संदिग्ध अक्षर जाँच सके और उसे पूरा काम फिर से शुरू न करना पड़े।