- উৎসএকটি ছবি বা স্ক্যান করা পৃষ্ঠা
- প্রস্তুত করুনভাষা এবং এলাকা নির্বাচন করুন
- স্বীকৃতি দিনশব্দগুলো বের করুন
- পর্যালোচনা করুনটেক্সট তুলনা করুন এবং সংশোধন করুন
এআই OCR দৃশ্যমান লেখাকে এনকোড করা পাঠ্যে রূপান্তর করে
একটি ছবি বা স্ক্যান করা পৃষ্ঠায় পিক্সেল থাকে। সেই পিক্সেলের আকৃতিগুলো মানুষের কাছে শনাক্তযোগ্য হতে পারে, কিন্তু সেগুলো এখনও এমন অক্ষর নয় যা কোনো টেক্সট এডিটর অনুসন্ধান বা কপি করতে পারে। অপটিক্যাল ক্যারেক্টার রিকগনিশন অনুমান করে যে ছবিতে কোন অক্ষর এবং শব্দ রয়েছে এবং এনকোড করা পাঠ্য তৈরি করে। এআই OCR এমন পদ্ধতিগুলোকে বোঝায় যা এই শনাক্তকরণ প্রক্রিয়ায় বা সম্পর্কিত নথি-বিশ্লেষণ কাজে শেখানো মডেল ব্যবহার করে।
ইনপুট হিসেবে স্ক্যান, ক্যামেরার ছবি, স্ক্রিনশট বা PDF-এর ভেতরের ছবি ব্যবহার করা যেতে পারে। শুধুমাত্র ফাইলের এক্সটেনশন দিয়ে শনাক্তকরণের প্রয়োজনীয়তা নির্ধারণ করা যায় না। ওয়ার্ড প্রসেসর থেকে তৈরি একটি PDF-এ হয়তো আগে থেকেই ব্যবহারযোগ্য পাঠ্য থাকতে পারে; পৃষ্ঠার ছবি থেকে তৈরি একটি PDF-এর শব্দগুলো পুনরায় ব্যবহারের আগে হয়তো OCR-এর প্রয়োজন হতে পারে।
একটি কার্যকর ফলাফলের পেছনে বেশ কিছু সিদ্ধান্ত থাকে: পাঠ্যটি কোথায় আছে, কী বলছে এবং এর অংশগুলো কীভাবে সাজানো উচিত। ক্যারেক্টার রিকগনিশন, রিজিয়ন ডিটেকশন এবং রিডিং-অর্ডার অ্যানালাইসিস সেই সমস্যার বিভিন্ন অংশ সমাধান করে। তাই দুটি কলাম ভুলভাবে একত্রিত করা একটি নথির কাঠামোগত ত্রুটি, এমনকি যখন আলাদা শব্দগুলো সঠিকভাবে পড়া হয়েছিল তখনও।
শিক্ষণ শনাক্তকরণকে উৎসের ভিন্নতা সামলাতে সাহায্য করে
একটি শেখানো শনাক্তকারী ম্যানুয়ালি নির্দিষ্ট করা অক্ষরের বর্ণনার ওপর পুরোপুরি নির্ভর না করে উদাহরণ থেকে দরকারী প্যাটার্ন তৈরি করে। এটি স্ট্রোক, আকৃতি এবং অক্ষরের গোষ্ঠীর সাথে সম্পর্কিত দৃশ্যমান বৈশিষ্ট্যগুলো শিখতে পারে, তারপর নতুন ছবি ব্যাখ্যা করতে সেই বৈশিষ্ট্যগুলো ব্যবহার করতে পারে। যখন প্রশিক্ষণের উদাহরণ এবং পদ্ধতি সমর্থন করে, তখন এটি মুদ্রণ, হাতের লেখা এবং ক্যাপচারের অবস্থার পার্থক্যগুলো সামলানোর একটি উপায় প্রদান করে।
প্রচলিত OCR এবং এআই OCR-এর মধ্যে সীমানাটি কোনো পরিষ্কার ঐতিহাসিক বিভাজন নয়। নিউরাল নেটওয়ার্ক, পরিসংখ্যানগত শনাক্তকরণ এবং ভাষা মডেলিং কয়েক দশক ধরে নথি গবেষণার অংশ। প্রতিষ্ঠিত OCR সফটওয়্যারে ইতিমধ্যেই শেখানো উপাদান থাকতে পারে। প্রতিটি প্রচলিত সিস্টেমকে কঠোর টেমপ্লেট ম্যাচিং এবং প্রতিটি নতুন সিস্টেমকে সম্পূর্ণ ভিন্ন ধরনের প্রযুক্তি হিসেবে বর্ণনা করা বিভ্রান্তিকর হবে।
শিক্ষণের ব্যবহারিক অবদান হলো ডেটাতে উপস্থাপিত প্যাটার্নগুলোর সাথে অভিযোজনযোগ্যতা। বিভিন্ন অক্ষরের আকৃতির সংস্পর্শে আসা একটি শনাক্তকারী সংকীর্ণ ইনপুটের জন্য তৈরি শনাক্তকারীর চেয়ে বেশি ভিন্নতা সামলাতে পারে। সেই সুবিধাটি এখনও নির্দিষ্ট কাজের ওপর নির্ভর করে: হাতের লেখা লাইন পড়া, শিরোনাম খুঁজে বের করা এবং টেবিলের কাঠামো শনাক্ত করার জন্য ভিন্ন ভিন্ন প্রমাণ এবং মূল্যায়নের প্রয়োজন হয়।
মডেলকে প্রশিক্ষণ দেওয়া এবং নতুন পৃষ্ঠা পড়া দুটি ভিন্ন বিষয়
প্রশিক্ষণের সময়, উদাহরণ এবং একটি শিক্ষণ লক্ষ্যের মাধ্যমে মডেলের অভ্যন্তরীণ প্যারামিটারগুলো সমন্বয় করা হয়। পাঠ্য শনাক্তকরণের জন্য, উদাহরণগুলো ছবিকে তাদের প্রতিলিপির সাথে জোড়া দিতে পারে। একটি বিস্তৃত প্রাথমিক প্রশিক্ষণ পর্যায় দরকারী দৃশ্যমান বা ভাষার প্যাটার্ন তৈরি করতে পারে, যার পরে একটি নির্দিষ্ট সংগ্রহ বা কাজের সাথে অভিযোজন করা হয়। সিন্থেটিক উদাহরণগুলো প্রকৃত নথির ছবির পাশাপাশি ফন্ট, শব্দচয়ন এবং উপস্থিতির ভিন্নতাও সরবরাহ করতে পারে।
যখন একটি প্রশিক্ষিত মডেল একটি নতুন পৃষ্ঠা প্রসেস করে, তখন এটি ফলাফল তৈরি করতে যা শিখেছে তা প্রয়োগ করে। এই পর্যায়টিকে প্রায়শই ইনফারেন্স বলা হয়। প্রতিটি নথির জন্য নতুন করে মডেল প্রশিক্ষণের প্রয়োজন হয় না। এই পার্থক্যটি ব্যাখ্যা করে কেন একটি শনাক্তকারী এমন উপাদান পড়তে পারে যা সে আগে অভিন্ন পৃষ্ঠা হিসেবে দেখেনি, তবুও এটি সেই ধরনের প্যাটার্নের ওপর নির্ভর করে যা তার প্রশিক্ষণ তাকে সামলাতে প্রস্তুত করেছে।
প্রতিলিপি সংশোধন করা একটি আলাদা কাজ। সংশোধনটি সেই আউটপুট পরিবর্তন করে; এটি নিজে থেকে প্রমাণ করে না যে অন্তর্নিহিত মডেলটি লেখকের হাতের লেখা শিখেছে। যে সফটওয়্যার অভিযোজন সমর্থন করে, তার সাধারণ টেক্সট এডিটিংয়ের বাইরে উদাহরণ ব্যবহার করে শনাক্তকরণ আপডেট করার জন্য একটি স্পষ্ট প্রক্রিয়ার প্রয়োজন।
দৃশ্যমান প্যাটার্নগুলো সিকোয়েন্স রিকগনিশনের মাধ্যমে শব্দে পরিণত হয়
স্বীকৃতি সবসময় একটি ছবিকে আলাদা আলাদা অক্ষরে কেটে শুরু হয় না। অনেক অভিজ্ঞ পাঠক একটি শব্দ বা লাইনকে একটি ক্রম হিসেবে প্রক্রিয়া করেন। একটি ইমেজ-প্রসেসিং উপাদান এর ভিজ্যুয়াল প্যাটার্নগুলোর একটি উপস্থাপনা তৈরি করে এবং একটি সিকোয়েন্স উপাদান সেই প্যাটার্নগুলোকে সম্ভাব্য টেক্সটের সাথে সম্পর্কিত করে। সংযুক্ত হাতের লেখা পড়ার ক্ষেত্রে এমন পদ্ধতিগুলো বিশেষভাবে কার্যকর, যেগুলোতে প্রতিটি অক্ষরের সীমানা আগে থেকে সরবরাহ করার প্রয়োজন হয় না।
শেখা ইমেজ বৈশিষ্ট্য, সিকোয়েন্স মডেলিং এবং ট্রান্সক্রিপশনকে একত্রিত করা গবেষণাগুলো দেখায় যে কীভাবে এই পর্যায়গুলোকে একসাথে প্রশিক্ষণ দেওয়া যায়। পার্শ্ববর্তী প্রমাণ গুরুত্বপূর্ণ: একটি উল্লম্ব চিহ্ন 'l' অক্ষর বা 1 সংখ্যা হতে পারে এবং এর আকৃতি ও আশেপাশের অক্ষরগুলো সিস্টেমকে তাদের মধ্যে একটি বেছে নিতে সাহায্য করে। একটি সিস্টেম চূড়ান্ত স্ট্রিং একত্রিত করার আগে অক্ষর, শব্দের টুকরো বা অন্যান্য টেক্সট ইউনিট তৈরি করতে পারে।
প্রসঙ্গ ছবি, আশেপাশের সিকোয়েন্স বা অতিরিক্ত ভাষা সংক্রান্ত তথ্য থেকে আসতে পারে। এই উৎসগুলো অনিশ্চয়তা দূর করতে সাহায্য করে, তবে তারা ভিন্ন ভিন্ন ভূমিকা পালন করে। দৃশ্যমান চিহ্নগুলো কী পড়া সম্ভব তা নির্ধারণ করে, আর শেখা প্রসঙ্গ সিস্টেম কীভাবে সেগুলোকে ব্যাখ্যা করবে তা প্রভাবিত করে। একটি দরকারী ট্রান্সক্রিপ্ট পৃষ্ঠার সাথে সেই সংযোগ বজায় রাখে।
ডকুমেন্ট সিস্টেমগুলো বেশ কয়েকটি পর্যায়কে একত্রিত করতে পারে বা সরাসরি ফলাফল তৈরি করতে পারে
একটি সাধারণ ডিজাইনে টেক্সট খুঁজে বের করা, তা শনাক্ত করা এবং প্রাপ্ত শব্দ ও অবস্থানগুলো বিশ্লেষণ করার জন্য আলাদা আলাদা উপাদান ব্যবহার করা হয়। এটি দরকারী মধ্যবর্তী তথ্য প্রকাশ করতে পারে, যেমন শব্দের অবস্থান বা শনাক্ত করা লাইন। একটি পরবর্তী উপাদান তখন ডকুমেন্টটিকে শ্রেণীবদ্ধ করতে পারে বা নির্বাচিত ক্ষেত্রগুলো বের করতে পারে। ত্রুটি এবং উন্নতিগুলো সেই পর্যায়ে পরীক্ষা করা যেতে পারে যেখানে সেগুলো ঘটে।
আরেকটি ডিজাইনে ইমেজ উপস্থাপনা এবং একটি টেক্সট-তৈরি উপাদান ব্যবহার করা হয় যাতে অনুরোধ করা আউটপুট আরও সরাসরি তৈরি করা যায়। গবেষণা দেখিয়েছে যে একটি স্বাধীন প্রচলিত OCR পর্যায় ছাড়াই ডকুমেন্ট বোঝা সম্ভব, যার মধ্যে পৃষ্ঠার ছবি থেকে তৈরি কাঠামোগত ফলাফলও অন্তর্ভুক্ত। সেই গবেষণায় OCR-মুক্ত শব্দটি একটি আলাদা OCR ইঞ্জিনের অনুপস্থিতিকে বর্ণনা করে; লিখিত তথ্য তবুও ছবি থেকে ব্যাখ্যা করতে হয়।
এই ডিজাইনগুলো একে অপরের সাথে ওভারল্যাপ করতে পারে। একটি বিশেষ রিডার একবারে টেক্সটের একটি অংশ তৈরি করতে পারে এবং একটি বড় ডকুমেন্ট সিস্টেম একটি টেক্সট ডিটেক্টরকে একটি শেখা রিডার এবং অতিরিক্ত প্রক্রিয়াকরণের সাথে একত্রিত করতে পারে। তাই এআই OCR একটি নির্দিষ্ট আর্কিটেকচারকে চিহ্নিত করে না। গুরুত্বপূর্ণ প্রশ্ন হলো সিস্টেম কী ফলাফল তৈরি করে এবং তা যাচাই করার জন্য কী প্রমাণ অবশিষ্ট থাকে।
লেআউট শনাক্ত করা শব্দগুলোকে তাদের ভূমিকার সাথে সংযুক্ত করতে সাহায্য করে
একটি পৃষ্ঠা অবস্থানের পাশাপাশি শব্দ ব্যবহারের মাধ্যমেও যোগাযোগ করে। 'Invoice date' লেবেলের পাশের একটি তারিখের ভূমিকা 'Due date'-এর পাশের তারিখ থেকে আলাদা। একটি মোট শিরোনামের নিচের একটি সংখ্যা লাইন আইটেমের একই সংখ্যার চেয়ে ভিন্নভাবে গুরুত্বপূর্ণ হতে পারে। ডকুমেন্ট মডেলগুলো এই সম্পর্কগুলো শিখতে শনাক্ত করা টেক্সট, এর স্থানাঙ্ক এবং পৃষ্ঠার ছবির তথ্য ব্যবহার করতে পারে।
মাল্টিমোডাল ডকুমেন্ট প্রি-ট্রেনিং বিষয়ক গবেষণা ফর্ম ব্যাখ্যা, রসিদ প্রক্রিয়াকরণ এবং ডকুমেন্ট শ্রেণীবিন্যাসের মতো কাজের জন্য তথ্যের সেই উৎসগুলোকে একত্রিত করে। এটি স্বীকৃতিকে বিশ্লেষণে প্রসারিত করে: সিস্টেমটি কেবল তাদের অক্ষরের স্ট্রিং তৈরি করার পরিবর্তে ডকুমেন্ট উপাদানগুলো কীভাবে একটি কাজের সাথে সম্পর্কিত তা বের করার কাজ করছে। এটি আরও ব্যাখ্যা করে যে কেন চূড়ান্ত ফলাফল ছোট কিছু ক্ষেত্র হলেও অবস্থানগুলো সংরক্ষণ করা দরকারী হতে পারে।
ব্যাখ্যা কাজ-নির্দিষ্ট শেখা মডেল, নিয়ম বা উভয়ের সংমিশ্রণ দ্বারা করা যেতে পারে। এর উদ্দেশ্যের জন্য উপযুক্ত বৈধতা এখনও প্রয়োজন। পেমেন্টের সময়সীমা শনাক্ত করা, মোট পরিমাণ সামঞ্জস্যপূর্ণ কিনা তা পরীক্ষা করা এবং একটি ইনভয়েস অনুমোদিত হওয়া উচিত কিনা তা সিদ্ধান্ত নেওয়া আলাদা আলাদা প্রয়োজনীয়তা; শব্দগুলো পড়ার ক্ষেত্রে সাফল্য মানেই এই তিনটিতেই সাফল্য নিশ্চিত নয়।
ট্রান্সক্রিপশন, এক্সট্রাকশন এবং ডকুমেন্ট উত্তর ভিন্ন ভিন্ন ফলাফল তৈরি করে
একটি সহজ উদাহরণ বিবেচনা করুন যাতে আছে Invoice date: 3 March, Due date: 17 March এবং Total: 125.00। একটি ট্রান্সক্রিপশনে সেই দৃশ্যমান শব্দগুলো সংরক্ষণ করা উচিত। একটি ফিল্ড এক্সট্রাক্টর কেবল পেমেন্টের সময়সীমা এবং পরিমাণ ফেরত দিতে পারে, যেখানে একটি ডকুমেন্ট-প্রশ্ন সিস্টেম নির্ধারিত তারিখের জন্য অনুরোধের উত্তর দিতে পারে। প্রতিটি ফলাফল দরকারী হতে পারে, তবে ছোট আউটপুটগুলো সম্পূর্ণ ট্রান্সক্রিপশন নয়।
একই পার্থক্য পরবর্তী রূপান্তরগুলোর ক্ষেত্রেও প্রযোজ্য। অনুবাদ ভাষা পরিবর্তন করে; সম্পাদনা শব্দ বা উপস্থাপনা পরিবর্তন করে; একটি সারাংশ তথ্য নির্বাচন করে। প্রথমে কাজটি সংজ্ঞায়িত করলে ফলাফল মূল্যায়ন করা সহজ হয়। টেবিলটি সাধারণ ডকুমেন্ট-প্রসেসিং কাজগুলো বর্ণনা করে, এই ধারণা না করে যে প্রতিটি OCR টুল সেগুলোর সব অফার করে।
| কাজ | উদাহরণ ফলাফল | কাজটি যা যোগ করে |
|---|---|---|
| ট্রান্সক্রিপশন | দৃশ্যমান লেবেল, তারিখ এবং পরিমাণ | উৎস শব্দের একটি টেক্সট উপস্থাপনা |
| ফিল্ড এক্সট্রাকশন | জমাদানের তারিখ = 17 মার্চ; মোট = 125.00 | নামযুক্ত ক্ষেত্রের সাথে মানগুলোর সংযোগ |
| ডকুমেন্ট প্রশ্ন উত্তর | 17 March, নির্ধারিত তারিখের প্রশ্নের উত্তরে | প্রশ্নের সাথে প্রাসঙ্গিক তথ্যের নির্বাচন |
| অনুবাদ | অন্য ভাষায় একই তথ্য | ভাষার একটি পরিবর্তন যা উদ্দিষ্ট অর্থ বজায় রাখতে হবে |
| সম্পাদনা বা সারাংশ | সংশোধিত শব্দ বা একটি সংক্ষিপ্ত বিবরণ | ভিন্ন উদ্দেশ্যে ট্রান্সক্রিপ্টের একটি রূপান্তর |
দরকারী প্রসঙ্গ অবশ্যই দৃশ্যমান প্রমাণের সাথে যুক্ত থাকতে হবে
একটি রিকগনাইজার একটি কঠিন অক্ষর সমাধান করতে প্রসঙ্গ ব্যবহার করতে পারে, কিন্তু একটি যুক্তিসঙ্গত বাক্য মানেই একটি সঠিক ট্রান্সক্রিপ্ট নয়। একটি অস্বাভাবিক নাম পরিচিত শব্দ দিয়ে প্রতিস্থাপিত হতে পারে, অথবা একটি প্রকৃত বানান ভুল নীরবে সংশোধন করা হতে পারে। সেই আচরণটি সম্পাদনার কাজে সহায়ক হতে পারে, কিন্তু উদ্ধৃতি বা আর্কাইভাল ট্রান্সক্রিপশনের জন্য ভুল হতে পারে।
2026-এ প্রকাশিত একটি হাতের লেখার বেঞ্চমার্ক এই পার্থক্যটি পরীক্ষা করেছে এবং বেশ কয়েকটি পরীক্ষিত জেনারেটিভ সিস্টেমে দৃশ্যত অসমর্থিত সংশোধনের কথা জানিয়েছে। এই ফলাফলটি নির্দিষ্ট সিস্টেম এবং কাজের সাথে সম্পর্কিত, প্রতিটি এআই রিকগনাইজারের সাথে নয়। এটি একটি দরকারী সীমানা শক্তিশালী করে: পড়া, পুনরায় লেখা এবং অনুপস্থিত বিষয়বস্তু পূরণ করা ভিন্ন ভিন্ন উদ্দেশ্য। যখন উৎস একটি শব্দ প্রতিষ্ঠা করে না, তখন কেবল সাবলীল আউটপুটও তা প্রতিষ্ঠা করতে পারে না।
স্বীকৃতি পদ্ধতিগুলো তুলনা করার আগে প্রয়োজনীয় ফলাফল বেছে নিন
সেরা শুরুর পয়েন্ট হলো আপনার পরবর্তী কাজের জন্য প্রয়োজনীয় আউটপুট। একটি অনুচ্ছেদ পুনরায় ব্যবহারের জন্য সম্পাদনাযোগ্য টেক্সট প্রয়োজন। একটি স্ক্যান খোঁজার জন্য এর পৃষ্ঠার ছবির সাথে যুক্ত একটি টেক্সট লেয়ার প্রয়োজন হতে পারে। ইনভয়েস ক্ষেত্রগুলো অন্য সিস্টেমে আমদানি করার জন্য কাঠামোগত এক্সট্রাকশন প্রয়োজন। সেই প্রয়োজনীয়তাগুলো একটি সাধারণ এআই লেবেলের চেয়ে তুলনার ক্ষেত্রে বেশি পথপ্রদর্শক হওয়া উচিত।
প্রতিনিধিত্বমূলক উপাদানে প্রাসঙ্গিক সক্ষমতা মূল্যায়ন করুন। গবেষণার বেঞ্চমার্কগুলো টেক্সট স্বীকৃতি, লোকালাইজেশন, লেআউট, জটিল উপাদান এবং যুক্তিকে আলাদা করে কারণ একটি সিস্টেম সেই কাজগুলোতে ভিন্নভাবে কাজ করতে পারে। পরিষ্কার মুদ্রিত টেক্সটে একটি শক্তিশালী ফলাফল হাতের লেখার সূত্র বা টেবিলের কাঠামোর গুণমান প্রতিষ্ঠা করে না। প্রতিক্রিয়ার সময় এবং প্রয়োজনীয় পর্যালোচনার পরিমাণও একটি ব্যবহারিক কর্মপ্রবাহে গুরুত্বপূর্ণ হতে পারে।
পৃষ্ঠার চেহারা সংরক্ষণ করা একটি আলাদা আউটপুট পছন্দ। একটি অনুসন্ধানযোগ্য স্ক্যান সংশ্লিষ্ট টেক্সটসহ একটি ছবি রাখে, যেখানে একটি নতুন লেআউট করা টেক্সট ডকুমেন্ট ভিন্ন ট্রেড-অফ তৈরি করে। একটি ফাইলকে PDF বলা মানেই এটি কোন উপস্থাপনা ধারণ করে তা আপনাকে বলে না। সিদ্ধান্ত নিন যে পরবর্তী ধাপে মূল ভিজ্যুয়াল বিন্যাস, একটি সম্পাদনাযোগ্য ট্রান্সক্রিপ্ট বা ডেটার একটি নির্দিষ্ট সেট প্রয়োজন কিনা।
i2OCR-এ স্বীকৃতি এবং টেক্সট টুলস
i2OCR নির্বাচিত ভাষার উপর নির্ভর করে Classic এবং Future স্বীকৃতি মোডসহ ইমেজ এবং PDF OCR প্রদান করে। এগুলো প্রোডাক্ট মোড, প্রতিটি OCR আর্কিটেকচারের প্রযুক্তিগত সংজ্ঞা নয়। ডকুমেন্টের ভাষা বেছে নিন, তারপর ছবি, নির্বাচিত PDF পৃষ্ঠা বা নির্বাচিত এলাকা শনাক্ত করুন। একটি PDF স্বীকৃতি অনুরোধ একটি নির্বাচিত পৃষ্ঠা বা এলাকা প্রক্রিয়া করে।
স্বীকৃতির পরে, আপনি প্রতিলিপিটি পর্যালোচনা এবং সম্পাদনা করতে পারেন, স্মার্ট এডিট খুলতে পারেন বা অনুবাদের অনুরোধ করতে পারেন। এগুলি ভিন্ন ভিন্ন উদ্দেশ্যে আলাদা আলাদা কাজ। সাধারণ সংশোধনগুলি বর্তমান ফলাফলকে আপডেট করে; এগুলি হস্তাক্ষর-প্রশিক্ষণের কোনো বৈশিষ্ট্য নয়। নতুন করে লেখা বা অনুবাদ করার আগে একটি পর্যালোচিত প্রতিলিপি সংরক্ষণ করলে পরবর্তী সংস্করণগুলির সাথে মূল নথির তুলনা করা সহজ হয়।
উভয় মোডেই টেক্সট এবং ওয়ার্ড ডাউনলোড করার সুবিধা রয়েছে। ক্লাসিকের অনুসন্ধানযোগ্য PDF স্বীকৃত পৃষ্ঠা বা এলাকাটিকে তার মূল স্বীকৃতির টেক্সট লেয়ারসহ একটি ছবি হিসেবে রাখে; পরবর্তী টেক্সট সম্পাদনাগুলি সেই PDF লেয়ারটিকে আপডেট করে না। ফিউচারের সাধারণ PDF বর্তমান টেক্সট থেকে একটি নতুন লেআউটে তৈরি করা হয়। আপনার যদি মূল নথির রূপ বা সম্পাদিত শব্দবিন্যাস—যার প্রয়োজন, সেই অনুযায়ী আউটপুট নির্বাচন করুন।