- स्रोतएक इमेज या स्कैन किया हुआ पेज
- तैयार करेंभाषा और क्षेत्र चुनें
- पहचानेंशब्दों को निकालें
- समीक्षा करेंटेक्स्ट की तुलना करें और सुधारें
AI OCR दृश्य लेखन को एन्कोडेड टेक्स्ट में बदल देता है
एक तस्वीर या स्कैन किए गए पृष्ठ में पिक्सेल होते हैं। उन पिक्सेल में मौजूद आकृतियाँ किसी व्यक्ति के लिए पहचानने योग्य हो सकती हैं, लेकिन वे अभी तक वे वर्ण नहीं हैं जिन्हें कोई टेक्स्ट एडिटर खोज या कॉपी कर सके। ऑप्टिकल कैरेक्टर रिकग्निशन अनुमान लगाता है कि छवि में कौन से वर्ण और शब्द हैं और एन्कोडेड टेक्स्ट तैयार करता है। AI OCR उन दृष्टिकोणों को संदर्भित करता है जो इस पहचान प्रक्रिया या संबंधित दस्तावेज़-विश्लेषण कार्यों में सीखे गए मॉडलों का उपयोग करते हैं।
इनपुट एक स्कैन, कैमरा तस्वीर, स्क्रीनशॉट या PDF के अंदर की छवि हो सकती है। केवल फ़ाइल एक्सटेंशन यह निर्धारित नहीं करता है कि पहचान आवश्यक है या नहीं। वर्ड प्रोसेसर से बनाई गई PDF में पहले से ही उपयोग योग्य टेक्स्ट हो सकता है; पृष्ठ की तस्वीरों से बनाई गई PDF को उसके शब्दों का पुन: उपयोग करने से पहले OCR की आवश्यकता हो सकती है।
एक उपयोगी परिणाम के पीछे कई निर्णय होते हैं: टेक्स्ट कहाँ है, यह क्या कहता है और इसके भागों को कैसे क्रमबद्ध किया जाना चाहिए। कैरेक्टर रिकग्निशन, रीजन डिटेक्शन और रीडिंग-ऑर्डर एनालिसिस उस समस्या के विभिन्न हिस्सों को संबोधित करते हैं। इसलिए, दो कॉलम को गलत तरीके से जोड़ना एक दस्तावेज़-संरचना त्रुटि है, भले ही व्यक्तिगत शब्द सही ढंग से पढ़े गए हों।
सीखना पहचान को स्रोत में भिन्नता को संभालने में मदद करता है
एक सीखा हुआ पहचानकर्ता मैन्युअल रूप से निर्दिष्ट वर्ण विवरणों पर पूरी तरह से भरोसा करने के बजाय उदाहरणों से उपयोगी पैटर्न विकसित करता है। यह स्ट्रोक, आकृतियों और अक्षरों के समूहों से जुड़े दृश्य फीचर्स सीख सकता है, फिर उन फीचर्स का उपयोग नई छवियों की व्याख्या करने के लिए कर सकता है। यह प्रिंट, हस्तलेखन और कैप्चर स्थितियों में अंतर को समायोजित करने का एक तरीका प्रदान करता है जब प्रशिक्षण उदाहरण और विधि उनका समर्थन करते हैं।
पारंपरिक OCR और AI OCR के बीच की सीमा कोई स्पष्ट ऐतिहासिक विभाजन नहीं है। न्यूरल नेटवर्क, सांख्यिकीय पहचान और भाषा मॉडलिंग दशकों से दस्तावेज़ अनुसंधान का हिस्सा रहे हैं। स्थापित OCR सॉफ़्टवेयर में पहले से ही सीखे गए घटक हो सकते हैं। हर पारंपरिक प्रणाली को कठोर टेम्पलेट मिलान और हर नई प्रणाली को पूरी तरह से अलग प्रकार की तकनीक के रूप में वर्णित करना भ्रामक होगा।
सीखने का व्यावहारिक योगदान डेटा में दर्शाए गए पैटर्न के प्रति अनुकूलन क्षमता है। विविध अक्षर आकृतियों के संपर्क में आने वाला पहचानकर्ता संकीर्ण इनपुट के लिए विकसित पहचानकर्ता की तुलना में अधिक भिन्नता को संभाल सकता है। वह लाभ अभी भी विशेष कार्य पर निर्भर करता है: हस्तलिखित पंक्ति को पढ़ना, शीर्षक का पता लगाना और तालिका की संरचना की पहचान करना अलग-अलग साक्ष्य और मूल्यांकन की मांग करते हैं।
मॉडल को प्रशिक्षित करना एक नया पृष्ठ पढ़ने से अलग है
प्रशिक्षण के दौरान, मॉडल के आंतरिक मापदंडों को उदाहरणों और एक सीखने के उद्देश्य का उपयोग करके समायोजित किया जाता है। टेक्स्ट रिकग्निशन के लिए, उदाहरण छवियों को उनके प्रतिलेखन के साथ जोड़ सकते हैं। एक व्यापक प्रारंभिक प्रशिक्षण चरण उपयोगी दृश्य या भाषा पैटर्न स्थापित कर सकता है, जिसके बाद किसी अधिक विशिष्ट संग्रह या कार्य के अनुकूलन किया जा सकता है। सिंथेटिक उदाहरण वास्तविक दस्तावेज़ छवियों के साथ-साथ फोंट, शब्दों और उपस्थिति में भिन्नता भी प्रदान कर सकते हैं।
जब एक प्रशिक्षित मॉडल एक नए पृष्ठ को संसाधित करता है, तो वह परिणाम उत्पन्न करने के लिए जो उसने सीखा है उसे लागू करता है। इस चरण को अक्सर इन्फरेंस कहा जाता है। इसके लिए हर दस्तावेज़ के लिए मॉडल प्रशिक्षण के एक नए दौर की आवश्यकता नहीं होती है। यह अंतर बताता है कि एक पहचानकर्ता ऐसी सामग्री को क्यों पढ़ सकता है जिसका उसने पहले समान पृष्ठ के रूप में सामना नहीं किया है, जबकि अभी भी उन पैटर्न के प्रकारों पर निर्भर है जिन्हें उसके प्रशिक्षण ने संभालने के लिए तैयार किया है।
प्रतिलेख को सही करना एक अलग ऑपरेशन है। सुधार उस आउटपुट को बदल देता है; यह अपने आप में यह स्थापित नहीं करता है कि अंतर्निहित मॉडल ने लेखक की लिखावट सीख ली है। जो सॉफ़्टवेयर अनुकूलन का समर्थन करते हैं, उन्हें सामान्य टेक्स्ट संपादन से परे, पहचान को अपडेट करने के लिए उदाहरणों का उपयोग करने के लिए एक स्पष्ट प्रक्रिया की आवश्यकता होती है।
दृश्य पैटर्न अनुक्रम पहचान के माध्यम से शब्द बन जाते हैं
मान्यता हमेशा किसी छवि को अलग-अलग अक्षरों में काटकर शुरू नहीं होती है। कई कुशल पाठक एक शब्द या पंक्ति को एक अनुक्रम के रूप में संसाधित करते हैं। एक छवि-प्रसंस्करण घटक इसके दृश्य पैटर्न का प्रतिनिधित्व बनाता है, और एक अनुक्रम घटक उन पैटर्न को संभावित पाठ से संबंधित करता है। जुड़ी हुई लिखावट को पढ़ना विशेष रूप से उन दृष्टिकोणों से लाभान्वित होता है जिन्हें हर अक्षर की सीमा को पहले से प्रदान करने की आवश्यकता नहीं होती है।
सीखे गए छवि फीचर्स, अनुक्रम मॉडलिंग और ट्रांसक्रिप्शन को संयोजित करने वाला शोध प्रदर्शित करता है कि इन चरणों को एक साथ कैसे प्रशिक्षित किया जा सकता है। आस-पास का साक्ष्य मायने रखता है: एक ऊर्ध्वाधर निशान अक्षर l या अंक 1 हो सकता है, और इसका आकार और आसपास के अक्षर सिस्टम को उनके बीच चयन करने में मदद करते हैं। एक सिस्टम अंतिम स्ट्रिंग को इकट्ठा करने से पहले अक्षर, शब्दों के टुकड़े या अन्य पाठ इकाइयाँ तैयार कर सकता है।
संदर्भ छवि, आसपास के अनुक्रम या अतिरिक्त भाषा जानकारी से आ सकता है। ये स्रोत अनिश्चितता को हल करने में मदद करते हैं, लेकिन वे अलग-अलग भूमिकाएँ निभाते हैं। दृश्यमान निशान यह स्थापित करते हैं कि पढ़ने के लिए क्या उपलब्ध है, जबकि सीखा हुआ संदर्भ प्रभावित करता है कि सिस्टम उनकी व्याख्या कैसे करता है। एक उपयोगी ट्रांसक्रिप्ट पृष्ठ के साथ उस संबंध को संरक्षित करती है।
दस्तावेज़ सिस्टम कई चरणों को जोड़ सकते हैं या सीधे परिणाम उत्पन्न कर सकते हैं
एक सामान्य डिज़ाइन टेक्स्ट का पता लगाने, उसे पहचानने और परिणामी शब्दों और स्थितियों का विश्लेषण करने के लिए अलग-अलग घटकों का उपयोग करता है। यह उपयोगी मध्यवर्ती जानकारी को उजागर कर सकता है, जैसे शब्द स्थान या पहचानी गई पंक्तियाँ। एक बाद का घटक तब दस्तावेज़ को वर्गीकृत कर सकता है या चयनित फ़ील्ड निकाल सकता है। त्रुटियों और सुधारों की जांच उस चरण पर की जा सकती है जहाँ वे होते हैं।
एक अन्य डिज़ाइन छवि प्रतिनिधित्व और एक टेक्स्ट-जनरेटिंग घटक का उपयोग करता है ताकि अनुरोधित आउटपुट को अधिक सीधे तैयार किया जा सके। शोध ने एक स्वतंत्र पारंपरिक OCR चरण के बिना दस्तावेज़ समझ का प्रदर्शन किया है, जिसमें पृष्ठ छवियों से उत्पन्न संरचित परिणाम शामिल हैं। उस शोध में OCR-मुक्त शब्द एक अलग OCR इंजन की अनुपस्थिति का वर्णन करता है; लिखित जानकारी को अभी भी छवि से व्याख्यायित किया जाना है।
ये डिज़ाइन ओवरलैप हो सकते हैं। एक विशेष रीडर एक बार में टेक्स्ट का एक टुकड़ा उत्पन्न कर सकता है, और एक बड़ा दस्तावेज़ सिस्टम एक टेक्स्ट डिटेक्टर को एक सीखे हुए रीडर और अतिरिक्त प्रसंस्करण के साथ जोड़ सकता है। इसलिए AI OCR एक निश्चित आर्किटेक्चर की पहचान नहीं करता है। महत्वपूर्ण प्रश्न यह है कि सिस्टम क्या परिणाम उत्पन्न करता है और इसकी जांच के लिए क्या साक्ष्य उपलब्ध रहता है।
लेआउट पहचाने गए शब्दों को उनकी भूमिका के साथ जोड़ने में मदद करता है
एक पृष्ठ शब्दों के साथ-साथ स्थिति के माध्यम से भी संचार करता है। इनवॉइस तिथि लेबल के बगल में एक तिथि की भूमिका देय तिथि के बगल में एक तिथि से अलग होती है। कुल शीर्षक के नीचे एक संख्या का महत्व लाइन आइटम में उसी संख्या से अलग हो सकता है। दस्तावेज़ मॉडल इन संबंधों को सीखने के लिए पहचाने गए टेक्स्ट, उसके निर्देशांक और पृष्ठ-छवि जानकारी का उपयोग कर सकते हैं।
मल्टीमॉडल दस्तावेज़ प्रीट्रेनिंग पर शोध फॉर्म व्याख्या, रसीद प्रसंस्करण और दस्तावेज़ वर्गीकरण जैसे कार्यों के लिए जानकारी के उन स्रोतों को जोड़ता है। यह मान्यता को विश्लेषण में विस्तारित करता है: सिस्टम यह काम कर रहा है कि दस्तावेज़ तत्व किसी कार्य से कैसे संबंधित हैं, न कि केवल उनके अक्षर स्ट्रिंग का उत्पादन कर रहे हैं। यह यह भी बताता है कि स्थानों को संरक्षित करना तब भी उपयोगी क्यों हो सकता है जब अंतिम परिणाम फ़ील्ड का एक छोटा सेट हो।
व्याख्या कार्य-विशिष्ट सीखे गए मॉडल, नियमों या दोनों के संयोजन द्वारा की जा सकती है। इसे अभी भी अपने उद्देश्य के लिए उपयुक्त सत्यापन की आवश्यकता है। भुगतान की समय सीमा की पहचान करना, यह जांचना कि क्या कुल योग सुसंगत है और यह तय करना कि क्या इनवॉइस को मंजूरी दी जानी चाहिए, अलग-अलग आवश्यकताएं हैं; शब्दों को पढ़ने में सफलता स्वचालित रूप से तीनों पर सफलता स्थापित नहीं करती है।
ट्रांसक्रिप्शन, निष्कर्षण और दस्तावेज़ उत्तर अलग-अलग परिणाम उत्पन्न करते हैं
एक सरल उदाहरण पर विचार करें जिसमें इनवॉइस तिथि: 3 मार्च, देय तिथि: 17 मार्च और कुल: 125.00 शामिल है। एक ट्रांसक्रिप्शन को उस दृश्य शब्दों को संरक्षित करना चाहिए। एक फ़ील्ड एक्सट्रैक्टर केवल भुगतान की समय सीमा और राशि लौटा सकता है, जबकि एक दस्तावेज़-प्रश्न सिस्टम देय तिथि के लिए अनुरोध का उत्तर दे सकता है। प्रत्येक परिणाम उपयोगी हो सकता है, लेकिन छोटे आउटपुट पूर्ण ट्रांसक्रिप्शन नहीं हैं।
यही अंतर बाद के परिवर्तनों पर लागू होता है। अनुवाद भाषा बदलता है; संपादन शब्दों या प्रस्तुति को बदलता है; एक सारांश जानकारी का चयन करता है। कार्य को पहले परिभाषित करने से परिणाम का आकलन करना आसान हो जाता है। तालिका सामान्य दस्तावेज़-प्रसंस्करण कार्यों का वर्णन करती है, न कि यह मानते हुए कि प्रत्येक OCR टूल उन सभी की पेशकश करता है।
| कार्य | उदाहरण परिणाम | कार्य क्या जोड़ता है |
|---|---|---|
| ट्रांसक्रिप्शन | दृश्यमान लेबल, तिथियाँ और राशि | स्रोत शब्दों का एक टेक्स्ट प्रतिनिधित्व |
| फ़ील्ड निष्कर्षण | देय तिथि = 17 मार्च; कुल = 125.00 | नामित फ़ील्ड के साथ मानों का जुड़ाव |
| दस्तावेज़ प्रश्न उत्तर | 17 मार्च, देय-तिथि प्रश्न के उत्तर में | प्रश्न के लिए प्रासंगिक जानकारी का चयन |
| अनुवाद | दूसरी भाषा में वही जानकारी | भाषा का एक परिवर्तन जिसे इच्छित अर्थ को संरक्षित करना चाहिए |
| संपादन या सारांश | संशोधित शब्द या संक्षिप्त विवरण | एक अलग उद्देश्य के लिए ट्रांसक्रिप्ट का रूपांतरण |
उपयोगी संदर्भ को दृश्य साक्ष्य से जुड़ा रहना चाहिए
एक पहचानकर्ता एक कठिन अक्षर को हल करने के लिए संदर्भ का उपयोग कर सकता है, लेकिन एक प्रशंसनीय वाक्य जरूरी नहीं कि एक विश्वसनीय ट्रांसक्रिप्ट हो। एक असामान्य नाम को एक परिचित शब्द से बदला जा सकता है, या वर्तनी की वास्तविक गलती को चुपचाप सुधारा जा सकता है। वह व्यवहार संपादन कार्य में सहायक हो सकता है जबकि उद्धरण या अभिलेखीय ट्रांसक्रिप्शन के लिए गलत हो सकता है।
2026 में प्रकाशित एक लिखावट बेंचमार्क ने इस अंतर की जांच की और कई परीक्षण किए गए जनरेटिव सिस्टम में नेत्रहीन असमर्थित सुधारों की सूचना दी। यह निष्कर्ष विशेष सिस्टम और कार्यों से संबंधित है, न कि हर AI पहचानकर्ता से। यह एक उपयोगी सीमा को सुदृढ़ करता है: पढ़ना, फिर से लिखना और गायब सामग्री को पूरा करना अलग-अलग उद्देश्य हैं। जब स्रोत किसी शब्द को स्थापित नहीं करता है, तो केवल धाराप्रवाह आउटपुट भी इसे स्थापित नहीं कर सकता है।
मान्यता दृष्टिकोणों की तुलना करने से पहले आवश्यक परिणाम चुनें
सबसे अच्छा शुरुआती बिंदु वह आउटपुट है जिसकी आपके अगले कार्य को आवश्यकता है। एक पैराग्राफ का पुन: उपयोग करने के लिए संपादन योग्य टेक्स्ट की आवश्यकता होती है। स्कैन खोजने के लिए उसकी पृष्ठ छवि से जुड़े एक टेक्स्ट लेयर की आवश्यकता हो सकती है। इनवॉइस फ़ील्ड को किसी अन्य सिस्टम में आयात करने के लिए संरचित निष्कर्षण की आवश्यकता होती है। उन आवश्यकताओं को एक सामान्य AI लेबल की तुलना में तुलना का मार्गदर्शन करना चाहिए।
प्रतिनिधि सामग्री पर प्रासंगिक क्षमता का मूल्यांकन करें। शोध बेंचमार्क टेक्स्ट मान्यता, स्थानीयकरण, लेआउट, जटिल तत्वों और तर्क को अलग करते हैं क्योंकि एक सिस्टम उन कार्यों में अलग तरह से प्रदर्शन कर सकता है। स्पष्ट मुद्रित टेक्स्ट पर एक मजबूत परिणाम हस्तलिखित सूत्रों या तालिका की संरचना की गुणवत्ता स्थापित नहीं करता है। प्रतिक्रिया समय और आवश्यक समीक्षा की मात्रा भी एक व्यावहारिक कार्यप्रवाह में मायने रख सकती है।
पृष्ठ उपस्थिति को संरक्षित करना एक अलग आउटपुट विकल्प है। एक खोजने योग्य स्कैन संबंधित टेक्स्ट के साथ एक छवि रखता है, जबकि एक नया लेआउट वाला टेक्स्ट दस्तावेज़ अलग-अलग ट्रेडऑफ़ बनाता है। किसी फ़ाइल को PDF कहा जाना आपको यह नहीं बताता है कि इसमें कौन सा प्रतिनिधित्व है। तय करें कि क्या अगले चरण को मूल दृश्य व्यवस्था, एक संपादन योग्य ट्रांसक्रिप्ट या डेटा के एक विशेष सेट की आवश्यकता है।
i2OCR में मान्यता और टेक्स्ट टूल
i2OCR चयनित भाषा के आधार पर मान्यता मोड क्लासिक और फ्यूचर के साथ छवि और PDF OCR प्रदान करता है। ये उत्पाद मोड हैं, न कि हर OCR आर्किटेक्चर की तकनीकी परिभाषाएँ। दस्तावेज़ की भाषा चुनें, फिर छवि, चयनित PDF पृष्ठ या चयनित क्षेत्र को पहचानें। एक PDF मान्यता अनुरोध एक चुने हुए पृष्ठ या क्षेत्र को संसाधित करता है।
पहचान के बाद, आप ट्रांसक्रिप्ट की समीक्षा और संपादन कर सकते हैं, स्मार्ट एडिट खोल सकते हैं या अनुवाद का अनुरोध कर सकते हैं। ये अलग-अलग उद्देश्यों वाली अलग-अलग क्रियाएं हैं। सामान्य सुधार वर्तमान परिणाम को अपडेट करते हैं; ये हस्तलेखन-प्रशिक्षण सुविधा नहीं हैं। फिर से लिखने या अनुवाद करने से पहले एक समीक्षित ट्रांसक्रिप्शन रखने से बाद के संस्करणों की स्रोत के साथ तुलना करना आसान हो जाता है।
दोनों मोड टेक्स्ट और वर्ड डाउनलोड की सुविधा देते हैं। क्लासिक का खोजने योग्य PDF पहचाने गए पेज या क्षेत्र को उसके मूल पहचान टेक्स्ट लेयर के साथ एक छवि के रूप में रखता है; बाद के टेक्स्ट संपादन उस PDF लेयर को अपडेट नहीं करते हैं। फ्यूचर का सरल PDF एक नए लेआउट में वर्तमान टेक्स्ट से उत्पन्न होता है। वह आउटपुट चुनें जो इस बात से मेल खाता हो कि आपको स्रोत का स्वरूप चाहिए या संपादित शब्दांकन।