HEIF को TXT में बदलें

यह पेज एक desktop स्थिति के लिए लिखा गया है। तस्वीरें पहले से कंप्यूटर पर हैं — फ़ोन से कॉपी की गई, gallery से export की गई — और वे दृश्य नहीं, दस्तावेज़ हैं — invoice, meter reading, हाथ से लिखा नोट।

फ़ोन पर, operating system अक्सर तस्वीर में टेक्स्ट चुनने का विकल्प देता है और किसी वेबसाइट से तेज़ होता है। Desktop पर, इस फ़ॉर्मेट में, आम तौर पर कुछ नहीं होता — system thumbnail तक नहीं दिखा सकता।

Recognition engine जो फ़ाइल दी जाए वही पढ़ता है, बिना पहले कुछ डिकोड किए। यह जान-बूझकर है — तस्वीर को canvas से पहले गुज़ारना transparency को काला कर देता — इसका मतलब है सिर्फ़ छह image reader काम में हैं — BMP, JPEG, PNG, PBM, WebP और non-animated GIF।

तो काम एक की बजाय दो रूपांतरण का है। इस साइट पर HEIF को PNG में बदलिए, फिर उस PNG से टेक्स्ट पढ़िए। पहला चरण संभालने वाला decoder recognition engine से अलग सॉफ़्टवेयर है और यह सचमुच HEIF पढ़ता है।

इस साइट पर हर दूसरी जोड़ी या काम करती है या ज़ोर से विफल होती है। तस्वीर दूसरी तस्वीर बनती है, और अगर encoder नहीं कर पाता तो error मिलता है। Recognition अलग तरह का है — यह ऐसा टेक्स्ट लौटाता है जो टेक्स्ट जैसा ही दिखता है चाहे उसने पेज पर लिखा हुआ पकड़ा हो या नहीं।

तो आउटपुट एक पढ़ाई है, transcript नहीं, और इसे मूल के मुक़ाबले जाँचना ज़रूरी है। यह छोड़ने लायक़ disclaimer नहीं — यह इस जोड़ी का सबसे अहम operational तथ्य है।

चार मॉडल उपलब्ध हैं — English, German, French, Spanish। हर एक उस भाषा के letterforms और शब्दावली पर प्रशिक्षित है, और recognition सख़्ती से आपके चुने के भीतर ही काम करता है।

ग़लत चुनाव error नहीं देता। यह उस सेट में सबसे नज़दीकी मेल देता है जिसमें सही जवाब है ही नहीं, इसलिए टेक्स्ट सहज दिखने वाला और ग़लत होता है।

Recognition इस साइट पर सबसे धीमी चीज़ है, और पहली फ़ाइल पर ज़्यादातर इंतज़ार पढ़ने का नहीं — कई megabytes WebAssembly डाउनलोड और compile करने का है।

यह क़ीमत हर भाषा के लिए एक बार चुकती है और session भर के लिए बनी रहती है, और model आपके ब्राउज़र में बाद में cache हो जाता है।

Resolution शायद ही कभी समस्या है — बारह मेगापिक्सेल किसी अक्षर के लिए काफ़ी पिक्सेल देता है। ज्यामिति और रौशनी असली समस्याएँ हैं।

पेज को सपाट फ़ोटो खींचिए, कुर्सी से नहीं, सीधे ऊपर से, और रौशनी बग़ल से आने दीजिए ताकि आपकी अपनी परछाईं टेक्स्ट पर न पड़े। ये तीनों चीज़ें इस पेज की किसी भी सेटिंग से ज़्यादा नतीजा बदलती हैं।

आउटपुट सादा टेक्स्ट है — शब्द, पढ़ने के क्रम में, लाइन breaks के साथ। कोई कॉलम नहीं, कोई table cell नहीं, कोई headings नहीं, क्योंकि एक text file में इनके लिए जगह नहीं।

कोई letter या receipt इससे अच्छी तरह गुज़रता है। दो-कॉलम वाला पेज आपस में मिल जाता है, क्योंकि पहचानने वाला किसी भी लाइन जैसी दिखने वाली चीज़ के आर-पार पढ़ता है।

गद्य माफ़ करता है। किसी वाक्य में ग़लत पढ़ा अक्षर आम तौर पर स्पष्ट रूप से ग़लत लगता है। संख्याओं में यह redundancy नहीं है — किसी राशि, account reference या तारीख़ में ग़लत अंक बिल्कुल सही जैसा दिखता है।

चूँकि जिन दस्तावेज़ों की तस्वीर खींची जाती है वे अक्सर numeric तरह के होते हैं — invoices, receipts — उपयोगी आदत है टेक्स्ट को draft मानना और हर आँकड़े को तस्वीर के मुक़ाबले जाँचना।

तस्वीर कभी अपलोड नहीं होती। जान-बूझकर किए काम से यह भी सच है — recognition library अपना worker script, WebAssembly core और भाषा model किसी third-party CDN से मँगाती है जब तक हर path override न हो।

यह फ़र्क़ इससे ज़्यादा मायने रखता है जितना पहली नज़र में लगता है। तस्वीर वैसे भी कभी नहीं जाती, पर किसी payslip पढ़ने वाले को यह किसी content network को घोषित नहीं होना चाहिए।

Text file एक derivative है और कभी-कभी ग़लत हो सकती है, इसलिए मूल HEIF ही रिकॉर्ड है। यह यहाँ अपरिवर्तनीय भी है — यह साइट फ़ॉर्मेट पढ़ सकती है, लिख नहीं सकती।

अगर दस्तावेज़ मायने रखता है, दोनों रखिए, और तस्वीर को PDF में भी बदलने पर विचार कीजिए ताकि साथ में एक पढ़ने लायक़ पेज हो।