JPG को TXT में बदलें

यह इंजन आकृतियाँ देखता है और तय करता है कि वे कौन-से अक्षर हैं। उसे यह पता नहीं होता कि दस्तावेज़ असल में क्या कहता है, और वह यह भी नहीं बता सकता कि किस जगह उसे कितना यक़ीन था — इसलिए नतीजा हमेशा एक जैसा भरोसेमंद दिखता है, चाहे उसमें ग़लती हो या न हो।

यही वह बात है जो नतीजे को पढ़ने से पहले जान लेनी चाहिए। इसे मूल फ़ोटो से मिलाकर पढ़िए, ख़ासकर अंकों को — किसी क़ीमत, खाता संख्या या तारीख़ में ग़लत पढ़ा गया एक अंक ठीक वही ग़लती है जो सरसरी नज़र में बच निकलती है।

किसी सेटिंग से कहीं ज़्यादा असर तस्वीर का होता है। सीधी, अच्छी रोशनी में और फ़ोकस में खींची गई छपी हुई लिखावट लगभग सही निकलती है। कोण से खींचा गया, छाया वाला, थोड़ा धुँधला या असामान्य टाइपफ़ेस वाला पन्ना ग़लतियाँ देता है।

तो असली फ़ायदा कैमरे से मिलता है, कन्वर्टर से नहीं — पन्ने को सीधा पकड़िए, ऊपर से सीधे नीचे की ओर खींचिए, बग़ल से रोशनी लीजिए न कि पीछे से, और छूकर फ़ोकस कीजिए। इसमें दिए दस सेकंड बाद की किसी भी प्रोसेसिंग से ज़्यादा काम आते हैं।

यह वह सेटिंग है जिसे लोग सबसे ज़्यादा छोड़ देते हैं। पहचानने वाला इंजन आकृतियों को किसी एक भाषा के अक्षरों और शब्दावली से मिलाता है, और ग़लत भाषा दिए जाने पर वह असफल नहीं होता — वह भरोसेमंद दिखने वाली बकवास दे देता है, क्योंकि वह ग़लत शब्दकोश के भीतर ही सबसे नज़दीकी मेल ढूँढ रहा होता है।

अगर नतीजा किसी अजीब तरीक़े से टूटा-फूटा लगे, तो सबसे पहले यही जाँचिए — बदलने के बाद भाषा बदलने का कोई तरीक़ा नहीं, दोबारा चलाना ही पड़ता है।

यहाँ अंग्रेज़ी, जर्मन, फ़्रेंच और स्पैनिश के मॉडल हैं, तयशुदा अंग्रेज़ी है। कोई और भाषा चुनने पर वह चुपचाप अंग्रेज़ी पर वापस आ जाती है, कोई चेतावनी नहीं आती।

हिंदी या किसी और लिपि वाले पन्ने के लिए यहाँ कोई मॉडल नहीं है, इसलिए ऐसे दस्तावेज़ पर नतीजा शुरू से ही भरोसे लायक़ नहीं होगा।

यह पहचान छपी हुई लिखावट के लिए बनी है, जहाँ हर अक्षर की कुछ हज़ार संभावित शक्लें ही होती हैं। हाथ की लिखावट में हर व्यक्ति अलग शक्ल बनाता है, और वही व्यक्ति अलग दिन अलग शक्ल बनाता है।

साफ़, अलग-अलग बड़े अक्षरों में लिखा कभी-कभी काम कर जाता है। सामान्य जुड़ी हुई लिखावट लगभग नहीं, और नतीजा असली शब्दों जैसा दिखता है — जो ग़लत होने से भी बुरा है, क्योंकि वह भरोसा जगाता है।

जो मिलता है वह सादा टेक्स्ट है — कोई कॉलम नहीं, कोई तालिका नहीं, पन्ने पर चीज़ों की जगह की कोई याद नहीं। एक कॉलम वाली चिट्ठी क्रम में वापस आती है, दो कॉलम वाला पन्ना कॉलम आपस में गुँथकर आ सकता है।

फ़ॉर्म सबसे मुश्किल मामला है — लेबल और मान एक-दूसरे से सटकर आते हैं, और यह समझना मुश्किल हो जाता है कि कौन-सा किसका जवाब था। ऐसे मामलों में एक बार में एक ही खाना फ़ोटो खींचना ज़्यादा काम आता है।

पहचानने वाला इंजन, उसका WebAssembly कोर और भाषा का मॉडल — तीनों इसी साइट से परोसे जाते हैं, किसी बाहरी CDN से नहीं। पहली बार चलाने पर यह मॉडल IndexedDB में सहेज लिया जाता है, इसलिए अगली बार वह दोबारा नहीं उतरता।

यह इसलिए मायने रखता है क्योंकि किसी बाहरी सर्वर से मॉडल माँगना ख़ुद यह बता देता है कि आप किसी दस्तावेज़ को पढ़ रहे हैं — भले ही तस्वीर वहाँ न जाए।

टेक्स्ट पहचान बाक़ी हर इंजन से कहीं ज़्यादा धीमी है, क्योंकि यह किसी सर्वर फ़ार्म पर नहीं, आपके ही प्रोसेसर पर चलती है। पहली बार चलाने में इंजन और मॉडल उतरने का समय भी जुड़ जाता है।

एक पन्ना सेकंडों में तैयार होता है, मिलीसेकंडों में नहीं। फ़ोल्डर बदलते समय हर फ़ाइल पर उतना ही समय लगता है, एक के बाद एक।

पहचान इसी ब्राउज़र टैब में, आपके ही प्रोसेसर पर होती है। फ़ोटो कभी अपलोड नहीं होती, इसलिए न कोई सर्वर पर बची प्रति है, न कोई रखने की अवधि पूछने लायक़, न कोई खाता।

लोग जो फ़ोटो खींचते हैं वे अक्सर रसीदें, चिट्ठियाँ, नुस्ख़े और दस्तख़त वाले काग़ज़ होते हैं — किसी होस्टेड सेवा के मुक़ाबले यहाँ यही असली फ़र्क़ है, कोई मामूली सुविधा नहीं। नेटवर्क टैब खोलकर देखना ही इसकी सबसे ईमानदार जाँच है।