हाथ से लिखे पन्ने की फोटो लीजिए, उसे विज़न मॉडल को दीजिए और ऐसा डिजिटल टेक्स्ट पाइए जिसमें आप खोज सकें, बदलाव कर सकें और कहीं भी चिपका सकें। शब्दशः नकल माँगिए, संदिग्ध शब्दों पर निशान लगवाइए, और भरोसा करने से पहले नाम और संख्याएँ मूल पन्ने से मिलाइए।
आपके पास हाथ से लिखे पन्नों से भरी एक कॉपी है और उसे दोबारा टाइप करने का मन नहीं है। विज़न वाला भाषा मॉडल पन्ने की फोटो देखकर आपको डिजिटल टेक्स्ट लौटा सकता है, जिसमें आप खोज सकते हैं, बदलाव कर सकते हैं और कहीं भी चिपका सकते हैं। वह पूरी पंक्तियाँ और हर शब्द का संदर्भ पढ़ता है, इसीलिए वह अक्सर उन लिखावटों को भी संभाल लेता है जिन्हें पुराना कैरेक्टर रिकग्निशन छोड़ देता था। वह परफेक्ट नहीं है, और काम की बात यह जानना है कि कहाँ जाँच करनी है।
हाथ से लिखना जल्दी हो जाता है, पर उसका इस्तेमाल धीमा होता है। मीटिंग के नोट्स का एक पन्ना, दादा-दादी की लिखावट में एक रेसिपी या विचारों से भरा व्हाइटबोर्ड, सब एक इमेज के अंदर बंद रहते हैं: आप उसमें खोज नहीं सकते, उसे ईमेल में चिपका नहीं सकते और एक छोटी गलती सुधारने के लिए भी सब दोबारा नहीं कर सकते। दोबारा टाइप करने में लगभग उतना ही समय लगता है जितना लिखने में लगा था, इसलिए ज़्यादातर पन्नों के साथ यह कभी होता ही नहीं।
विज़न वाला भाषा मॉडल इस काम को बदल देता है। आप उसे एक फोटो और एक निर्देश देते हैं, और वह जो शब्द देखता है उन्हें सादे टेक्स्ट में लौटा देता है। पुराने OCR टूल अलग-अलग अक्षरों के आकार मिलाते थे। ये मॉडल पूरी पंक्ति को एक साथ पढ़ते हैं, इसलिए सार्थक शब्द के बीच का धुंधला अक्षर अक्सर संदर्भ से सुलझ जाता है। वे फ़ॉर्मैट के निर्देश भी मानते हैं, इसलिए वही फोटो आपकी माँग के अनुसार साफ अनुच्छेद, बुलेट सूची या तालिका बनकर लौट सकती है।
Picasso IA इन मॉडलों को toolkit में बाकी सबके बगल में रखता है, इसलिए कुछ इंस्टॉल नहीं करना पड़ता। कैटलॉग में 75 बड़े भाषा मॉडल हैं, और जो मॉडल इमेज स्वीकार करते हैं, जैसे GPT-4o और Gemini 3 Flash, वे किसी पन्ने की फोटो पढ़ सकते हैं। नए खातों को मुफ़्त क्रेडिट मिलते हैं, जो इतना काफी है कि आप अपना एक पन्ना आज़माकर तय कर सकें कि पूरी कॉपी के लिए यह मेहनत सही है या नहीं।
मॉडल वही पढ़ सकता है जो कैमरे ने पकड़ा, इसलिए ज़्यादातर नाकाम ट्रांसक्रिप्शन फोटो की समस्या होते हैं, मॉडल की नहीं। कुछ आदतें इनमें से ज़्यादातर को हटा देती हैं।
पन्ने के ठीक ऊपर से फोटो लीजिए, तिरछे कोण से नहीं, ताकि पंक्तियाँ समानांतर रहें और अक्षरों का अनुपात बना रहे। दिन की रोशनी या एक तरफ़ रखे लैंप का इस्तेमाल कीजिए, और कागज़ पर अपनी परछाईं का ध्यान रखिए। फ्रेम को पन्ने से भरिए, पर एक पतला हाशिया छोड़ दीजिए ताकि किनारे के शब्द न कटें। एक फोटो में एक पन्ना: मुड़ी हुई जिल्द वाले दो पन्ने पंक्तियों को टेढ़ा कर देते हैं, और मोड़ के पास के शब्द सबसे पहले गलत होते हैं।
अगर लिखावट हल्की है, जैसे पेंसिल, हल्का जेल पेन या पुराना कागज़, तो अपलोड से पहले फोन के फोटो एडिटर में कंट्रास्ट बढ़ाइए। अगर फोन के फोकस ढूँढने में फोटो धुंधली आई है, तो उसे बचाने की जगह दोबारा खींचिए; धुंधली फोटो वाला पेज बताता है कि एन्हांस मॉडल क्या वापस ला सकता है, पर साफ फोटो किसी भी मरम्मत से बेहतर है। Gemini 3 Flash एक अनुरोध में दस तक इमेज लेता है, हर एक 7 MB तक, इसलिए पन्नों का छोटा ढेर एक ही बार में जा सकता है, हालाँकि एक बार में एक पन्ना होने से गलतियों का पीछा करना आसान रहता है।
हर पन्ने को एक ही निर्देश नहीं चाहिए। साफ छपे अक्षरों की नकल शब्दशः हो सकती है, जबकि तेज़ चलती लिखावट को ऐसी माँग से फ़ायदा होता है जो मॉडल को अनिश्चित शब्दों पर निशान लगाने दे। यह तालिका आम मामलों को इस बात से जोड़ती है कि क्या माँगें और बाद में क्या जाँचें।
| लिखावट | क्या माँगें | बाद में क्या जाँचें |
|---|---|---|
| साफ छपे हुए अक्षर | शब्दशः ट्रांसक्रिप्शन, पंक्ति दर पंक्ति, बिना सुधार के | संख्याएँ और व्यक्तिवाचक नाम |
| रोज़ की जुड़ी हुई लिखावट | अस्पष्ट शब्द वर्गाकार कोष्ठक में रखकर ट्रांसक्रिप्शन | कोष्ठक वाले शब्द और मिलते-जुलते अक्षर |
| तेज़ क्लास या मीटिंग नोट्स | पहले शब्दशः टेक्स्ट, फिर अलग से साफ किया हुआ संस्करण | वे संक्षेप जिन्हें मॉडल ने अपने अंदाज़ से खोल दिया |
| फ़ॉर्म और भरे हुए खाने | खाने के नाम और मान की जोड़ियाँ सूची में | तारीखें, फोन नंबर, कोड और रकम |
| हाशिये के नोट और कटी हुई पंक्तियाँ | पहले मुख्य टेक्स्ट, हाशिये के नोट अलग सूची में, कटे हुए शब्द छोड़कर | कहीं कोई ऐसा कटा शब्द तो नहीं छूटा जो आपको चाहिए था |
साझा सूत्र यह है कि किसी भी सफाई से पहले शब्दशः एक दौर माँगा जाए। भरोसेमंद ट्रांसक्रिप्शन हाथ में आ जाए तो आप दूसरे चरण में सारांश, पुनर्लेखन या अनुवाद माँग सकते हैं, और मूल शब्द तुलना के लिए पास रहते हैं। अगर आपके नोट्स किसी भाषण से आए हैं, तो लेक्चर नोट्स वाला पेज उसी काम का ऑडियो वाला हिस्सा बताता है।
यह Picasso IA पर शुरू से अंत तक का तरीका है। यह मानकर चलता है कि आपके पास एक फोटो खींचा हुआ पन्ना और कुछ खाली मिनट हैं।
सबसे काम का बदलाव यह है कि मॉडल को बताइए कि शक होने पर क्या करना है। अकेला छोड़ देने पर भाषा मॉडल खाली जगह को सबसे संभावित शब्द से भर देता है, खाली जगह मानने की जगह, और चुपचाप गलत चिकना ट्रांसक्रिप्शन ईमानदार प्रश्नचिह्नों वाले खुरदरे ट्रांसक्रिप्शन से बुरा है।
तीन निर्देश मदद करते हैं। वर्तनी या व्याकरण के सुधार के बिना शब्दशः नकल माँगिए, ताकि आपकी अपनी लिखने की आदतें बची रहें। अनिश्चित शब्दों पर कोष्ठक या प्रश्नचिह्न से निशान लगाने को कहिए। और एक पंक्ति में संदर्भ दीजिए: यह किराने की सूची है, भौतिकी की क्लास है, या पुर्तगाली में लिखा पत्र है। संदर्भ शब्दावली को सीमित करता है, इसलिए जो शब्द दो चीज़ें हो सकता है वह उस ओर सुलझता है जो विषय से मेल खाती है। किसी दूसरी भाषा के लेखन के लिए भाषा का नाम बताइए, क्योंकि अंदाज़ा लगाने वाला मॉडल कभी-कभी गलत अंदाज़ा लगा लेता है।
सुझाव: ट्रांसक्रिप्शन को एक बार फोटो देखे बिना पढ़िए, फिर एक बार फोटो के साथ। पहले दौर में वे वाक्य पकड़ में आते हैं जिनका कोई मतलब नहीं बनता; दूसरे में वे वाक्य जिनका मतलब बनता है पर जो कुछ और कहते हैं, जैसे फोन नंबर में बदला हुआ कोई अंक।
जब किसी पन्ने पर ज़्यादा दाँव हो, तो उसे दो मॉडलों से गुज़ारिए। जहाँ दोनों सहमत हों वहाँ आमतौर पर निश्चिंत हुआ जा सकता है, और जहाँ अलग हों वहाँ आप खुद फोटो देखते हैं। यह असहमति उन गिने-चुने शब्दों को ढूँढने का सस्ता तरीका है जिन पर आपका ध्यान जाना चाहिए।
चिट्ठियों से भरा जूतों का डिब्बा इसे थमाने से पहले, ये वे पाँच जगहें हैं जहाँ नतीजे को अब भी इंसान की ज़रूरत है।
इस सबसे यह औज़ार बुरा दाँव नहीं बन जाता। यह एक तेज़ पहला मसौदा बन जाता है जिसे आप जाँचते हैं, ऐसा स्कैनर नहीं जिस पर आप आँख मूँदकर भरोसा करें।
अक्सर हाँ। विज़न वाला भाषा मॉडल इमेज देखता है और जो शब्द पहचानता है उन्हें लौटाता है, अस्पष्ट अक्षरों को सुलझाने के लिए आसपास के वाक्य का सहारा लेता है। सपाट और अच्छी रोशनी वाले पन्ने पर साफ लिखावट आमतौर पर अच्छी हालत में निकलती है, जबकि जल्दबाज़ी या सिकुड़ी हुई लिखावट में ज़्यादा गलतियाँ होती हैं। हर ट्रांसक्रिप्शन को फोटो से मिलाकर जाँचने की योजना रखिए, क्योंकि मॉडल बिना हिचक दिखाए भी गलत हो सकता है।
ऐसा बड़ा भाषा मॉडल चुनिए जो इमेज स्वीकार करता हो। GPT-4o और Gemini 3 Flash दोनों करते हैं, और दोनों Picasso IA के toolkit में हैं। हर लिखावट के लिए कोई एक विजेता नहीं है, क्योंकि नतीजे लिखावट और फोटो के साथ बदलते हैं, इसलिए वही पन्ना दो मॉडलों से गुज़ारिए और तुलना कीजिए। कैटलॉग में और भाषा मॉडल भी हैं, और हर मॉडल का पेज बताता है कि वह इमेज इनपुट लेता है या नहीं।
काम वही है, लिखावट की इमेज को टेक्स्ट में बदलना, पर तरीका अलग है। पारंपरिक OCR टूल अक्षरों के आकार मिलाते हैं और छपे टेक्स्ट पर सबसे अच्छा चलते हैं। विज़न वाले भाषा मॉडल पंक्तियों को संदर्भ में पढ़ते हैं और निर्देश मानते हैं, इसलिए आप अस्पष्ट शब्दों के आसपास कोष्ठक या कोई खास फ़ॉर्मैट माँग सकते हैं। इसकी कीमत यह है कि वे ऐसा विश्वसनीय शब्द बना सकते हैं जो पन्ने पर है ही नहीं, और इसीलिए जाँच मायने रखती है।
एकसमान रोशनी में, बिना परछाईं के और पूरे पन्ने को फोकस में रखकर, एक ही पन्ने की सीधे ऊपर से फोटो लीजिए। स्याही हल्की हो तो कंट्रास्ट बढ़ाइए और मेज़ तथा पन्ने के आसपास की हर चीज़ क्रॉप कर दीजिए। फिर मॉडल को एक पंक्ति का संदर्भ दीजिए, जैसे पन्ना क्या है और किस भाषा में है। अच्छी फोटो और साफ निर्देश मॉडल बदलने से ज़्यादा नतीजे सुधारते हैं।
अक्सर, छपे अक्षरों से ज़्यादा गलतियों के साथ। जुड़ी लिखावट अक्षरों को जोड़ देती है, इसलिए मिलते-जुलते जोड़े सामान्य परेशानी की जगह बन जाते हैं। अस्पष्ट शब्दों पर कोष्ठक में निशान लगवाइए और उन्हें पहले जाँचिए। अगर कोई मॉडल किसी पन्ने पर अटक जाए, तो हार मानने से पहले दूसरा आज़माइए, और सुधारते समय फोटो को ट्रांसक्रिप्शन के बगल में रखिए।
कई भाषा मॉडल कई भाषाएँ संभालते हैं, पर सटीकता भाषा और लिपि के अनुसार बदलती है। बताइए कि पन्ना किस भाषा में है ताकि मॉडल अंदाज़ा न लगाए, और जब लेखन में मात्राएँ, उच्चारण चिह्न या ऐसी लिपि हो जिसे मॉडल कम देखता है, तब जाँच में ज़्यादा सख्त रहिए। अगर आपको टेक्स्ट का अनुवाद भी चाहिए, तो पहले ट्रांसक्रिप्शन और अनुवाद अलग चरण में माँगिए।
कुछ मॉडल एक अनुरोध में एक से ज़्यादा इमेज लेते हैं। Gemini 3 Flash दस तक इमेज लेता है, हर एक 7 MB तक। जो चीज़ मायने रखती है उसके लिए एक अनुरोध में एक पन्ना जाँचना आसान है, क्योंकि आप ठीक जानते हैं कि किस फोटो से कौन-सा टेक्स्ट आया। जल्दी वाले नोट्स के लिए, जिन्हें आप बस पलटना चाहते हैं, छोटा बैच ठीक है, और जाँच पूरी होने तक मूल पन्ने रखिए।
बिना जाँचे नहीं। जो नाम मॉडल ने कभी नहीं देखा वह किसी जाने-पहचाने नाम से बदल जाता है, और दूसरे जैसा दिखने वाला अंक गलत पढ़ लिया जाता है, दोनों में बिना चेतावनी के। इस्तेमाल से पहले हर नाम, तारीख, फोन नंबर और रकम को फोटो से मिलाइए, और वित्तीय, कानूनी या चिकित्सा से जुड़ी हर चीज़ को ऐसी मानिए जिसे किसी योग्य व्यक्ति को देखना चाहिए।
यह आपका फ़ैसला है, और सोच-समझकर लेना चाहिए। फोटो पढ़े जाने के लिए एक मॉडल को जाती है, इसलिए वह सब छोड़ दीजिए जिसे किसी ऑनलाइन सेवा को भेजने में आप सहज न हों, जैसे पहचान संख्याएँ या दूसरे लोगों का निजी ब्योरा। अगर आपके डेटा के संचालन को लेकर सवाल हैं, तो सपोर्ट पेज पूछने की सही जगह है, और संवेदनशील हिस्से को छिपाने वाली क्रॉपिंग अक्सर समस्या सुलझा देती है।
रन क्रेडिट से चुकाए जाते हैं, और खर्च आपके चुने मॉडल और सेटिंग पर निर्भर करता है। भाषा मॉडल का टेक्स्ट जवाब आमतौर पर इमेज या वीडियो जनरेशन की तुलना में छोटा होता है, हालाँकि सटीक आँकड़ा बदलता है। नए खाते मुफ़्त क्रेडिट से शुरू होते हैं, जो आपके पन्ने आज़माने के लिए काफी हैं। मौजूदा प्लान के लिए कीमतों का पेज देखिए, क्योंकि यहाँ लिखे आँकड़े पुराने पड़ जाएँगे।
अपनी कॉपी से एक पन्ना लीजिए, उसकी फोटो खींचिए और आज ही Picasso IA के toolkit में चलाइए। एक असली पन्ना किसी भी विवरण से ज़्यादा तेज़ी से बता देगा कि यह आपकी लिखावट पर फिट बैठता है या नहीं।
अपनी भाषा चुनें
