تبدیل عکس به متن فارسی با هوش مصنوعی؛ آموزش OCR فارسی با آزمایش واقعی

جواب کوتاه: از متن یک عکس صاف و پرنور بگیرید، آن را برای یک دستیار هوش مصنوعی بفرستید و بنویسید «متن این عکس را کامل و دقیقاً همان‌طور که هست بنویس». مدل‌های امروزی متن چاپی فارسی را تقریباً بی‌غلط می‌خوانند و حتی جدول را هم جدول تحویل می‌دهند؛ فقط عددها و تاریخ‌ها را یک بار با عکس اصلی مقایسه کنید.

در این راهنما می‌خوانید تبدیل عکس به متن با هوش مصنوعی چه فرقی با OCR قدیمی دارد، نتیجهٔ آزمایش ما روی یک جزوه، یک عکس موبایلی کج و یک فاکتور را می‌بینید، مراحل کار را قدم‌به‌قدم یاد می‌گیرید و با گوگل درایو به‌عنوان یک راه دیگر آشنا می‌شوید. آزمایش و بررسی منابع در ۱۵ مهر ۱۴۰۵ انجام شده است.

تبدیل عکس به متن با هوش مصنوعی چطور کار می‌کند؟

به خواندن خودکار متن از روی عکس «OCR» می‌گویند. ابزارهای OCR قدیمی حرف‌به‌حرف شکل‌ها را تشخیص می‌دادند و با فارسی، که حروفش به هم می‌چسبند و نقطه‌های زیادی دارد، زیاد اشتباه می‌کردند. مدل‌های هوش مصنوعی امروز عکس را مثل یک انسان «می‌بینند»: کلمه را در جمله می‌فهمند، عنوان را از متن جدا می‌کنند و ساختار جدول را هم تشخیص می‌دهند.

نتیجه این است که خروجی معمولاً متنی مرتب و قابل ویرایش است، نه مجموعه‌ای از حروف به‌هم‌ریخته. بعد از آن هم می‌توانید از همان دستیار بخواهید متن را خلاصه کند، غلط‌گیری کند یا ترجمه کند. اگر هدف‌تان ترجمهٔ متن داخل عکس است، آموزش ترجمه عکس با هوش مصنوعی را ببینید.

کارهایی که با تبدیل عکس به متن راحت می‌شود:

• تایپ‌کردن جزوه، خلاصهٔ درس یا صفحه‌ای از کتاب
• برداشتن متن فاکتور، رسید و قبض برای حساب‌وکتاب
• کپی‌کردن متن از اسکرین‌شات، اطلاعیه یا پوستر
• بیرون‌کشیدن جدول از عکس برای ادامهٔ کار روی آن

آزمایش ما: سه عکس فارسی، سه نتیجه

سه عکس با متن فارسی چاپی ساختیم و در ۱۵ مهر ۱۴۰۵ هر کدام را از طریق API به مدل GPT-6 Luna اوپن‌ای‌آی (OpenAI) دادیم. عکس اول یک جزوهٔ تمیز دربارهٔ فتوسنتز بود، عکس دوم همان جزوه به شکل یک عکس موبایلی کج، کمی تار و با سایه، و عکس سوم فاکتور یک کتاب‌فروشی با جدول قیمت. درخواست ما برای دو عکس اول این بود: «متن این عکس را کامل و دقیقاً همان‌طور که هست بنویس؛ چیزی اضافه یا کم نکن.»

یک آزمایش دیگر هم روی همان فاکتور کردیم و خواستیم قیمت‌ها را جمع بزند. مدل ستون قیمت را «قیمت واحد» فرض کرد، آن را در تعداد ضرب کرد و گفت جمع با «جمع کل» نمی‌خواند؛ بعد خودش اضافه کرد که جمع سادهٔ ستون همان عدد فاکتور است. یعنی مدل درست حساب کرد، اما معنی ستون را حدس زد.

دو درس از این آزمایش: کیفیت عکس روی عددها بیشتر از کلمه‌ها اثر می‌گذارد، و اگر از مدل محاسبه می‌خواهید، بگویید هر ستون چه معنایی دارد. متن کامل جواب‌ها در آرشیو آزمایش ما ثبت شده است.

آموزش تبدیل عکس به متن فارسی قدم‌به‌قدم

این مراحل را با باهوش توضیح می‌دهیم که از داخل ایران و بدون فیلترشکن کار می‌کند و درک عکسش با مدل‌های GPT اوپن‌ای‌آی انجام می‌شود؛ همهٔ کارهایی را که با عکس می‌شود کرد در صفحهٔ تبدیل عکس به متن با هوش مصنوعی می‌بینید. در هر دستیار دیگری که عکس می‌پذیرد هم مراحل تقریباً همین است.

۱. باهوش را باز کنید

روی اندروید اپلیکیشن باهوش را از گوگل پلی یا فایل مستقیم نصب کنید؛ روی آیفون و کامپیوتر نسخهٔ وب را در مرورگر باز کنید (شروع در مرورگر). ورود با شمارهٔ موبایل ایرانی انجام می‌شود.

۲. از متن عکس بگیرید

گوشی را موازی با کاغذ نگه دارید، طوری که کل متن در کادر باشد و سایهٔ دست یا گوشی روی آن نیفتد. اگر صفحه بزرگ است، آن را در دو عکس بگیرید تا حروف درشت‌تر دیده شوند.

۳. عکس را بفرستید و درخواست را بنویسید

در گفتگو دکمهٔ افزودن عکس را بزنید، عکس را انتخاب کنید و بنویسید: «متن این عکس را کامل و دقیقاً همان‌طور که هست بنویس». برای جدول بنویسید «ردیف‌ها را به شکل جدول نگه دار». چند ثانیه بعد متن در همان گفتگو ظاهر می‌شود.

۴. عددها و اسم‌ها را بازبینی کنید

متن را یک بار با عکس مقایسه کنید؛ مخصوصاً تاریخ، مبلغ، شماره تلفن و اسم‌های خاص. اگر جایی ناخوانا بود، همان بخش را با یک عکس نزدیک‌تر دوباره بفرستید.

۵. متن را کپی کنید یا ادامه دهید

متن را کپی کنید و هرجا لازم دارید بچسبانید. می‌توانید در همان گفتگو بخواهید متن را خلاصه کند، نیم‌فاصله‌ها را درست کند، از آن سؤال امتحانی بسازد یا شکست خط‌های اضافه را بردارد.

نکته‌هایی برای استخراج دقیق‌تر متن از عکس

1. نور یکنواخت: نور روز یا چراغ سقفی بهتر از فلاش است؛ فلاش روی کاغذ براق لکهٔ سفید می‌اندازد.
2. عکس صاف و نزدیک: در آزمایش ما فقط عکس کج و تار در عددها اشتباه داشت؛ کادر را پر کنید و عکس را صاف بگیرید.
3. درخواست صریح: عبارت «دقیقاً همان‌طور که هست؛ چیزی اضافه یا کم نکن» جلوی بازنویسی و خلاصه‌کردن را می‌گیرد.
4. متن چاپی بهترین نتیجه را می‌دهد: دست‌نویس خوش‌خط هم خوانده می‌شود، اما آن را یک بار کامل با اصل مقایسه کنید.
5. چند صفحه، چند پیام: برای جزوهٔ چندصفحه‌ای هر صفحه را جدا بفرستید یا آن را به PDF تبدیل کنید؛ در باهوش فایل PDF تا ۵ مگابایت پذیرفته می‌شود. برای ترجمهٔ همان فایل، ترجمه PDF با هوش مصنوعی را ببینید.
6. معنی جدول را بگویید: اگر محاسبه می‌خواهید، بنویسید هر ستون چیست، مثلاً «ستون قیمت، قیمت کل هر ردیف است».

راه دیگر: تبدیل عکس به متن با گوگل درایو

اگر حساب گوگل دارید، گوگل درایو (Google Drive) هم عکس را به متن تبدیل می‌کند و طبق صفحهٔ راهنمای گوگل، فارسی جزو زبان‌های پشتیبانی‌شدهٔ آن است. روی کامپیوتر فایل را در درایو آپلود کنید، روی آن راست‌کلیک کنید و Open with و بعد Google Docs را بزنید؛ یک سند تازه با عکس و متن استخراج‌شده زیر آن ساخته می‌شود.

گوگل چند شرط برای این روش گذاشته است: فایل PDF یا عکس JPEG، PNG یا GIF باشد و حجمش از ۲ مگابایت بیشتر نشود، ارتفاع حروف دست‌کم ۱۰ پیکسل باشد و عکس سروته نباشد. خود گوگل می‌گوید فهرست‌ها، جدول‌ها و ستون‌ها احتمالاً تشخیص داده نمی‌شوند؛ پس برای فاکتور و جدول، دستیارهای هوش مصنوعی که جدول را حفظ می‌کنند انتخاب بهتری‌اند.