تبدیل عکس به متن با هوش مصنوعی؛ ۵ ابزار برای استخراج متن فارسی

تصور کنید چند صفحه از یک کتاب، جزوه دانشگاه، برگه کاری یا یک اسکرین‌شات روی گوشی دارید و قرار است متن داخلش را در جایی کپی کنید. تبدیل عکس به متن دقیقا برای حل همین مشکل ساخته شده است. ابزارهای OCR نوشته‌های درون یک تصویر را تشخیص داده و آن‌ها را به متن قابل انتخاب، جست‌وجو و ویرایش تبدیل می‌کنند. با ورود مدل‌های هوش مصنوعی، ابزارهایی مانند چت جی‌پی‌تی، جمنای و کلاد هم از پس این کار بر می‌آیند.

تبدیل عکس به متن با هوش مصنوعی چگونه انجام می‌شود؟

فناوری‌ای که برای خواندن نوشته‌های درون عکس استفاده می‌شود، با نام OCR یا به شکل کامل Optical Character Recognition شناخته می‌شود. ایده اصلی این است که برنامه ابتدا بخش‌هایی از تصویر را که احتمال می‌دهد متن باشند می‌یابد، شکل حروف و کلمات را بررسی می‌کند و در نهایت چیزی را که دیده است به کاراکترهای قابل استفاده تبدیل می‌کند.

البته زبان‌های فارسی و عربی به‌دلیل راست‌به‌چپ بودن، اتصال حروف، تغییر شکل بعضی حروف در موقعیت‌های مختلف کلمه و شباهت ظاهری برخی حروف، برای سیستم‌های تشخیص متن مسئله ساده‌ای نیستند. حتی نیم‌فاصله که در یک متن فارسی معمولی به چشم نمی‌آید، برای OCR می‌تواند دردسرساز باشد.

هوش مصنوعی مولد در این جا به کمک ما می‌آید. در این روش، شما عکس را در اختیار یک مدل قرار می‌دهید و از آن می‌خواهید متن داخل تصویر را در اختیارتان قرار دهد. این مدل تنها حروف را نمی‌بیند و می‌تواند در مورد ساختار صفحه، عناوین، جدول‌ها و ارتباط بخش‌های مختلف تصویر هم صحبت کند. برای همین، می‌توانید بعد از استخراج از آن مدل بخواهید متن را مرتب کند یا تنها یک بخش مشخص را برایتان بیرون بکشد.

بهترین برنامه‌ها برای تبدیل عکس به متن فارسی

انتخاب بهترین برنامه تبدیل عکس به متن فارسی بستگی به کاری دارد که می‌خواهید انجام دهید. اگر سرعت بالا در تبدیل عکس به متن می‌خواهید، گوگل لنز (Google Lens) انتخاب خوبی است. از سوی دیگر اگر جدا از استخراج متن می‌خواهید هوش مصنوعی آن را مرتب، خلاصه یا بازنویسی هم کند، ChatGPT، Gemini و Claude امکانات بیشتری به شما خواهد داد.

تبدیل عکس به متن با ChatGPT

در نسخه‌های فعلی اپلیکیشن ChatGPT می‌توانید تصویر را به گفت‌وگو اضافه کنید و از مدل بخواهید محتوای آن را بخواند یا متن درون تصویر را استخراج کند. قابلیت ورود تصویر در نسخه‌های وب و موبایل در دسترس است و کاربران رایگان هم با توجه به محدودیت‌های حساب خود می‌توانند از آن استفاده کنند.

مراحل تبدیل تصویر به متن در چت جی‌پی‌تی

• ابتدا در گوشی خود و اپلیکیشن ChatGPT روی علامت + بزنید و گزینه افزودن عکس و فایل را انتخاب کنید.
• حالا درخواست خود را دقیق به هوش مصنوعی بدهید. مثلا به جای این که تنها بگویید «این عکس را به متن تبدیل کن»، بنویسید:
• متن داخل این تصویر را کامل استخراج کن. متن را خلاصه یا بازنویسی نکن، ترتیب پاراگراف‌ها را حفظ کن و تا جای ممکن علائم نگارشی و نیم‌فاصله‌های فارسی را هم نگه دار.
• بعد از استخراج متن از ChatGPT، کارتان تمام نمی‌شود و می‌توانید مثلا بگویید ایرادات احتمالی را برطرف کن، تیترها را جدا کن یا این متن را برای قرار گرفتن در فایل Word مرتب کن.

تبدیل عکس به متن با Gemini

اپلیکیشن جمنای هم امکان دریافت تصویر و فایل را دارد و می‌توانید تصویر را مستقیم در گفت‌وگو قرار دهید. سپس از آن بخواهید نوشته‌های درون تصویر را استخراج کند. در نسخه اندروید، با انتخاب Add files می‌توانید از گالری، دوربین یا فایل‌های موجود روی گوشی، تصویر را وارد کنید. بعد از انتخاب عکس هم باید درخواست خود را روشن بنویسید؛ مثل جمله زیر:

تمام متن فارسی موجود در این تصویر را بدون خلاصه‌سازی و بدون تغییر استخراج کن.

Gemini برای وقتی که تصویر تنها قرار نیست به متن تبدیل شود، کاربرد بیشتری دارد. مثلا می‌توانید تصویر یک صفحه جزوه را بارگذاری کنید و بعد از استخراج متن، از آن بخواهید نکات مهم را جدا کند یا محتوای صفحه را به زبان ساده توضیح دهد.

تبدیل عکس به متن با Claude

هوش مصنوعی Claude نیز از بارگذاری تصویر پشتیبانی می‌کند و محتوای یک تصویر، جدول، نمودار یا سند را تحلیل می‌کند. روش کار نیز بسیار ساده است؛ باید تصویر را به گفت‌وگو اضافه کرده و سپس از آن بخواهید تنها متن را استخراج کند. برای متن فارسی، از همان ابتدا تعیین کنید که خروجی را به فارسی و بدون خلاصه‌سازی می‌خواهید. اپلیکیشن رسمی Claude by Anthropic هم در مایکت موجود است و امکان تحلیل تصویر و فایل را در خود دارد.

تبدیل عکس به متن با Google Lens

گوگل لنز برای این کار از همان اول کاربرد مستقیم‌تری داشته است. این ابزار، متن داخل عکس را می‌شناسد و می‌توانید آن را انتخاب کنید و سپس کپی بگیرید. جهت استفاده باید تصویر را در Google Lens باز کرده یا تصویر مورد نظر را به آن بدهید. سپس بخش Text یا انتخاب متن را باز کنید. متون شناسایی‌شده توسط برنامه قابل انتخاب هستند و می‌توانید به سادگی آن‌ها را کپی کنید.

مزیت کار با گوگل لنز چیست؟

ویژگی مثبت Google Lens این است که برای یک کار ساده، به نوشتن پرامپت نیازی ندارید. مثلا اگر روی یک برگه شماره‌ای نوشته شده و فقط می‌خواهید آن را کپی کنید، گوگل لنز خیلی سریع‌تر از باز کردن یک گفت‌وگوی هوش مصنوعی خواهد بود.

تبدیل عکس به متن با vFlat Scan

اگر بیشتر با کتاب، جزوه و اسناد چندصفحه‌ای سر و کار دارید، vFlat Scan ارزش امتحان کردن خواهد داشت. این برنامه در اصل یک اسکنر موبایلی است، اما ویژگی داخل آن می‌تواند تصویر اسکن‌شده را به متنی قابل انتخاب و کپی تبدیل کند. vFlat Scan همچنین برای اسکن کتاب ساخته شده و خمیدگی صفحات را اصلاح می‌کند. اگر جزوه شما چندین صفحه دارد، این روش منطقی‌تر از این است که همه تصاویر را در یک چت‌بات آپلود کنید.

چطور عکس جزوه را به متن تبدیل کنیم؟

برای جزوات، موضوع تنها تشخیص چند خط نوشته نیست. شاید چندین صفحه پشت سر هم دارید، صفحه کمی خم شده است، تصاویر از زاویه گرفته شده‌اند و متن هم در چند ستون یا بخش‌های مختلف قرار دارند. در این شرایط، نکات زیر را حتما رعایت کنید:

• ابتدا تصاویر را تا جای ممکن تمیز و خوانا کنید.
• اگر جزوه چاپی است، vFlat Scan انتخاب مناسبی است.
• برای چند صفحه‌ای که فقط یک‌بار لازم است متنشان را استخراج کنید، می‌توانید تصاویر را وارد ChatGPT، Gemini یا Claude کنید و از ابزار بخواهید متن را صفحه‌به‌صفحه استخراج کند.
• برای تنها یک تصویر هم گوگل لنز مسیر کوتاه‌تری جهت استخراج دارد.
• اگر جزوه شما فارسی است، بعد از استخراج متن حتما یک بار خروجی را با اصل تصویر مقایسه کنید.

آیا تبدیل عکس دست‌نویس به متن فارسی امکان‌پذیر است؟

پاسخ به این سوال مثبت است، اما باید یک‌سری نکات را هم رعایت کرد. گوگل لنز قابلیت تشخیص و کپی متن دست‌نویس را دارد. مدل‌های چندوجهی مانند چت جی‌پی‌تی و کلاد هم تصویر نوشته دست‌نویس را تحلیل می‌کنند. با این وجود، کیفیت نتیجه به تمیزی دست‌خط، فاصله میان کلمات، کیفیت عکس و شیوه نوشتن هر فرد بستگی دارد.

پس اگر یک عکس از دست‌خط خودتان دارید، هوش مصنوعی ارزش امتحان کردن دارد؛ اما برای متن‌های حساس، بهتر است خروجی را با عکس اصلی تطبیق دهید. مخصوصا در نام اشخاص، اعداد، تاریخ‌ها، کدها و اصطلاحات تخصصی، یک اشتباه کوچک می‌تواند مهم باشد.

چرا متن فارسی داخل عکس اشتباه استخراج می‌شود؟

اگر هوش مصنوعی تبدیل عکس به متن را با چند خطای عجیب تحویل داد، همیشه مشکل از خود برنامه نیست. گاهی تصویر شرایط خوبی برای خوانده شدن ندارد. عکس تار یا کم‌نور یکی از رایج‌ترین دلایل خطاست. وقتی مرز حروف از پس‌زمینه جدا نباشد، تشخیص شکل واقعی‌‌شان سخت می‌شود.

فونت فارسی نیز در کنار آن اهمیت دارد. حروف فارسی در بسیاری از کلمات به هم متصل می‌شوند و بعضی حروف بسته به موقعیتشان در کلمه شکل متفاوتی دارند. وجود نقطه‌ها و شباهت حروفی مانند «ب»، «پ»، «ت» و «ث» نیز می‌تواند زمینه خطا ایجاد کند.

کج بودن صفحه مشکل دیگری است که در زمان عکس گرفتن از کتاب یا جزوه اتفاق می‌افتد. هر چه نوشته بیشتر از حالت عادی خارج شود، کار تشخیص متن سخت‌تر خواهد بود. پس‌زمینه شلوغ، سایه دست، جدول، مهر، عکس و نوشته‌های متعدد هم ممکن است باعث شود ابزار در تشخیص محدوده متن اشتباه کند.

در نهایت بهترین ابزار تبدیل عکس به متن چیست؟

سوالات متداول

آیا می‌توان عکس فارسی را به متن تبدیل کرد؟

بله، ابزارهایی مانند Google Lens، vFlat Scan، ChatGPT، Gemini و Claude متن موجود در تصویر را تشخیص و به شما تحویل می‌دهند.

بهترین برنامه برای تبدیل عکس به متن فارسی چیست؟

برای استخراج سریع متن از یک عکس، گوگل لنز مسیر ساده‌ای دارد. برای اسناد و کتاب‌های چندصفحه‌ای می‌توانید از vFlat Scan استفاده کنید و مدل‌های هوش مصنوعی معرفی‌شده هم کاربردهای بیشتری در استخراج، تحلیل، مرتب‌سازی یا بازنویسی دارند.

آیا می‌توان عکس جزوه را به متن تبدیل کرد؟

بله. برای چند صفحه جزوه می‌توانید از vFlat Scan برای اسکن و OCR استفاده کنید یا تصاویر را در ChatGPT، Gemini  یا Claude قرار دهید.

آیا عکس دست‌نویس فارسی هم به متن تبدیل می‌شود؟

گوگل لنز و برخی مدل‌های هوش مصنوعی می‌توانند دست‌خط را بخوانند، اما دقت آن‌ها به خوانایی دست‌خط و کیفیت تصویر بستگی دارد.