কোন কোন AI টুল ছবি থেকে লেখা তৈরি করতে পারে?

ছবি থেকে লেখা তৈরি করার প্রযুক্তিকে অপটিক্যাল ক্যারেক্টার রিকগনিশন (OCR) বলা হয়। এই প্রযুক্তি কোনো ছবির মধ্যে থাকা অক্ষর ও সংখ্যা শনাক্ত করে সেগুলোকে ডিজিটাল টেক্সটে রূপান্তরিত করে, যা পরবর্তীতে এডিট, সার্চ বা কপি করা যায়।

বর্তমানে বিভিন্ন শক্তিশালী এআই টুলস এই কাজটি খুব দক্ষতার সাথে করতে পারে। এর মধ্যে উল্লেখযোগ্য কয়েকটি হলো:

    
• গুগল ক্লাউড ভিশন এআই (Google Cloud Vision AI): এটি গুগল ক্লাউডের একটি সার্ভিস যা ছবি বিশ্লেষণ করে এবং ছবি থেকে টেক্সট এক্সট্রাক্ট করতে পারে। এটি বিভিন্ন ভাষার লেখাও চিনতে সক্ষম।
    
• অ্যামাজন টেক্সট্র্যাক্ট (Amazon Textract): অ্যামাজন ওয়েব সার্ভিসেস (AWS) এর একটি মেশিন লার্নিং সার্ভিস যা ডকুমেন্ট থেকে স্বয়ংক্রিয়ভাবে টেক্সট, হ্যান্ডরাইটিং এবং ডেটা এক্সট্রাক্ট করে। এটি ফর্ম এবং টেবিলের ডেটা চিনতেও বিশেষ দক্ষ।
    
• মাইক্রোসফট অ্যাজুর কম্পিউটার ভিশন (Microsoft Azure Computer Vision): মাইক্রোসফটের এই সেবাটি ছবি বিশ্লেষণ করে টেক্সট সনাক্তকরণ ও এক্সট্রাকশন সহ বিভিন্ন ভিজ্যুয়াল টাস্ক সম্পন্ন করতে পারে।
    
• টেসার‍্যাক্ট ওসিআর (Tesseract OCR): এটি একটি ওপেন সোর্স ওসিআর ইঞ্জিন যা গুগল দ্বারা পরিচালিত। এটি বিভিন্ন অপারেটিং সিস্টেমে কাজ করে এবং ছবি থেকে লেখা এক্সট্রাক্ট করার জন্য ব্যাপকভাবে ব্যবহৃত হয়।
    
• মাল্টিমোডাল এআই মডেল: এছাড়াও কিছু আধুনিক মাল্টিমোডাল এআই মডেল যেমন GPT-4V (GPT-4 with Vision) এবং Gemini ছবি দেখে কেবল লেখা এক্সট্রাক্টই নয়, বরং সেই লেখার প্রেক্ষাপট বুঝে নতুন টেক্সট বা উত্তর তৈরি করতে পারে।

এই টুলগুলো ডকুমেন্ট ডিজিটাইজেশন, ডেটা এন্ট্রি, অ্যাক্সেসিবিলিটি এবং স্বয়ংক্রিয় প্রক্রিয়া সহ অসংখ্য ক্ষেত্রে ব্যবহৃত হয়।