OCR इंजन और AI अनुवाद मॉडल में क्या अंतर है? स्क्रीन ट्रांसलेशन का दो-चरणीय विभाजन
स्क्रीन ट्रांसलेशन इस्तेमाल करते समय यह उलझन आपके साथ भी हुई होगी: अनुवाद कुछ ठीक नहीं लग रहा, पर कहाँ गड़बड़ हुई, पता नहीं चल रहा—टूल ने स्क्रीन का टेक्स्ट ठीक से नहीं पढ़ा, या अनुवाद ही बिगड़ गया? इन दोनों तरह की गड़बड़ियों के समाधान पूरी तरह अलग हैं, और "अक्षर पढ़ने" और "अनुवाद करने" को दो चरणों में बाँटकर देखते ही मामला एकदम साफ़ हो जाता है।
स्क्रीन ट्रांसलेशन दो चरणों का काम है, एक चरण का नहीं
बहुत लोग समझते हैं कि स्क्रीन ट्रांसलेशन एक ब्लैक बॉक्स है: एक स्क्रीन डालो, एक अनुवाद निकल आता है। असल में काम का फ़्लो दो चरणों में बँटा है, और हर चरण की ज़िम्मेदारी अलग हिस्से पर है।
VoriTrans को उदाहरण मानें तो पूरी श्रृंखला कुछ ऐसी है:
- OCR इंजन "पढ़ने" का काम करता है: स्क्रीन पर चुने गए हिस्से की इमेज में मौजूद टेक्स्ट को एडिट करने योग्य टेक्स्ट में बदलता है; आउटपुट मूल टेक्स्ट होता है, जैसे जापानी डायलॉग "宿は右です"। इस चरण में सिर्फ़ अक्षर पहचाने जाते हैं, अर्थ नहीं समझा जाता।
- अनुवाद मॉडल "अनुवाद" का काम करता है: OCR के आउटपुट टेक्स्ट को लेकर आपकी चुनी लक्ष्य भाषा में अनुवाद करता है; आउटपुट अनुवाद होता है। इस चरण में सिर्फ़ भाषा सँभाली जाती है, स्क्रीन की तस्वीर दिखाई ही नहीं देती।
दोनों चरण पाइपलाइन में जुड़े हैं: अनुवाद मॉडल का इनपुट ही OCR का आउटपुट होता है। इससे एक अहम निष्कर्ष निकलता है—OCR ने अक्षर गलत पहचाने, तो अनुवाद मॉडल चाहे जितना मज़बूत हो, अनुवाद सही नहीं होगा। कचरा अंदर, कचरा बाहर—ऊपर की गड़बड़ी सीधे अनुवाद तक पहुँचती है।
पहला चरण: स्क्रीन के माहौल में OCR इतना मुश्किल क्यों है
OCR (ऑप्टिकल कैरेक्टर रिकग्निशन) अपने आप में कोई नई तकनीक नहीं है; स्कैन किए हुए दस्तावेज़ों की पहचान काफ़ी परिपक्व हो चुकी है। लेकिन स्क्रीन का माहौल स्कैन से कहीं ज़्यादा चालाक है, और सारी मुश्किलें "तस्वीर" से ही आती हैं।
स्कैन एक साफ़ सपाट सतह होती है: सफ़ेद कागज़ पर काले अक्षर, दिशा तय, फ़ॉन्ट साइज़ एक समान। स्क्रीन की तस्वीर बिलकुल अलग होती है—टेक्स्ट ग्रेडिएंट बैकग्राउंड के ऊपर दबा हो सकता है, आधे-पारदर्शी डायलॉग बॉक्स के नीचे छिपा हो सकता है, हैंडराइटिंग या आउटलाइन वाले आर्ट फ़ॉन्ट में हो सकता है, और तस्वीर के दूसरे तत्वों से ओवरलैप भी कर सकता है। लंबवत (vertical) जापानी टेक्स्ट में पढ़ने का क्रम भी अलग से सँभालना पड़ता है: OCR को पता होना चाहिए कि दाहिना कॉलम पहले पढ़ना है या बायाँ—क्रम उलट गया तो वाक्य बिगड़ जाते हैं।
इसीलिए टूल आपको ठीक करने की जगह देता है। VoriTrans की प्राथमिकता सेटिंग्स (preferences) में कई OCR इंजन बदले जा सकते हैं—अलग-अलग इंजन आर्ट फ़ॉन्ट और कम रिज़ॉल्यूशन वाली तस्वीरों पर अलग ढंग से काम करते हैं; बॉक्स सिलेक्ट करते समय चयन छोटा करके सिर्फ़ टेक्स्ट वाला हिस्सा फ्रेम में रखने पर तस्वीर का रोड़ा भी घट जाता है। पहचान मनमाफ़िक न निकले तो पहले तस्वीर की हालत पर शक करें, फिर इंजन पर—यह क्रम बहुत सारे चक्कर बचा लेता है।
दूसरा चरण: अनुवाद मॉडल तय करता है अनुवाद की सीमा
OCR का आउटपुट मूल टेक्स्ट अनुवाद मॉडल को सौंप दिया जाता है, और यहीं से अनुवाद की गुणवत्ता में भिन्नता शुरू होती है।
अनुवाद मॉडल दो क़िस्म के हैं। लोकल मॉडल आपके अपने कंप्यूटर पर चलता है—जवाब फ़ौरन मिलता है, नेटवर्क पर निर्भरता नहीं, छोटी डायलॉग लाइनें चुस्ती से सँभालता है; क़ीमत यह कि संदर्भ समझना सीमित है—गेम के शब्द-खेल, मीम्स, संबोधन लोकल मॉडल आमतौर पर रूढ़िवादी अंदाज़ में निपटाता है। क्लाउड मॉडल (Qwen, DeepSeek, GLM जैसे बड़े मॉडल) के पैरामीटर ज़्यादा होते हैं, लंबे वाक्य, संदर्भ और लहजे में खुलकर बेहतर होते हैं; क़ीमत यह कि इस्तेमाल के अनुसार क्रेडिट खर्च होते हैं।
ज़ोर देकर कहना ज़रूरी है: अनुवाद मॉडल OCR की गलती की भरपाई नहीं कर सकता। पहचाने गए टेक्स्ट में ही अक्षर छूटे या गलत हों, तो क्लाउड के बड़े मॉडल को अधूरा इनपुट मिलेगा और अनुवाद उसी तरह पटरी से उतरेगा। इसलिए "ज़्यादा मज़बूत मॉडल पर शिफ़्ट" और "पहचान ठीक करना" दो अलग काम हैं—पहले से दूसरे की समस्या सुलझाने की उम्मीद मत रखिए।
दो चरणों में बाँटकर देखें, समस्या खोजना और सुधार करना आसान हो जाता है
बँटवारा समझने का असली फ़ायदा इस्तेमाल के वक़्त दिखता है: गड़बड़ होने पर चरण पकड़ में आता है, और सुधार निशाना लगाकर किया जा सकता है।
VoriTrans का इंटरफ़ेस इसी बँटवारे पर बना है—"पहचाना गया मूल टेक्स्ट" और "अनुवाद परिणाम" दो साथ खड़े पैनल हैं, पहचान चरण का बीच का नतीजा सीधे दिखता है। समस्या खोजने का सूत्र बेहद आसान है:
- मूल टेक्स्ट पैनल में ही गड़बड़: समस्या OCR में है। चयन छोटा करें, OCR इंजन बदलें, तस्वीर स्थिर होने के इंतज़ार का समय ट्यून करें, या टर्म ग्लॉसरी में बार-बार गलत पहचाने जाने वाले प्रॉपर नाम के लिए OCR करेक्शन (मूल शब्द→बदला शब्द) जोड़ दें—अगले अनुवाद में अपने-आप लागू हो जाएगा।
- मूल टेक्स्ट सही, अनुवाद गलत: समस्या अनुवाद मॉडल में है। छोटे टेक्स्ट पर लोकल और क्लाउड—दोनों से एक-एक बार अनुवाद कराकर तुलना करें; फ़िक्स नाम (इंसान, जगह, स्किल के नाम) मेल नहीं खा रहे हों तो टर्म ग्लॉसरी की अनुवाद शैली से बाँध दें।
एक छोटा उदाहरण: किरदार का नाम "ユキ" कुछ-कुछ बार "ユヌ" पहचान लिया जाता है, और अनुवाद भी बिगड़ने लगता है। टर्म ग्लॉसरी में "ユキ" को OCR करेक्शन एंट्री बना देने पर पहचान चरण में पहले अक्षर सुधरता है, और अनुवाद चरण में फिर हर जगह एक समान Yuki हो जाता है—दोनों चरण अपनी-अपनी गलती अपने आप ठीक करते हैं, किसी का काम ख़राब नहीं होता। यह बारीकी दो-चरण वाली आर्किटेक्चर ही देती है।
एक सीमा: बँटवारा सिर्फ़ स्क्रीन पर दिखने वाले टेक्स्ट के लिए है
दो-चरण पाइपलाइन का दायरा स्क्रीन पर दिखने वाले टेक्स्ट तक सीमित है। किरदारों की बिना सबटाइटल वाली आवाज़ें, कॉल या वॉइस चैट, सिर्फ़ ऑडियो वाला कंटेंट—OCR के पास पढ़ने को कोई अक्षर नहीं, तो अनुवाद मॉडल का हाथ भी कुछ नहीं लगता। यह मॉडल की कमज़ोर-मज़बूती का सवाल नहीं है; इनपुट में ही पहचानने लायक कुछ नहीं होता।
यह समझ जाइए, तो टूल की क्षमता की सीमा भी साफ़ हो जाती है: जब तक टेक्स्ट तस्वीर में दिख रहा है—गेम के डायलॉग, माँगा के स्पीच बबल, वीडियो के हार्ड सबटाइटल, सॉफ़्टवेयर के इंटरफ़ेस—दो-चरण पाइपलाइन काम सँभाल सकती है; टेक्स्ट सिर्फ़ आवाज़ में बसता हो तो दूसरे उपाय चाहिए। VoriTrans 105 लक्ष्य भाषाओं को सपोर्ट करता है—दो चरणों में से दूसरा चरण आपकी चुनी भाषा में आउटपुट देता है, और पहचान वाला सिरा मूल भाषा अपने-आप पहचान लेता है।
अक्सर पूछे जाने वाले सवाल
OCR और अनुवाद मॉडल में, किसके गलत होने की संभावना ज़्यादा है?
माहौल के हिसाब से अलग। तस्वीर साफ़ और फ़ॉन्ट स्पष्ट हो तो OCR कम गलतियाँ करता है; आर्ट फ़ॉन्ट, कम रिज़ॉल्यूशन और बैकग्राउंड पर दबा टेक्स्ट—यहीं पहचान का सबसे बड़ा दाँव होता है। जाँच शुरू करें मूल टेक्स्ट पैनल से: पहले मूल टेक्स्ट सही निकले, तभी अनुवाद मॉडल का मूल्यांकन करने की बारी आती है।
ज़्यादा मज़बूत अनुवाद मॉडल पर जाने से क्या पहचान की गलती पकड़ में आ जाएगी?
नहीं। अनुवाद मॉडल का इनपुट OCR का आउटपुट है—पहचान चरण में अक्षर छूट गए या बदल गए, तो ऊपर की गलती जस की तस नीचे तक पहुँचती है। सही क्रम है: पहले पहचान ठीक करें (चयन, इंजन, OCR करेक्शन), फिर अनुवाद मॉडल अपग्रेड करने की सोचें।
टर्म ग्लॉसरी किस चरण में काम आती है?
दोनों चरणों में। "OCR करेक्शन" के रूप में सेट करें तो पहचान चरण की बार-बार वाली गलत अक्षरों को सुधारती है; "अनुवाद शैली" के रूप में सेट करें तो अनुवाद चरण में नामों की एकरूपता कुँदी रखती है। एक एंट्री पर सिर्फ़ एक इस्तेमाल चुना जा सकता है—जिस समस्या का हल चाहिए, उसी के हिसाब से चुनें।
अगली बार अनुवाद कुछ ठीक न लगे, तो पहले अनुवाद को मत कोसिए—"पहचाना गया मूल टेक्स्ट" पैनल खोलकर एक नज़र डालिए, दो सेकंड में तय हो जाएगा कि दोष किस चरण में है। बँटवारा समझ में आ गया, तो स्क्रीन ट्रांसलेशन की जाँच-पड़ताल और सुधार दोनों अंदाज़े पर निर्भर करना बंद कर देंगे।
