अनुवाद से पहले OCR लाइन ब्रेक और हाइफ़नेशन को कैसे ठीक करें

OCR लाइन ब्रेक को ठीक करने के लिए, सबसे पहले उस टेक्स्ट की पहचान करें जो एक ही पैराग्राफ़ का हिस्सा है। केवल उसके अनचाहे लाइन अंत को स्पेस से बदलें। अलग-अलग पंक्तियों में बंटे शब्द के लिए अलग से तय करें कि हाइफ़न को हटाना है या बनाए रखना है: trans- के बाद lation बन जाता है translation, लेकिन well- के बाद known बन जाता है well-known। बदलावों का एक लॉग रखें और अनिश्चित जोड़ों की तुलना मूल पृष्ठ से करें।

पूरी किताब पर "सभी लाइन ब्रेक हटाएं" या "सभी हाइफ़न हटाएं" जैसी कमांड न चलाएं। साफ किया गया टेक्स्ट अधिक सहज दिख सकता है, लेकिन हो सकता है कि उसमें कोई पैराग्राफ़ छूट जाए, सूची के दो बिंदु आपस में जुड़ जाएं, या कोई तकनीकी पहचानकर्ता बदल जाए। लक्ष्य एक विश्वसनीय पठन या अनुवाद प्रति तैयार करना है—न कि केवल न्यूलाइन वर्णों की संख्या को कम करना।

यह गाइड शुरू होती है टेक्स्ट पहचान के बाद। यदि किसी PDF से कॉपी करने पर गलत अक्षर या संख्याएं मिलती हैं, तो पहले इसकी टेक्स्ट लेयर की जांच करें। लाइन ब्रेक बदलने से गलत पहचाना गया B-2O4 अपने इच्छित B-204.

तय करें कि प्रत्येक लाइन ब्रेक क्या दर्शाता है

मूल स्कैन और रॉ एक्सट्रेक्ट को बिना बदले रखें। एक वर्किंग कॉपी में, एडिटर के व्हाइटस्पेस या पैराग्राफ़ मार्क्स डिस्प्ले को ऑन करें। एडिटर का आकार बदलें: जो पंक्ति बिना किसी सेव की गई न्यूलाइन के रिफ्लो होती है, वह स्क्रीन पर केवल रैप हो रही है; वहां हटाने जैसा कुछ नहीं है।

सेव की गई न्यूलाइन के लिए अलग जांच की आवश्यकता होती है। एक सतत पैराग्राफ़, शीर्षक, सूची और किसी भी बिल्कुल अलग पेज लेआउट की तुलना पेज की इमेज से करें। केवल मुख्य शीर्षक पृष्ठ को देखकर पूरे दस्तावेज़ की संरचना का अनुमान न लगाएं।

खाली पंक्तियाँ और इंडेंटेशन पैराग्राफ ढूँढने में मदद कर सकते हैं, लेकिन ये केवल संकेत हैं, कोई गारंटी नहीं। हो सकता है कि किसी शीर्षक के बाद कोई खाली पंक्ति न हो। इंडेंट की गई पंक्ति किसी सूची की निरंतरता हो सकती है, न कि नया पैराग्राफ। पूर्णविराम पर समाप्त होने वाली छोटी पंक्ति या तो पैराग्राफ की अंतिम पंक्ति हो सकती है या पैराग्राफ के बीच का कोई वाक्य।

यदि OCR निर्यात लेआउट या ब्लॉक जानकारी प्रदान करते हैं, तो टेक्स्ट की जांच करते समय इसे सुरक्षित रखें। केवल एक प्लेन-टेक्स्ट निर्यात उन साक्ष्यों को मिटा सकता है जिनकी आवश्यकता आपको उन सीमाओं को फिर से बनाने के लिए होती है।

विभाजित शब्दों को वास्तविक हाइफ़न से अलग करें

दृष्टिगत रूप से समान दिखने वाले तीन मामलों में अलग-अलग संपादन की आवश्यकता होती है:

trans-          → translation
lation

well-           → well-known
known

trans\u00ADlation → translation in a verified reading copy

अंतिम पंक्ति में \u00AD का उपयोग किया गया है ताकि सामान्य रूप से न दिखने वाले वर्ण को स्पष्ट किया जा सके। यूनिकोड U+00AD SOFT HYPHEN(शब्द के भीतर वैकल्पिक ब्रेक मार्कर) और दृश्यमान हाइफ़न जैसे U+2010 HYPHENके बीच अंतर करता है। ये वर्ण एक दूसरे की जगह इस्तेमाल नहीं किए जा सकते। यूनिकोड का लाइन-ब्रेकिंग स्पेसिफिकेशन ब्रेक पर भाषा-विशिष्ट वर्तनी परिवर्तनों का भी वर्णन करता है; केवल दिखाई देने वाले हाइफ़न को हटाना और अक्षरों को जोड़ देना ही हमेशा पर्याप्त नहीं होता।

सामान्य गद्य के लिए, किसी सत्यापित विवेकाधीन मार्कर को हटाने से पढ़ने योग्य एक उपयोगी प्रतिलिपि बन सकती है। अभिलेखीय प्रतिलेखन के लिए, मूल को अलग से सुरक्षित रखें: किसी मार्कर को हटाने से एन्कोड किया गया पाठ बदल जाता है, भले ही शब्द देखने में अपरिवर्तित लगे।

संभावित वर्तनी की जांच के लिए स्रोत भाषा के शब्दकोश का उपयोग करें, फिर वापस उस गद्यांश पर आएं। शब्दकोश की प्रविष्टि केवल सहायक प्रमाण है, किसी नाम, पहचानकर्ता या ऐतिहासिक वर्तनी को बदलने की अनुमति नहीं। दस्तावेज़ में बार-बार आने वाले उदाहरण भी मदद करते हैं, लेकिन OCR की कोई त्रुटि लगातार दोहराई भी जा सकती है।

उदाहरण के लिए, हमारा जर्मन नमूना है:

Die Auf-
gabe ist klar.

इस रचित उदाहरण में अभीष्ट शब्द है Aufgabe; Duden की प्रविष्टि में इसका विभाजन इस प्रकार दिया गया है: Auf|ga|be। यहाँ Auf- और gabe को जोड़ना उचित है। यह अकेला उदाहरण कोई सामान्य जर्मन डी-हाइफ़नेशन नियम नहीं है, और आधुनिक शब्दकोश की वर्तनी को किसी पुराने संस्करण की पारंपरिक वर्तनी की जगह बिना सोचे-समझे नहीं लेना चाहिए।

URL, कैटलॉग कोड, रासायनिक नाम, ऋणात्मक मान और अन्य तकनीकी टोकनों को अलग समीक्षा मामलों के रूप में देखें। कोई डैश या हाइफ़न बचना चाहिए या नहीं, यह स्रोत और टोकन के अर्थ पर निर्भर होना चाहिए, न कि किसी अंग्रेज़ी-शब्द की अनुमान पद्धति पर।

बारह नियंत्रित उदाहरण क्या दर्शाते हैं

हमने एक डाउनलोड करने योग्य क्लीनअप प्रदर्शन तैयार किया है जिसमें बारह मूल स्ट्रिंग्स शामिल हैं। इनके अभीष्ट शब्दों और संरचना को हमारे द्वारा लिखते समय ही परिभाषित किया गया था; इसके बाद हमने इसमें चुनिंदा लाइन ब्रेक और हाइफ़नेशन संबंधी विसंगतियाँ जोड़ीं। ये कृत्रिम रूप से तैयार किए गए पाठ उदाहरण हैं, किसी OCR इंजन का आउटपुट या किसी पुस्तक के स्कैन नहीं।

जानबूझकर अपनाया गया सीधा-सादा बेसलाइन तरीका तीन प्रतिस्थापन करता है: हाइफ़न-प्लस-न्यूलाइन को हटाना, शेष न्यूलाइन को स्पेस से बदलना, और सॉफ्ट हाइफ़न को हटाना। दूसरा तरीका केवल सटीक पाठ पर व्यक्तिगत रूप से स्वीकृत परिवर्तनों को लागू करता है। यह पैराग्राफ को पहचानने या शब्दों की वर्तनी को स्वचालित रूप से तय करने का कोई प्रयास नहीं करता।

3 अक्टूबर, 2026 को, Node.js 25.2.1 के साथ फिक्सचर चलाने पर ब्लंट बेसलाइन के तहत 12 में से 4 उदाहरणों के लिए संदर्भ-मिलान वाला टेक्स्ट प्राप्त हुआ। स्वीकृत पाथ ने सभी बारह संदर्भों का सटीक मिलान किया और अंडू के माध्यम से सभी बारह इनपुट को पुनर्स्थापित कर दिया। इसने पुराने इनपुट, गैर-अद्वितीय मिलानों और अनुपलब्ध मिलानों को भी अस्वीकार कर दिया।

ये परिणाम ज्ञात लेखक संदर्भोंके विरुद्ध सटीक पैच अनुप्रयोग का परीक्षण करते हैं। वे वास्तविक दुनिया की सटीकता का आकलन नहीं करते हैं: स्वीकृत निर्णयों में पहले से ही उत्तर मौजूद हैं, और विफलता के मामलों को उजागर करने के लिए कॉर्पस को जानबूझकर चुना गया था। हमने किसी कमर्शियल क्लीनर, OCR इंजन, अनुवाद मॉडल या BookTranslator अपलोड का परीक्षण नहीं किया। इसमें कोई पुनः प्रयास या बाहर किए गए नमूने शामिल नहीं थे।

डाउनलोड करें: वास्तविक इनपुट/आउटपुट और पैच लॉग और पुनरुत्पादन निर्देश। यह JavaScript बिना किसी डिपेंडेंसी या नेटवर्क कॉल के स्थानीय रूप से चलता है और परिणाम प्रिंट करता है; यह आपकी फ़ाइलों को दोबारा नहीं लिखता है। इसकी जांच किसी स्वीकृत संपादन को किसी भिन्न टेक्स्ट पर लागू होने से बचाती है। वे आपको यह नहीं बता सकते कि कोई संपादन भाषाई रूप से सही है या नहीं।

एक बार में एक सत्यापित ब्लॉक साफ़ करें

एक छोटे गद्य ब्लॉक से शुरुआत करें जिसके पढ़ने का क्रम और पैराग्राफ की सीमाएं आप निर्धारित कर सकते हों। कैप्शन, उद्धरण, सूचियों और फ़ुटनोट वाले पूरे अध्याय से शुरुआत न करें।

1. एक मूल प्रति सहेजें और स्रोत का स्थान रिकॉर्ड करें। प्रत्येक समीक्षित गद्यांश के साथ फ़ाइल नाम, पृष्ठ संख्या, पैराग्राफ या ब्लॉक, और भाषा को सुरक्षित रखें।
2. पहले संरचनात्मक सीमाओं को चिह्नित करें। सामान्य गद्य से शीर्षक, सूची आइटम, पद्य, तालिकाओं और कोड को अलग करें। यदि आप बाद में पृष्ठ संदर्भों के मार्कर हटाते हैं, तो उन्हें मुख्य पठन टेक्स्ट से बाहर सुरक्षित रखें।
3. उस ब्लॉक के भीतर सामान्य अंतर-शब्द रैप्स को जोड़ें। प्रत्येक पुष्ट ब्रेक को स्पेस से बदलें। जांचें कि शब्द आपस में न जुड़े हों और पहले से मौजूद स्पेस दोहराकर भटकाने वाला न बन गया हो।
4. विभाजित शब्दों की अलग से समीक्षा करें। पूरा टोकन और आस-पास का वाक्य देखें। "लेआउट हाइफ़न हटाएं", "वास्तविक हाइफ़न रखें", या "अनसुलझा" के रूप में रिकॉर्ड करें। किसी अनसुलझे विकल्प को स्वीकृत परिवर्तन न मानें।
5. डिफ़ को स्वीकार करने से पहले उसका निरीक्षण करें। हटाए गए प्रत्येक विभाजन या हाइफ़न की उसके मूल स्रोत से तुलना करें। साफ़ किए गए वर्ज़न को नए फ़ाइल नाम से, लिए गए निर्णयों के विवरण के साथ सहेजें।
6. सहेजे गए परिणाम को फिर से खोलें और वहीं से कॉपी करें। केवल संपादक (editor) के पूर्वावलोकन पर निर्भर न रहें, बल्कि उस वास्तविक फ़ाइल की जाँच करें जिसका आप उपयोग करेंगे।

किसी छोटे अंश के लिए, ट्रैक किए गए परिवर्तनों के साथ मैन्युअल संपादन या पहले/बाद की तुलना पर्याप्त हो सकती है। किसी लंबे अंश के लिए, पैच सूची में मूल सबस्ट्रिंग, प्रतिस्थापन, स्थान, कारण और समीक्षक का सटीक रिकॉर्ड होना चाहिए। स्रोत चेकसम इनपुट बदलने के बाद पुरानी स्वीकृतियों को लागू होने से रोकने में मदद करता है।

यदि आपका संपादक पैराग्राफ-संरक्षण क्लीनअप मोड प्रदान करता है, तो उस मोड का परीक्षण केवल सामान्य गद्य पर ही नहीं, बल्कि जटिल ब्लॉकों पर भी करें। डबल न्यूलाइनों को सुरक्षित रखने से वह पैराग्राफ सीमा वापस नहीं आएगी जिसे OCR ने सिंगल न्यूलाइन के रूप में दिखाया था। तालिकाओं और कोड की पूरी तरह जाँच करने से पहले इंडेंटेशन न हटाएं या सभी खाली जगहों (spaces) को संकुचित न करें।

जानें कि कब मूल पृष्ठ छवि (पेज इमेज) को दोबारा देखना ज़रूरी है

फ़्रेंच विराम चिह्न यह दर्शाते हैं कि वाक्य-अंत का पता लगाना पैराग्राफ का पता लगाना क्यों नहीं है। हमारे तैयार किए गए नमूने में, Il attend… और Le lendemain, il part. अलग-अलग पैराग्राफ से संबंधित हैं। केवल एलिप्सिस (ellipsis) उस सीमा को निर्धारित नहीं करता है। पॉइंट्स डी सस्पेंशन पर Office québécois de la langue française का मार्गदर्शन इसके विभिन्न उपयोगों का वर्णन करता है, जिसमें रुकावट या अधूरा विचार शामिल है; अगली पंक्ति को जोड़ना है या नहीं, यह तय करने के लिए पृष्ठ की संरचना का उपयोग करें।

इन स्थितियों के लिए स्रोत-छवि की समीक्षा अनिवार्य करें:

यदि कई पृष्ठों में समान समस्या दिखाई देती है, तो पूरे दस्तावेज़ में उस पैटर्न को खोजें और प्राप्त परिणामों की समीक्षा करें। यदि स्रोत अक्षर, पढ़ने का क्रम या पूरे अंश गलत हैं, तो सामान्यीकरण रोकें और पहचान या निष्कर्षण पर दोबारा विचार करें। कई भाषाओं में पहचान के लिए, अलग मिश्रित-भाषा PDF OCR वर्कफ़्लो.

अनुवाद करने से पहले साफ़ किए गए स्रोत को सत्यापित करें

संपादित ब्लॉक की तुलना मूल पृष्ठ से करें, फिर किसी अन्य ब्लॉक और निष्कर्ष में मौजूद प्रत्येक अलग संरचनात्मक प्रकार की जाँच करें। समीक्षा सेट में ज्ञात विफलताओं को रखें। सैंपलिंग केवल जाँचे गए अंशों के बारे में साक्ष्य प्रदान करती है; यह शेष पुस्तक को प्रमाणित नहीं करती है।

• पुष्टि करें कि नाम, संख्याएँ, तिथियाँ और कोड अभी भी स्रोत से मेल खाते हैं।
• हटाए गए प्रत्येक हाइफ़न और ब्रेक के पार पुनर्निर्मित किसी भी वर्तनी की जाँच करें।
• पैराग्राफ, शीर्षक, सूची-आइटम और कविता-पंक्ति की सीमाओं की तुलना करें।
• पुष्टि करें कि प्रत्येक पृष्ठ परिवर्तन के दौरान पहली और अंतिम पंक्तियाँ सुरक्षित रहीं।
• अनसुलझे संभावित मामलों को खोजें और उन्हें समीक्षा लॉग में दृश्यमान रखें।
• सुनिश्चित करें कि अंतिम सहेजा गया संस्करण वही है जो आपके अगले वर्कफ़्लो को प्राप्त होता है।

यदि आपको केवल खोजने योग्य टेक्स्ट या नोट्स की आवश्यकता थी, तो यह सत्यापित अंश अंतिम पड़ाव हो सकता है। इसे सुधारने के लिए आपको अनुवाद की आवश्यकता नहीं है।

यदि आपको दस्तावेज़ किसी अन्य भाषा में चाहिए, तो सत्यापित सामग्री को समर्थित दस्तावेज़ प्रारूप में तैयार करें और पूर्ण-दस्तावेज़ अनुवाद वर्कफ़्लोका उपयोग करें। BookTranslator का OCR Mode मूल पृष्ठ लेआउट को पुन: प्रस्तुत करने के बजाय पहचानी गई सामग्री से एक अनुवादित PDF का पुनर्निर्माण करता है; यह कोई बाहरी टेक्स्ट-सफाई संपादक या इस बात का प्रमाण नहीं है कि प्रत्येक स्रोत ब्रेक की सही व्याख्या की गई थी। स्कैन की गई PDF गाइड समझाता है कि पहचान की आवश्यकता कब होती है।

अंतिम PDF अनुवाद QA समीक्षाके लिए मूल पृष्ठों और क्लीनअप लॉग को संभाल कर रखें। एक सहज अनुवादित वाक्य यह नहीं बता सकता कि मूल स्रोत में वास्तविक हाइफ़न होना चाहिए था—या फिर देखने में लगातार लगने वाले दो वाक्य वास्तव में अलग-अलग पैराग्राफ़ थे।