PDF စာသားထုတ်ယူခြင်း နှင့် OCR နှိုင်းယှဉ်ချက်- ဘာသာမပြန်မီ မှန်ကန်သောနည်းလမ်းကို ရွေးချယ်ပါ

PDF တစ်ခုတွင် စက်ကဖတ်ရှုနိုင်သော စိတ်ချရသည့် စာသားများပါရှိပြီးဖြစ်ပါက စာသားထုတ်ယူခြင်း (Text Extraction) ကို အသုံးပြုပါ။ စာမျက်နှာတွင် စာသားကို ပုံအဖြစ်သာ တွေ့ရပါက OCR ကို အသုံးပြုပါ။ အကယ်၍ စာမျက်နှာတွင် ပါရှိပြီးသား စာသားအလွှာသည် မှားယွင်းနေပါက အဆိုပါစည်းမျဉ်းနှစ်ခုစလုံးနှင့် မလုံလောက်ပါ- ထိုအလွှာကို ဆက်ထားရန်၊ အစားထိုးရန် သို့မဟုတ် အသစ်ပြန်လုပ်ရန် မဆုံးဖြတ်မီ ထုတ်ယူထားသော စကားလုံးများနှင့် မျက်မြင်တွေ့ရသော စာမျက်နှာကို နှိုင်းယှဉ်စစ်ဆေးရန် လိုအပ်ပါသည်။

ထိုသို့ ဆုံးဖြတ်ခြင်းကို ဘာသာပြန်ဆိုခြင်း မပြုလုပ်မီ ဆောင်ရွက်ရမည်ဖြစ်သည်။ ဘာသာပြန်စနစ်တစ်ခုအနေဖြင့် လုပ်ငန်းစဉ်အတွင်းသို့ မှားယွင်းစွာ ဝင်ရောက်လာသော အရေအတွက်၊ အမည် သို့မဟုတ် ဝါကျတစ်ခုကို မူလအတိုင်း ပြန်လည်မရယူနိုင်ပါ။ ၎င်းသည် လက်ခံရရှိသည့် မူရင်းစာသားကိုသာ ဘာသာပြန်ဆိုနိုင်ပါသည်။

အမြန်ဆုံးဖြတ်နိုင်သော ဇယား

ဖိုင်တစ်ခုလုံးကိုသာမက စာမျက်နှာတစ်ခုချင်းစီအလိုက် စစ်ဆေးပါ။ PDF တစ်ခုတည်းတွင်ပင် ဒစ်ဂျစ်တယ်မျက်နှာဖုံးစာမျက်နှာ၊ စကင်ဖတ်ထားသော အခန်းများနှင့် ယခင် OCR အဟောင်းပါသည့် ထည့်သွင်းချက်များ ရောနှောပါဝင်နေနိုင်ပါသည်။

စကားလုံးများကို ရွေးချယ်နိုင်ရုံမျှဖြင့် စာသားအရာဝတ္ထုတစ်ခု ရှိနေသည်ဟူသော သက်သေသာဖြစ်သည်။ ၎င်းစာသားသည် စာမျက်နှာနှင့် အမှန်တကယ် ကိုက်ညီမှုရှိကြောင်း သက်သေမပြနိုင်ပါ။ အလားတူပင် ကော်ပီကူးယူ၍မရခြင်းသည်လည်း PDF တစ်ခုလုံး ပုံသက်သက်သာဖြစ်သည်ဟု အတည်မပြုနိုင်ပါ။

ကျွန်ုပ်တို့၏ လေးမျက်နှာပါ ရောနှော PDF စမ်းသပ်မှု

ကျွန်ုပ်တို့သည် သိရှိထားပြီးဖြစ်သော အကြောင်းအရာများပါဝင်သည့် ဒေါင်းလုဒ်လုပ်နိုင်သော လေးမျက်နှာပါ PDF တစ်ခုကို ဖန်တီးခဲ့ပါသည်။ ၎င်းတွင် သီးသန့် သို့မဟုတ် ပြင်ပစာရွက်စာတမ်းများ မပါဝင်ပါ-

1. မူလကတည်းက ဒစ်ဂျစ်တယ်စနစ်ဖြင့် ဖန်တီးထားသော စာမျက်နှာတစ်ခု၊
2. ပုံသီးသန့်သာ ပါဝင်သော စာမျက်နှာတစ်ခု၊
3. တိကျမှန်ကန်သော လျှို့ဝှက်စာသားအလွှာပါသည့် စကင်ဖတ်ထားသော ပုံစံရှိ စာမျက်နှာတစ်ခု၊
4. ရည်ရွယ်ချက်ရှိရှိ လွဲမှားစေရန် ပြုလုပ်ထားသော လျှို့ဝှက်စာသားအလွှာပါသည့် စကင်ဖတ်ထားသော ပုံစံရှိ စာမျက်နှာတစ်ခု။

စာမျက်နှာတစ်ခုစီအတွက် ရှိပြီးသား PDF ဒေတာအပေါ် Poppler pdftotext ဖြင့် စမ်းသပ်ထုတ်ယူခဲ့သည်။ ထို့အပြင် စာမျက်နှာကို 300 dpi ဖြင့် ပုံဖော်ကာ ထိုပုံပေါ်တွင် Tesseract ဖြင့် OCR သီးခြားလုပ်ဆောင်ခဲ့သည်။ မြင်တွေ့ရသော စံသတ်မှတ်ချက်ကို စမ်းသပ်မှုနှစ်ခုစလုံး မတိုင်မီ သတ်မှတ်ထားပြီးဖြစ်သည်။

အဓိကအချက်မှာ Tesseract က အမြဲတမ်းအနိုင်ရသည်ဟု မဆိုလိုပါ။ ဤရှင်းလင်းသော အင်္ဂလိပ်စာစမ်းသပ်မှုတွင် ရလဒ်ကောင်းခဲ့ခြင်းမှာ ဆုံးဖြတ်ချက်ကို သီးခြားခွဲထုတ်နိုင်ရန် စာမျက်နှာကို ဖန်တီးထားသောကြောင့် ဖြစ်သည်။ အစက်အပြောက်များသော စကင်ဖတ်စာရွက်စာတမ်းများ၊ သာမန်မဟုတ်သော လက်ရေးစကားလုံးများ၊ ဇယားများ၊ လက်ရေးမူများ သို့မဟုတ် ရှုပ်ထွေးသော အခင်းအကျင်းများတွင် OCR အသစ်လုပ်ခြင်းသည် အခြားနည်းလမ်းများဖြင့် အမှားဖြစ်နိုင်ပါသည်။

၎င်းတို့ဖြစ်သည့် စာမျက်နှာအလိုက် ရလဒ်များ, ဆုံးဖြတ်ချက်ဇယား, ပြန်လည်စမ်းသပ်မှုဆိုင်ရာ မှတ်စုများနှင့် ထုတ်လုပ်ပေးသည့် စနစ် ကို fixture နှင့်အတူ ရယူနိုင်ပါသည်။ ၂၀၂၆ ခုနှစ် စက်တင်ဘာ ၂၁ ရက်တွင် မှတ်တမ်းတင်ထားသော ဗားရှင်းများမှာ Poppler pdftotext 26.08.0 နှင့် Tesseract 5.5.3 တို့ ဖြစ်ကြသည်။

ဤစမ်းသပ်ချက်က ဘာကို သက်သေပြသနည်း — ဘာကို သက်သေမပြသနည်း

မျက်စိဖြင့် ဖတ်ရှုနိုင်သော စာမျက်နှာ လေးမျက်နှာသည် ဘာသာမပြန်မီ မတူညီသော လုပ်ဆောင်ချက် လမ်းကြောင်း သုံးခု လိုအပ်နိုင်ကြောင်း ဤစမ်းသပ်ချက်က သက်သေပြပါသည်။ ထို့ပြင် ရှာဖွေနိုင်သော စာသားသည် ယုတ္တိတန်နေဆဲ ဖြစ်သော်လည်း အမှန်တကယ် စာမျက်နှာပါ အကြောင်းအရာနှင့် ကွဲလွဲနေနိုင်ကြောင်းကိုလည်း သက်သေပြပါသည်။

ယင်းသည် ယေဘုယျ OCR တိကျမှု၊ စာဖတ်သူအတွက် အထောက်အကူပြုမှု (accessibility)၊ ဇယားများ ပြန်လည်ရယူနိုင်မှု၊ ဘာသာစကားမျိုးစုံ မှတ်မိသိရှိနိုင်မှု သို့မဟုတ် BookTranslator ၏ upload ပြုလုပ်ပုံ အပြုအမူတို့ကို တိုင်းတာခြင်း မဟုတ်ပါ။ ဤစာမျက်နှာများသည် ရိုးရှင်းပြီး စာမျက်နှာ ၄ ပါ အမှားများကို ရည်ရွယ်ချက်ရှိရှိ ထည့်သွင်းထားခြင်း ဖြစ်ကာ Tesseract ကြောင့် ဖြစ်ပေါ်လာခြင်း မဟုတ်ပါ။

စာသားထုတ်ယူခြင်းနှင့် OCR အဘယ်ကြောင့် ကွဲပြားသော လုပ်ဆောင်ချက်များ ဖြစ်သနည်း

စာသားထုတ်ယူခြင်း (Text extraction) သည် PDF အတွင်း သိမ်းဆည်းထားပြီးဖြစ်သော text object များကို ဖတ်ယူခြင်း ဖြစ်သည်။ OCR သည် ပစ်ဇယ်များအတွင်းရှိ စာလုံးများကို မှတ်မိသိရှိအောင် လုပ်ဆောင်ခြင်း ဖြစ်သည်။ လက်ရှိ pypdf ထုတ်ယူခြင်း လမ်းညွှန် တွင်လည်း ဤကန့်သတ်ချက်ကို အလားတူ ခွဲခြားပြသထားပါသည်- pypdf သည် ရှိပြီးသား စာသားအလွှာ (text layer) ကို ဖတ်နိုင်သော်လည်း ရုပ်ပုံတစ်ခုအတွင်းရှိ စာလုံးများကိုမူ မှတ်မိသိရှိနိုင်စွမ်း မရှိပါ။

အဆိုပါ ကွာခြားချက်သည် အရေးပါပါသည်၊ အကြောင်းမှာ ဒစ်ဂျစ်တယ် PDF တစ်ခုတွင် rasterize ပြုလုပ်လိုက်ပါက ပျောက်ကွယ်သွားနိုင်သော သို့မဟုတ် ပြန်လည်ရယူရန် ပိုမိုခက်ခဲသွားစေနိုင်သော အချက်အလက်များ (ဥပမာ- စာလုံး encoding စနစ်များ၊ ဖောင့်အချက်အလက်၊ လင့်ခ်များ၊ vector graphics များနှင့် အခြား စာရွက်စာတမ်း object များ) ပါဝင်နိုင်သောကြောင့် ဖြစ်သည်။ ဒစ်ဂျစ်တယ်နည်းဖြင့် တိုက်ရိုက်ဖန်တီးထားသော (born-digital) ဖိုင်များအတွက် OCR ကို အမြဲတမ်းသုံးရမည့် နည်းလမ်းအဖြစ် မသတ်မှတ်ရန် pypdf က ရှင်းလင်းစွာ အကြံပြုထားသည်။ ထို့ပြင် PDF သည် စာသားများကို အဓိပ္ပာယ်ဖော်ဆောင်သည့် စာပိုဒ်များ၊ ဇယားများ သို့မဟုတ် ခေါင်းစဉ်များအဖြစ် သိမ်းဆည်းထားလေ့မရှိဘဲ မျက်မြင်အနေအထား ပြသနိုင်ရန်သာ အဓိကထား သိမ်းဆည်းလေ့ရှိသည်ဟူသော သီးခြားကန့်သတ်ချက်တစ်ခုကိုလည်း ရှင်းပြထားပါသည်။

ထို့ကြောင့် မစတင်မီ ကြိုတင်စစ်ဆေးမှုတွင် သီးခြားလွတ်လပ်သော မေးခွန်းနှစ်ခု ပါဝင်သင့်ပါသည်-

1. စာလုံးများ မှန်ကန်ပါသလား။ ထုတ်ယူထားသော အမည်များ၊ နံပါတ်များ၊ ပုဒ်ဖြတ်ပုဒ်ရပ်များနှင့် ရင်းနှီးကျွမ်းဝင်မှုမရှိသော အသုံးအနှုန်းများကို မူရင်းစာမျက်နှာနှင့် နှိုင်းယှဉ်စစ်ဆေးပါ။
2. ဖွဲ့စည်းတည်ဆောက်ပုံကို အသုံးပြု၍ရပါသလား။ စာပိုဒ်တစ်ခုလုံးကို အပြည့်အစုံဖတ်ပါ၊ ထို့နောက် စာတိုင်များ (columns)၊ အောက်ခြေမှတ်ချက်များ၊ ဇယားများ၊ ပုံစာများနှင့် စာမျက်နှာအကန့်အသတ်များကို စစ်ဆေးပါ။

စာလုံးများ မှန်ကန်နေသော်လည်း အစီအစဉ်လွဲမှားနေပါက ဘာသာပြန်ရန်အတွက် ချွတ်ယွင်းနေသော မူရင်းအရင်းအမြစ်တစ်ခုသာ ဖြစ်နေပါသေးသည်။

ဘာသာမပြန်မီ စာမျက်နှာအလိုက် ကြိုတင်စစ်ဆေးခြင်း

၁။ မူရင်းကို ထိန်းသိမ်းထားပါ

အရေးကြီးသော စာရွက်စာတမ်းဖြစ်ပါက မူရင်းဖိုင်ကို မပြောင်းလဲဘဲ သိမ်းဆည်းထားပြီး ၎င်း၏ hash တန်ဖိုးကို မှတ်တမ်းတင်ထားပါ။ စမ်းသပ်မှုများကို မိတ္တူဖိုင်များပေါ်တွင်သာ ပြုလုပ်ပါ။ မပြည့်စုံသော text layer ကို အစားထိုးလိုက်ခြင်းသည် vector အကြောင်းအရာများကို ချုံ့ပစ်နိုင်ပြီး သို့မဟုတ် နောင်တွင် လိုအပ်မည့် အချက်အလက်များကို ပျောက်ဆုံးသွားစေနိုင်ပါသည်။

၂။ စာမျက်နှာ အမျိုးအစားများကို စာရင်းပြုစုပါ

ပထမစာမျက်နှာတစ်ခုတည်းကို ကြည့်ပြီး ဆုံးဖြတ်ချက် မချပါနှင့်။ ခေါင်းစဉ်ပါ စာမျက်နှာများ၊ သာမန်စာကိုယ်စာမျက်နှာများ၊ နောက်ဆက်တွဲများ၊ ဇယားများ၊ သရုပ်ဖော်ပုံများ၊ ဖြည့်စွက်ထည့်သွင်းချက်များနှင့် ဓာတ်ပုံရိုက်ထားသည့် သို့မဟုတ် မိတ္တူကူးထားသည့်ပုံစံပေါက်နေသော မည်သည့်စာမျက်နှာကိုမဆို နမူနာယူ၍ စစ်ဆေးပါ။

ရှည်လျားသော စာရွက်စာတမ်းတစ်ခုအတွက် စာမျက်နှာအကွာအဝေးများကို မှတ်တမ်းတင်ထားပါ-

ဒေါင်းလုဒ်လုပ်နိုင်သော CSV သည် ကျွန်ုပ်တို့၏ စမ်းသပ်မှုပုံစံအတိုင်း အသုံးပြုထားပါသည်။

၃။ ရိုးရှင်းသော စာသားများသာမက ခက်ခဲသော အစိတ်အပိုင်းများကိုပါ နှိုင်းယှဉ်ပါ

ဖတ်ရချောမွေ့ရုံမျှဖြင့် စစ်ဆေးခြင်းသည် စိတ်မချရသေးပါ။ အောက်ပါတို့ကို ထည့်သွင်းစစ်ဆေးပါ-

• လူတစ်ဦး၏ အမည်၊
• နေ့စွဲနှင့် ပမာဏ၊
• အက္ခရာများနှင့် ကိန်းဂဏန်းများ ရောနှောထားသော အမှတ်အသား၊
• အသံထွက်သင်္ကေတပါသော သို့မဟုတ် လက်တင်မဟုတ်သော စာသား၊
• စာကြောင်းတစ်ကြောင်းမှ နောက်တစ်ကြောင်းသို့ ဆက်သွားသော စာသား၊
• အောက်ခြေမှတ်စု၊ ရုပ်ပုံ သို့မဟုတ် ဒုတိယကော်လံအနီးရှိ စာပိုဒ်။

အသုံးများသော စကားလုံးများအထိသာ စစ်ဆေးခဲ့မည်ဆိုပါက ကျွန်ုပ်တို့ စမ်းသပ်ထားသော ဖိုင်တွဲရှိ စာမျက်နှာ ၄ သည် အသုံးပြု၍ရနိုင်သည့် ပုံစံမျိုး ဖြစ်နေပါလိမ့်မည်။ အမှားများသည် O/0, 58/53နှင့် 7.5/7.8တို့တွင် စုပြုံနေပြီး ၎င်းတို့သည် ဘာသာပြန်ပြီးနောက် ရည်ညွှန်းချက်များနှင့် အချက်အလက်များကို ပျက်စီးစေနိုင်သည့် အသုံးအနှုန်းမျိုးများ ဖြစ်ကြသည်။

၄။ မသေချာမှုများကို ရိုးသားစွာ ခွဲခြားသတ်မှတ်ပါ

နမူနာစစ်ဆေးမှု အောင်မြင်ခြင်း၊ နမူနာစစ်ဆေးမှု မအောင်မြင်ခြင်း၊ ထုတ်ယူနိုင်သော စာသားမရှိခြင်း သို့မဟုတ် မစစ်ဆေးရသေးခြင်း ဟူသည့် ရလဒ်လေးမျိုးကို အသုံးပြုပါ။ "စာသား ရွေးချယ်နိုင်ခြင်း (Selectable)" သည် ရလဒ်တစ်ခု မဟုတ်သလို "OCR ပြုလုပ်ခြင်း ပြီးဆုံးသွားပြီ" ဟူသည်မှာလည်း ရလဒ်တစ်ခု မဟုတ်ပါ။

နမူနာစစ်ဆေးခြင်းတွင် ကန့်သတ်ချက်များ ရှိပါသည်။ စာမျက်နှာ သုံးမျက်နှာ အောင်မြင်ရုံဖြင့် စာမျက်နှာ ၄၀၀ ရှိသော စာအုပ်တစ်အုပ်လုံး ကောင်းမွန်သည်ဟု အာမမခံနိုင်ပါ၊ အထူးသဖြင့် ဖိုင်ထဲတွင် မတူညီသော စကင်ဖတ်ထားသည့် ပုံစံများ သို့မဟုတ် အချိုးအပြင်များ ပါဝင်နေသည့်အခါမျိုးတွင် ပို၍သတိထားရပါမည်။ မူရင်းဖိုင်၏ ပုံစံပြောင်းလဲသွားသည့် နေရာများတွင် စစ်ဆေးမှုအတိုင်းအတာကို တိုးမြှင့်ပါ။

အခြေအနေကို စစ်ဆေးအတည်ပြုပြီးမှသာ OCRmyPDF မုဒ်တစ်ခုကို ရွေးချယ်ပါ

OCRmyPDF ၏ လက်ရှိစာရွက်စာတမ်းများတွင် စာသားပါဝင်ပြီးဖြစ်သော စာမျက်နှာများအတွက် လုပ်ဆောင်ချက်ပုံစံ အမျိုးမျိုးကို ဖော်ပြထားသည်။ ယင်းတို့သည် လမ်းကြောင်းရွေးချယ်မှုများသာဖြစ်ပြီး အရည်အသွေးကို အာမခံချက်ပေးခြင်း မဟုတ်ပါ။

• မူလလုပ်ဆောင်ချက် (Default behavior) သည် စာမျက်နှာတစ်ခုတွင် ပရင့်ထုတ်နိုင်သော စာသား သို့မဟုတ် ဝှက်ထားသော OCR အလွှာတစ်ခု ပါဝင်နေပါက မည်သည့်အမျိုးအစားဖြစ်သည်ကို တိကျစွာ မခွဲခြားနိုင်သောကြောင့် လုပ်ငန်းစဉ်ကို ရပ်တန့်စေပါသည်။
• စာသားကို ကျော်ရန် (Skip text) သည် စာသားပါရှိသော စာမျက်နှာများကို ပြင်ဆင်မှုမရှိဘဲ ကူးယူပြီး အခြားစာမျက်နှာများကို OCR ပြုလုပ်ပေးသည်။ ယင်းသည် ရှိပြီးသားစာသားများကို စိတ်ချယုံကြည်ရမှသာ မတူညီသော ပုံစံများ ရောနှောနေသည့် ဖိုင်အတွက် အသုံးဝင်ပါသည်။
• OCR ပြန်လုပ်ရန် (Redo OCR) သည် ပရင့်ထုတ်နိုင်သော vector စာသားများကို ချန်လှပ်ထားပြီး ပရင့်မထုတ်နိုင်သော မူလ OCR စာသားဟောင်းများကို ဖယ်ရှားကာ စာမျက်နှာကို အသစ်တစ်ဖန် ပြန်လည်မှတ်သားပေးသည်။ ၎င်းသည် ဒစ်ဂျစ်တယ်နှင့် ယခင်က OCR ပြုလုပ်ထားသော စာမျက်နှာများ ရောနှောနေသည့်ဖိုင်အတွက် သင့်လျော်နိုင်သော်လည်း ယခင်ဖန်တီးထားသည့် ပုံစံအမျိုးမျိုးကို အမြဲတမ်း တိကျစွာ ခွဲခြားနိုင်မည်မဟုတ်ပါ။
• OCR မဖြစ်မနေလုပ်ရန် (Force OCR) သည် vector အကြောင်းအရာများကို raster ပုံရိပ်အဖြစ် ပြောင်းလဲပြီး ရရှိလာသော ပုံရိပ်ကို OCR ပြုလုပ်ပေးသည်။ ၎င်းသည် အမှားအယွင်းဖြစ်နေသော အလွှာတစ်ခုကို အစားထိုးနိုင်သော်လည်း အချက်အလက်များ ဆုံးရှုံးစေနိုင်ပြီး အပြန်အလှန်တုံ့ပြန်နိုင်သော အကြောင်းအရာများ (interactive content) ကို ပုံသေအပြားဖြစ်သွားစေနိုင်သည်။

ထိုလုပ်ဆောင်ချက်သဘောတရားများသည် OCRmyPDF 17.12.1 ၏ လက်ရှိစာသားဆိုင်ရာ အမှားအယွင်းမှတ်တမ်း (existing-text error documentation)မှ လာခြင်းဖြစ်သည်။ အစုလိုက်အပြုံလိုက် မလုပ်ဆောင်မီ သင်ထည့်သွင်းထားသော ဗားရှင်း၏ စာရွက်စာတမ်းများကို ဖတ်ရှုပါ။ command flag အမည်တစ်ခု ရှိနေရုံမျှဖြင့် ထွက်ပေါ်လာသော ရလဒ်တွင် စာညှပ်များ၊ တဂ်များ၊ လင့်ခ်များ၊ ဖောင်များ သို့မဟုတ် အလွယ်တကူ အသုံးပြုနိုင်သော ဖွဲ့စည်းပုံများ မပျက်မစီး ဆက်လက်ပါရှိနေမည်ဟု သက်သေမပြနိုင်ပါ။

ကျွန်ုပ်တို့၏ စမ်းသပ်မှုတွင် skip-text မုဒ်သည် စာမျက်နှာ ၄ ၏ တမင်မှားယွင်းထားသော ဝှက်ထားသည့် စာသားများကို ဆက်လက်ထိန်းသိမ်းသွားမည်ဖြစ်သည်။ ထို့ကြောင့် batch မုဒ်ကို မရွေးချယ်မီ ကူးယူနှိုင်းယှဉ်သည့် စစ်ဆေးမှုကို မဖြစ်မနေ ပြုလုပ်ရခြင်း ဖြစ်သည်။

အဖြစ်များသော အမှားများ

“စာသားကို ရွေးချယ်၍ရပါက OCR ပြုလုပ်ခြင်းကို ကျော်ပါ”

စာမျက်နှာ ၄ သည် ထိုစည်းမျဉ်း မှားယွင်းကြောင်း သက်သေပြနေသည်။ စာသားရွေးချယ်နိုင်ခြင်းသည် စာသားတည်ရှိနေမှုကိုသာ စစ်ဆေးပေးနိုင်ပြီး တိကျမှန်ကန်မှုကို မစစ်ဆေးနိုင်ပါ။

“စိတ်ချရအောင် PDF တစ်ခုလုံးကို OCR လုပ်ပါ”

ယင်းသည် ရှင်းလင်းသည့် ဒစ်ဂျစ်တယ်စာမျက်နှာများကို အရည်အသွေး ကျဆင်းစေနိုင်သည့်အပြင် အသုံးဝင်သော PDF object များကိုလည်း ဖယ်ရှားပစ်နိုင်သည်။ ထို့ပြင် အဓိပ္ပာယ်ပြည့်ဝသော ဖတ်ရှုမှုအစီအစဉ်ကို အလိုအလျောက် ပြုပြင်မပေးဘဲ ပြန်လည်စစ်ဆေးရမည့် အပိုင်းများကိုသာ ပိုမိုများပြားစေပါသည်။

“ပို၍ အထားအသို ချောမွေ့ပုံရသည့် ရလဒ်ကို အသုံးပြုပါ”

ဤနေရာတွင် အထားအသို ချောမွေ့မှုသည် အန္တရာယ်ရှိနိုင်သည်။ မျက်မြင်စာမျက်နှာနှင့် နှိုင်းယှဉ်စစ်ဆေးပါ။ Language model တစ်ခုက သတ်မှတ်ကုဒ်နံပါတ် သို့မဟုတ် ပမာဏတစ်ခုကို သတိမပြုမိဘဲ ပြုပြင်လိုက်သည်ကို လက်ခံပြီး ထိုရလဒ်အား မူရင်းအထောက်အထားအဖြစ် မသတ်မှတ်ပါနှင့်။

“သန့်ရှင်းသော စာမျက်နှာတစ်မျက်နှာသည် ဖိုင်တစ်ခုလုံးကို ကိုယ်စားပြုသည်”

ရောနှောနေသော PDF များကို တွေ့ရလေ့ရှိပါသည်၊ ဥပမာ ဒစ်ဂျစ်တယ် မျက်နှာဖုံးစာမျက်နှာ၏ နောက်တွင် စကင်ဖတ်ထားသော အခန်းများ ပါဝင်နေနိုင်သည်၊ သို့မဟုတ် ရှာဖွေနိုင်သော စာအုပ်တစ်အုပ်တွင် ပုံသီးသန့်ပါသော စာမျက်နှာများ ညှပ်ထည့်ထားခြင်းမျိုး ဖြစ်နိုင်သည်။ ဆုံးဖြတ်ချက်များကို စာမျက်နှာ အပိုင်းအလိုက် မှတ်တမ်းတင်ပါ။

ဘာသာပြန်ရန် အဆင်သင့်ဖြစ်သော PDF အတွက် စိစစ်အတည်ပြုချက်များ

ဖိုင်ကို ဘာသာပြန်လုပ်ငန်းစဉ်သို့ မပို့မီ အောက်ပါအချက်များ အားလုံးနှင့် ကိုက်ညီမှုရှိရန် လိုအပ်ပါသည် -

1. စာမျက်နှာအပိုင်းတိုင်းကို ဒစ်ဂျစ်တယ်၊ ပုံသီးသန့် သို့မဟုတ် ရှိပြီးသား OCR အဖြစ် သတ်မှတ်ထားရှိခြင်း။
2. အဆင်မပြေသော မူလ layer များအတွက် အစားထိုးမည့်နည်းလမ်းကို မှတ်တမ်းတင်ထားရှိခြင်း။
3. နမူနာယူထားသော စာမျက်နှာများပေါ်ရှိ အမည်များ၊ ကိန်းဂဏန်းများ၊ သတ်မှတ်ကုဒ်များနှင့် မရင်းနှီးသော ဝေါဟာရများသည် မူရင်းနှင့် နှိုင်းယှဉ်စစ်ဆေးမှု အောင်မြင်ခြင်း။
4. ထုတ်ယူထားသော မူရင်းစာသားတွင် စာပိုဒ်နှင့် ကော်လံအစီအစဉ်ကို ဖတ်ရှု၍ ရနိုင်ခြင်း။
5. ဇယားများ၊ ပုံများ၊ အောက်ခြေမှတ်ချက်များနှင့် ညီမျှခြင်းများကို စစ်ဆေးအတည်ပြုထားခြင်း သို့မဟုတ် သီးခြား asset များအဖြစ် တိကျစွာ ခြေရာခံမှတ်သားထားခြင်း။
6. ဘာသာပြန်ပြီးနောက် နှိုင်းယှဉ်စစ်ဆေးနိုင်ရန် မူရင်း PDF ဖိုင် ရှိနေသေးခြင်း။

စာသားပါဝင်သော PDF တစ်ခုတွင် အဆင်မပြေမှုများ ရှိနေပါက သီးခြားဖော်ပြထားသော copy-paste စစ်ဆေးမှု လမ်းညွှန် ကို အသုံးပြုပါ။ စာမျက်နှာများသည် ပုံသီးသန့်ဖြစ်နေပါက စကင်ဖတ်ထားသော PDF လုပ်ငန်းစဉ် ကို အသုံးပြုပြီး ဘာသာစကားရွေးချယ်မှု ချို့ယွင်းချက်ဖြစ်ပါက ဘာသာစကားမျိုးစုံ OCR လမ်းညွှန် ကို အသုံးပြုပါ။

စိစစ်အတည်ပြုထားသော မူရင်းကို ဘာသာပြန်ပါ၊ ထို့နောက် ထွက်လာသောရလဒ်ကို ပြန်လည်သုံးသပ်ပါ

နောက်ဆုံးရည်မှန်းချက်မှာ စာရွက်စာတမ်း အပြည့်အစုံကို အခြားဘာသာစကားဖြင့် ဖတ်ရှုရန်ဖြစ်ပါက စစ်ဆေးအတည်ပြုထားသော PDF ကို PDF Translatorသို့ တင်ပါ။ စကင်ဖတ်ထားသော သို့မဟုတ် ပုံအများအပြားပါဝင်သော စာမျက်နှာများအတွက် BookTranslator ၏ OCR စနစ်သည် အသိအမှတ်ပြုနိုင်သော အကြောင်းအရာများကို ထုတ်ယူပြီး သန့်ရှင်းသပ်ရပ်သည့် ဘာသာပြန် PDF အဖြစ် ပြန်လည်တည်ဆောက်ပေးပါသည်။ သို့သော် မူရင်းစာမျက်နှာ အဆင်အပြင်၊ ဖောင့်များ သို့မဟုတ် အရွယ်အစားများကို အတိအကျ ထိန်းသိမ်းပေးရန် သို့မဟုတ် ရှိပြီးသား လျှို့ဝှက်စာသား layer တိုင်းကို ပြုပြင်ပေးရန် အာမမခံပါ။

စာမျက်နှာစာရင်းနှင့် မူရင်းဖိုင်ကို သိမ်းထားပါ။ ဘာသာပြန်ပြီးနောက် ပစ်မှတ်ဖိုင်ပေါ်တွင် အန္တရာယ်များသည့် စစ်ဆေးမှုများကို ထပ်မံပြုလုပ်ပါ- အမည်များ၊ အရေအတွက်များ၊ အထောက်အထားပြကုဒ်များ၊ စာမျက်နှာပါဝင်မှု အပြည့်အစုံရှိမရှိ၊ စာပိုဒ်အစီအစဉ်နှင့် သင်အမှီပြုထားသည့် မည်သည့်ဖွဲ့စည်းပုံကိုမဆို ပြန်လည်စစ်ဆေးပါ။ PDF ဘာသာပြန်ဆိုမှု QA စစ်ဆေးရမည့်စာရင်း တွင် ထိုနောက်ဆုံးအတည်ပြုလက်ခံသည့် အဆင့်ကို ဖော်ပြထားပါသည်။

အဓိကလိုက်နာရမည့် စည်းမျဉ်းမှာ ရိုးရှင်းပါသည်- စိတ်ချရပြီးသားအရာများကို တိုက်ရိုက်ထုတ်ယူပါ၊ အသိအမှတ်ပြုဖတ်ရှုရန် လိုအပ်သည့်အရာကိုသာ OCR ပြုလုပ်ပါ၊ စာသားအလွှာ (text layer) မှားယွင်းနေကြောင်း သက်သေပြပြီးမှသာ ၎င်းကို အစားထိုးလဲလှယ်ပါ။