বাংলা OCR-এ Google না Azure—মুদ্রিত নথি আর হাতের লেখায় ফল বদলায়

মুদ্রিত বাংলা নথির জন্য Google Cloud Vision দিয়ে পরীক্ষা শুরু করাই যুক্তিসংগত। Google Cloud Vision-এর ভাষাসমর্থন তালিকায় বাংলা নিয়মিত মূল্যায়িত ভাষা, আর বাংলা লিপির হাতের লেখা পরীক্ষামূলক। ফলে বই বা ছাপা নথিতে সেবাটি প্রাথমিক প্রার্থী হলেও হাতে লেখা খাতার জন্য একই আস্থা ধরে নেওয়া যায় না।

Azure Vision Read মিশ্র ভাষার লেখা ভাষা নির্দিষ্ট না করেও পড়তে পারে। তবে Microsoft-এর Read ভাষাতালিকায় বাংলা মুদ্রিত বা হাতে লেখা পাঠ্য আহরণের সমর্থিত ভাষা হিসেবে নেই। বাংলা-ইংরেজি নথিতে তাই ইংরেজি অংশ উদ্ধার হওয়া মানেই বাংলা অংশও নির্ভরযোগ্যভাবে উঠবে, এমন সিদ্ধান্তের ভিত্তি নেই।

মুদ্রিত বাংলায় প্রথম পছন্দের ভিত্তি

ভাষাসমর্থন নির্বাচনকে সহজ করে, কিন্তু নির্ভুলতার হার বলে না। পরিচ্ছন্ন ছাপা পাতা, পুরোনো বইয়ের বিবর্ণ অক্ষর এবং সংবাদপত্রের ঘন কলামে একই সেবার ফল আলাদা হতে পারে। কোনো আর্কাইভে মূল কাজ যদি পাঠ্য অনুসন্ধান হয়, কয়েকটি ভুল অক্ষর সহনীয় হতে পারে; নাম, তারিখ বা নথির পরিচয় তুলে আনতে হলে সেই ভুলই গুরুতর। গ্রহণযোগ্য ফলের সংজ্ঞা তাই নথির ব্যবহারের সঙ্গে ঠিক করতে হবে।

Google Cloud Vision-এর ক্ষেত্রে নথিভিত্তিক পাঠ্য শনাক্তকরণে বাংলা ভাষার ইঙ্গিত দেওয়ার সুযোগ আছে। স্বয়ংক্রিয় শনাক্তকরণে ফল খারাপ হলে সেই ইঙ্গিত দিয়ে দ্বিতীয় কনফিগারেশন পরীক্ষা করা যায়। দুই কনফিগারেশনের ফল আলাদা রাখলে উন্নতি ভাষার ইঙ্গিত থেকে এসেছে কি না বোঝা যাবে; অন্য সেবার সঙ্গে তুলনায়ও একই ধরনের ইনপুট ব্যবহার করা সম্ভব হবে।

মিশ্র ভাষা ও হাতের লেখায় সীমারেখা

মিশ্র ভাষা পড়ার ক্ষমতা কেবল তখনই কাজে লাগে, যখন প্রয়োজনীয় ভাষায় পাঠ্য আহরণের সমর্থনও থাকে। একই পাতায় ইংরেজি শিরোনাম ও বাংলা মূল লেখা থাকলে পুরো পাতার একটি সামগ্রিক ভুলের হার বিভ্রান্ত করতে পারে: ইংরেজি ঠিক উঠলেও বাংলা অনুচ্ছেদ বাদ যেতে পারে। বাংলা ও ইংরেজি অংশের ফল আলাদা মাপলে এই সমস্যা ধরা পড়ে।

Azure-এর পণ্যগুলোর ভাষাতালিকাও এক করে পড়া যায় না। Azure Document Intelligence-এর নির্দেশিকায় বাংলা ভাষা শনাক্ত করার তালিকায় আছে, কিন্তু নির্দেশিকাটি শনাক্তযোগ্য ভাষা ও পাঠ্য আহরণের সমর্থিত ভাষাকে আলাদা করেছে। কোনো পাতায় বাংলা আছে বলে চিহ্নিত করা আর তার অক্ষরগুলো উদ্ধার করা ভিন্ন কাজ। Document Intelligence-এর ক্ষমতাকেও Azure Vision Read-এর ক্ষমতা হিসেবে ধরে নেওয়া যাবে না।

হাতের লেখার সিদ্ধান্তে ব্যবধান আরও স্পষ্ট। Google বাংলা লিপির হাতের লেখাকে পরীক্ষামূলক রেখেছে; Azure Vision Read-এর প্রকাশিত হাতের লেখার তালিকায় বাংলা নেই। পরীক্ষামূলক সমর্থন মানে নমুনা চালানোর পথ আছে, কিন্তু ছাপা বাংলার মতো নিয়মিত কর্মক্ষমতা মূল্যায়নের আশ্বাস নেই। একই খাতায় লেখকের হাত, কালি ও পাতার অবস্থা বদলালে ফল কতটা বদলায়, সেটিও প্রকল্পের নিজের নমুনায় দেখতে হবে।

প্রকাশিত তুলনার সংখ্যাগুলো কোথায় প্রযোজ্য

সরকারি নথি নিয়ে প্রকাশিত গবেষণায় ইংরেজিভিত্তিক নমুনার পরিষ্কার মুদ্রিত লেখায় Google Cloud Vision API v1-এর অক্ষরভিত্তিক ভুলের হার ছিল ১.২% এবং Azure Computer Vision API 3.2-এর Read ব্যবস্থায় ১.৫%; ক্ষতিগ্রস্ত নথিতে হার ছিল যথাক্রমে ৯.১% ও ৮.৭%। পরিষ্কার ও ক্ষতিগ্রস্ত পাতায় এই দুই সেবার আপেক্ষিক অবস্থান বদলেছে। সংখ্যাগুলো পরীক্ষায় ব্যবহৃত কনফিগারেশন ও নথির ফল, বাংলা নথির জন্য ঘোষিত নির্ভুলতার হার নয়।

গবেষণার ক্ষতিগ্রস্ত নথির দলে মাইক্রোফিল্ম থেকে তৈরি স্ক্যান ছিল; পাশাপাশি টাইপ করা চিঠি, ফরম, সারণি ও হাতে লেখা নথিও পরীক্ষায় ছিল। গবেষকেরা বাংলা অংশের স্বতন্ত্র ফল দেননি এবং ইংরেজি নথিতে মনোযোগ দেওয়াকে বহুভাষিক ব্যবহারের সীমা হিসেবে চিহ্নিত করেছেন। ফলে ক্ষয়প্রাপ্ত বাংলা পাতা দেখেই Azure-কে এগিয়ে রাখা যায় না। প্রকাশিত ফলটি শুধু দেখায়, পরিচ্ছন্ন পাতার বিজয়ীকে ক্ষতিগ্রস্ত পাতার জন্য স্বয়ংক্রিয়ভাবে বেছে নেওয়া ঠিক হবে না।

একটি গুরুত্বপূর্ণ পার্থক্য হলো পরীক্ষার সংস্করণ। গবেষণায় ব্যবহৃত Azure Computer Vision API-এর Read ব্যবস্থা আর আজকের ভাষাসমর্থন তালিকার মডেলকে অভিন্ন ধরে ফল স্থানান্তর করা যায় না। কোনো নতুন সংস্করণ প্রকল্পে ব্যবহার করলে তার নাম ও সেটিং ফলের পাশে লিখতে হবে। তাহলে পরের পরীক্ষায় ভুলের হার বদলালে নথির ধরন, ছবি প্রস্তুতি না মডেল—কোনটি বদলেছে, তা আলাদা করা সহজ হবে।

একই নমুনায় তুলনা করার পদ্ধতি

নিজেদের সংগ্রহ থেকে পরিচ্ছন্ন মুদ্রিত, ক্ষতিগ্রস্ত মুদ্রিত ও হাতে লেখা নথির পৃথক নমুনা নিন। প্রতিটি প্রাসঙ্গিক দলে বাংলা-প্রধান এবং বাংলা-ইংরেজি মিশ্র পাতা রাখুন। প্রকল্পে যদি যুক্তাক্ষরসমৃদ্ধ পুরোনো ছাপা, বিবর্ণ কালি, ভাঁজের কাছে লেখা বা হাতে পূরণ করা ঘর থাকে, নমুনায় সেগুলোর প্রতিনিধিত্ব থাকা দরকার। শুধু সবচেয়ে স্পষ্ট পাতা বেছে নিলে উৎপাদনের কঠিন অংশ পরীক্ষার বাইরে থেকে যাবে।

প্রতিটি পাতার মানবপ্রস্তুত নির্ভুল পাঠ্যরূপ বানান; দ্ব্যর্থক অক্ষর অন্য পাঠক দিয়ে মিলিয়ে নিন। তারপর একই মূল ছবি, একই কাটছাঁট, ঘূর্ণন ও রেজল্যুশন দুই সেবায় পাঠান। একটি সেবার জন্য ছবি পরিষ্কার করে অন্যটিতে অপরিবর্তিত ছবি দিলে ফল সেবার পাশাপাশি ছবি প্রস্তুতিরও তুলনা হয়ে যায়। কাঁচা ও পরিষ্কার করা ছবির ফল দেখতে চাইলে সেগুলোকে পৃথক পরীক্ষার দল হিসেবে রাখুন।

প্রথম পর্যায়ে দুই সেবার স্বাভাবিক স্বয়ংক্রিয় ভাষা শনাক্তকরণ ব্যবহার করা যায়। পরে Google-এ বাংলা ভাষার ইঙ্গিত দিলে সেই ফলকে নতুন কনফিগারেশন হিসেবে চিহ্নিত করুন। মিশ্র পাতায় বাংলা ও ইংরেজি অঞ্চল আলাদা নথিবদ্ধ করুন; হাতে লেখা টীকা থাকলে সেটিকেও ছাপা মূল লেখার ফলের সঙ্গে মেশাবেন না। ফল সংরক্ষণে ছবি শনাক্তকারী, সেবা ও মডেল, ব্যবহৃত সেটিং এবং পরীক্ষার সময় রাখলে একই নমুনা আবার চালানো সম্ভব হবে।

অক্ষরভিত্তিক ভুলের হার কী বলে

অক্ষরভিত্তিক ভুলের হার বা CER হলো OCR ফলকে নির্ভুল পাঠ্যের সঙ্গে মেলাতে যত অক্ষর বদলাতে, বাদ দিতে বা যোগ করতে হয়, তার মোট সংখ্যা নির্ভুল পাঠ্যের অক্ষরসংখ্যা দিয়ে ভাগ করা। ধরা যাক একটি কাল্পনিক নমুনায় নির্ভুল পাঠ্যে ১০০ অক্ষর আছে এবং ফল মেলাতে ৫টি সংশোধন লাগে; CER হবে ৫%। কম হার মানে এই মাপে কাছাকাছি পাঠ্য, কিন্তু ভুলগুলো কোন শব্দে ঘটেছে তা হারটি একা জানায় না।

বাংলায় গণনার নিয়ম আগে স্থির করা জরুরি। মাত্রা ও যুক্তাক্ষরের দৃশ্যমান রূপের পেছনে একাধিক ইউনিকোড উপাদান থাকতে পারে। নির্ভুল পাঠ্য ও OCR ফল একই নিয়মে স্বাভাবিকীকরণ করে অক্ষর গণনা করুন; ফাঁক, যতিচিহ্ন এবং বাংলা ও ইংরেজি অঙ্ক গণনায় থাকবে কি না, তাও নির্দিষ্ট করুন। নিয়ম বদলালে একই দৃশ্যমান ফলের CER বদলাতে পারে। তাই তুলনার সব দলে একটি নিয়ম ব্যবহার করতে হবে।

পাতাপ্রতি হার এবং সব পাতার মোট অক্ষর ধরে হার—দুটিই কাজে লাগে। বড় পরিচ্ছন্ন পাতা বেশি হলে মোট হার কম দেখাতে পারে, অথচ ছোট হাতে লেখা নথির ভুল চাপা পড়ে যায়। বাংলা ও ইংরেজি অংশের হার, ক্ষতিগ্রস্ত পাতার হার এবং গুরুত্বপূর্ণ নাম বা শনাক্তকারী ক্ষেত্রের ভুল আলাদা রাখলে কোন সেবা বাস্তব কাজে ব্যবহারযোগ্য তা স্পষ্ট হয়।

নথির ধরন অনুযায়ী নির্বাচন

• পরিচ্ছন্ন মুদ্রিত বাংলা: Google Cloud Vision প্রথম পরীক্ষার প্রার্থী। ভাষাসমর্থনের ভিত্তি আছে; চূড়ান্ত সিদ্ধান্ত নিজের নথির অক্ষরভিত্তিক ভুল এবং গুরুত্বপূর্ণ ক্ষেত্রের ফল দেখে নিন।
• বাংলা-ইংরেজি মিশ্র পাতা: বাংলা অংশকে সিদ্ধান্তের কেন্দ্রে রাখুন। Azure Vision Read-এর মিশ্র ভাষার সুবিধা পরীক্ষা করা যায়, কিন্তু ইংরেজির ভালো ফল দিয়ে বাংলার মান বিচার করা যাবে না।
• ক্ষতিগ্রস্ত মুদ্রিত নথি: দুই সেবার ফল মাপুন। প্রকাশিত ইংরেজিভিত্তিক পরীক্ষায় আপেক্ষিক ফল বদলেছে; বাংলা সংগ্রহে কোনটি এগোবে, তা ওই সংখ্যা নির্ধারণ করে না।
• বাংলা হাতের লেখা: Google-এর পরীক্ষামূলক সমর্থনে সীমিত পরীক্ষা চালিয়ে ভুলের ধরন ও মানব সংশোধনের পরিমাণ দেখুন। Azure Vision Read-এর প্রকাশিত সমর্থন তালিকা বাংলা হাতের লেখাকে অন্তর্ভুক্ত করে না।

আরও পড়ুন:

• Gemini 3.8 Live কথা বলেই tool চালায়—বাংলা সমর্থন মানেই নির্ভুলতা নয়
• নথি থেকে ভিডিও বানাবে Google Vids—স্ক্রিপ্ট ও ভয়েসও AI-এর
• Muse Voice Transcribe কথার মাঝেই ভাষা বদল বোঝে—তবু বাংলা যাচাই হয়নি