தமிழ் OCR – பயனுள்ளது, ஆனால் மந்திரம் அல்ல

Tamil Ancestry Research | Family Tree Guide

இந்த கட்டுரையில்:

1. தமிழ் OCR என்ன (மக்கள் கற்பனை செய்வது அல்ல)
2. தமிழ் OCR ஏன் கடினம்: எழுத்து, font, layout, மோசமான scan
3. பல “மிருகங்கள்”: அச்சு vs கைஎழுத்து vs ஒலைச்சுவடி
4. அடிக்கடி வரும் தமிழ் OCR பிழைகள்
5. சரியான பைப்லைன்: paper → image → OCR → மனித சரிபார்ப்பு → TamizhConnect
6. TamizhConnect-இல் OCR எழுத்து/நம்பிக்கை/திருத்தம் சேமிப்பது எப்படி
7. எப்போது OCR வேதனை மதிப்பு, எப்போது கையேடு தட்டச்சு மேல்

1. தமிழ் OCR உண்மை

OCR = Optical Character Recognition: படம் பார்த்து Unicode எழுத்து output.
கற்பனை: “300 பக்கம் ஒரு கிளிக்கில் perfect text”, “கோவில் பதிவுகள் feed பண்ணி structured data” — இது மந்திரம் இல்லை.

உண்மை:

• பயனுள்ளது, ஆனால்
  • சுத்தமான நவீன font bias,
  • பழைய typefaces குழப்பம்,
  • கைஎழுத்து பெரும்பாலும் hopeless,
  • structure (column/table/headings) தெரியாது.

TamizhConnect-இல் இது ஒரு கருவி, மந்திரம் அல்ல: வேகப்படுத்தும், ஆனால் original image link + error tracking அவசியம்.

2. ஏன் கடினம்?

• எழுத்து/ligature பல வடிவங்கள்,
• font-களில் எழுத்துரு வேறுபாடு,
• பழைய புத்தகங்கள் → bleed-through, skew, faded ink,
• பல நெடுவெளி செய்தித்தாள், அட்டவணை, கோவில் பட்டியல்.

3. அச்சு vs கைஎழுத்து vs ஒலைச்சுவடி

• அச்சு (நவீன) → சிறந்த முடிவு.
• பழைய அச்சு/புத்தகம் → medium; manual correction தேவை.
• கைஎழுத்து → பெரும்பாலும் தோல்வி; manual typing மேல்.
• ஒலைச்சுவடி/வரையறை எழுத்து → OCR ஏற்றுக்கொள்ளாது; transcription அவசியம்.

4. பொதுவான பிழைகள்

• ள/ல/லா குழப்பம்,
• ி/ீ/ை vowel misplacement,
• இணைத்த எழுத்துகள் உடைப்பு,
• column mix (ஒரு column → மற்ற column join),
• இலக்கிய/பழைய சொற்கள் தவறான அறிதல்.

5. சரியான பைப்லைன்

1. scan/image: உயர் ரெசல்யூஷன், skew சரி, contrast மேம்படுத்தவும்.
2. OCR: ஏற்ற engine (tesseract, google vision…), language=ta.
3. மனித சரிபார்ப்பு: முக்கிய பக்கங்கள் manual check; spelling fix.
4. TamizhConnect upload: original image + OCR text + confidence/notes.
5. structured fields (name/date/place) கைக்கு சரிபார்த்து map செய்யவும்.

6. OCR முடிவுகளை TamizhConnect-இல் சேமிப்பு

• sourceImage link,
• ocrText (raw),
• confidence/notes (“old font; errors in long ா”),
• humanCorrectedText (இருந்தால்),
• fields extracted (பெயர்/தேதி/ஊர்) manual map.

7. எப்போது OCR, எப்போது கையேடு?

• பெரிய தொகுதி நவீன அச்சு → OCR + திருத்தம் மதிப்பு.
• சில பக்கம், பல பிழை → நேரடியாக தட்டச்சு சுலபம்.
• முக்கிய ஆதாரம் (சான்றிதழ்/கோவில் பதிவு) → manual verification கட்டாயம்.

சுருக்கம்: தமிழ் OCR ஒரு உதவி; TamizhConnect-ல் பிழை கண்காணிப்பு + original இணைப்பு வைப்பதால் மட்டுமே பாதுகாப்பாக பயன்படும்.