آموزش قدم‌به‌قدم OCR-STT Tool

راه پیشنهادی اندروید: ترموکس (Termux) پیشنهاد ما

ترموکس یک ترمینال واقعی لینوکس داخل اندروید است و خوشبختانه موتور OCR (تسرکت) هم داخل مخازن آن هست؛ یعنی بدون نیاز به فایل APK جدا، همان نسخه کامپیوتر را روی گوشی اجرا می‌کنی.

1. نصب ترموکس: از F-Droid یا صفحه GitHub ترموکس نصب کن (نسخه گوگل‌پلی قدیمی و خراب است).
2. دسترسی به حافظه: این دستور را یک‌بار بزن و دسترسی را تأیید کن تا به عکس‌ها و فایل‌هایت برسی:
   termuxکپی

   termux-setup-storage

3. نصب ابزارهای لازم (دقت: پکیج ترموکس فقط زبان انگلیسی را همراه دارد):
   termuxکپی

   pkg update && pkg install -y python tesseract poppler ffmpeg git curl

4. افزودن زبان فارسی به تسرکت: فایل زبان را دستی داخل پوشه tessdata بگذار و تست کن:
   termuxکپی

   mkdir -p $PREFIX/share/tessdata
   curl -L -o $PREFIX/share/tessdata/fas.traineddata https://github.com/tesseract-ocr/tessdata/raw/main/fas.traineddata
   tesseract --list-langs

   اگر در خروجی fas را دیدی یعنی فارسی فعال شده است.
5. دریافت پروژه:
   termuxکپی

   git clone https://github.com/Alvandcode/ocr-stt-tool.git
   cd ocr-stt-tool
   pip install -r requirements.txt

6. اولین اجرا: فایل‌ها داخل /sdcard هستند؛ مثلاً:
   termuxکپی

   python -m app.cli pdf /sdcard/Download/book.pdf --max-pages 3
   python -m app.cli image /sdcard/DCIM/photo.jpg --ocr-lang fas+eng
   python -m app.cli audio /sdcard/Download/voice.wav --lang fa-IR

راه پیشرفته اندروید: فایل APK آزمایشی

ساخت APK با Buildozer فقط روی لینوکس انجام می‌شود و چون باینری تسرکت داخل پکیج موبایل نیست، بخش OCR عکس روی APK کار نمی‌کند. اگر فقط استخراج متن PDF می‌خواهی:

1. روی یک سیستم لینوکس، مخزن را کلون کن و
   bashکپی

   pip install buildozer
   buildozer -v android debug

2. فایل خروجی داخل پوشه bin/ ساخته می‌شود؛ آن را به گوشی منتقل و نصب کن.

آیفون (iOS) توصیه نمی‌شود

اپل اجازه نصب ابزارهای خط فرمان مثل تسرکت را نمی‌دهد، پس اجرای مستقیم پروژه روی آیفون عملی نیست. دو جایگزین داری:

• راه ساده: فایل را با همان گوشی برای خودت بفرست و روی کامپیوتر یا داکر اجرا کن (بخش‌های بعدی).
• راه فنی: بیلد Kivy-iOS فقط رابط گرافیکی را بالا می‌آورد و OCR عکس همچنان کار نمی‌کند؛ وقتش را فقط اگر توسعه‌دهنده iOS هستی بگذار.

1. نصب پایتون 3.12: از python.org نسخه 3.12 را دانلود کن (نه 3.13 به بالا — موتور گفتار و whisper رویشان نصب نمی‌شوند) و موقع نصب تیک Add python.exe to PATH را حتماً بزن. اگر چند نسخه داری، در ادامه به‌جای pip و python بنویس py -3.12 -m pip و py -3.12 -m app.cli.
2. نصب تسرکت: نصب‌کننده UB-Mannheim را بگیر و موقع نصب زبان Persian (fas) را هم انتخاب کن. بعد در CMD تست کن:
   cmdکپی

   tesseract --version
   tesseract --list-langs

   اگر دستور شناخته نشد، پوشه نصب (مثلاً C:\Program Files\Tesseract-OCR) را به PATH ویندوز اضافه کن.
3. دریافت و نصب پروژه:
   cmdکپی

   git clone https://github.com/Alvandcode/ocr-stt-tool.git
   cd ocr-stt-tool
   pip install -r requirements.txt

4. اولین دستورها:
   cmdکپی

   python -m app.cli pdf examples\sample.pdf
   python -m app.cli image "C:\Users\You\Pictures\note.jpg" --ocr-lang fas+eng
   python -m app.cli audio voice.wav --lang fa-IR -o result.txt

   --- Page 1 ---
   Hello OCR-STT

1. نصب یکجای وابستگی‌های سیستمی:
   bashکپی

   sudo apt update && sudo apt install -y python3 python3-pip \
     tesseract-ocr tesseract-ocr-fas tesseract-ocr-eng poppler-utils ffmpeg git

2. دریافت و نصب پروژه:
   bashکپی

   git clone https://github.com/Alvandcode/ocr-stt-tool.git
   cd ocr-stt-tool
   pip install -r requirements.txt

3. اولین دستورها + خروجی JSON و زیرنویس:
   bashکپی

   python -m app.cli pdf examples/sample.pdf
   python -m app.cli pdf scan.pdf --ocr-fallback --ocr-lang fas+eng
   python -m app.cli audio speech.wav --lang fa-IR --format json -o res.json
   pip install faster-whisper
   python -m app.cli audio speech.wav --engine whisper --format srt -o subs.srt

1. نصب Homebrew (اگر نداری، دستورش در سایت brew.sh است) و بعد:
   bashکپی

   brew install python tesseract tesseract-lang poppler ffmpeg git

2. دریافت و نصب پروژه:
   bashکپی

   git clone https://github.com/Alvandcode/ocr-stt-tool.git
   cd ocr-stt-tool
   pip3 install -r requirements.txt

3. اجرا:
   bashکپی

   python3 -m app.cli image photo.jpg --ocr-lang fas+eng --normalize-fa
   python3 -m app.cli audio voice.wav --lang fa-IR

1. اول پکیج گرافیکی را نصب کن:
   bashکپی

   pip install -r requirements-gui.txt
   python -m app.gui_kivy

2. از لیست فایل‌ها، فایلت را انتخاب کن (فیلتر فرمت‌ها فعال است).
3. زبان گفتار (fa-IR/en-US)، زبان OCR و موتور (google/whisper) را از منوها بگذار؛ تیک Normalize FA خروجی فارسی را تمیز می‌کند.
4. دکمه Image / PDF / Audio به متن را بزن؛ نتیجه در کادر اسکرول‌دار می‌آید و موتور و زمان اجرا هم در نوار وضعیت نمایش داده می‌شود.

یادآوری حریم خصوصی

حالت گفتار با موتور google صدا را به سرور گوگل می‌فرستد و اینترنت می‌خواهد. برای فایل‌های حساس از whisper آفلاین استفاده کن.