برنامهٔ کلاس‌های جبرانی روی تابلوی دانشکده نصب شده است. شما یک عکس از آن می‌گیرید و حالا لازم دارید این ساعت‌ها را به‌صورت یک جدول مرتب و متن قابل جست‌وجو در یادداشت‌های خود داشته باشید. تایپ کردن دوبارهٔ نام استادها، ساعت‌ها و شمارهٔ کلاس‌ها زمان‌بر است و احتمال خطای تایپی دارد. تبدیل عکس به متن با هوش مصنوعی بیشتر این تایپ دوباره را از دوش شما برمی‌دارد. در ادامه شیوهٔ کار این مدل‌ها، متن درخواست (پرامپت) مناسب برای جدول و اسکرین‌شات، یک آزمایش واقعی و محدودیت مدل‌ها در خواندن دستخط را می‌بینید.
هوش مصنوعی چطور تصویرها را می‌بیند؟
نرم‌افزارهای نویسه‌خوان قدیمی (OCR) حروف را یکی‌یکی پیدا می‌کردند و صفحه‌آرایی را اغلب به هم می‌ریختند. امروز یک مدل بینا (Vision Model)، یعنی مدلی که عکس را میخواند، کل تصویر را با هم می‌بیند. عکس هم مثل متن به واحد شمارش متن (توکن) تبدیل می‌شود و هزینهٔ ورودی دارد؛ در بیشتر مدل‌ها تعداد این توکن‌ها به اندازهٔ تصویر بستگی دارد. این مدل‌ها سطرها، ستون‌ها، جدول‌ها و فاصله‌ها را تشخیص می‌دهند و معمولاً همان چیزی را می‌نویسند که در تصویر هست.
همین توانایی یک خطر پنهان هم دارد. مدل‌های زبانی یاد گرفته‌اند جمله‌ها را کامل و روان کنند. اگر کلمه‌ای در عکس تار افتاده باشد، مدل ممکن است بر اساس کلمه‌های مجاور، یک کلمهٔ منطقی را حدس بزند و در خروجی بنویسد. برای مهار این رفتار، «سبک پاسخ» را روی «دقیق» بگذارید که دمای (Temperature) پایین است. در پرامپت هم همیشه این دو شرط را بنویسید: از مدل بخواهید «دقیقاً همان‌طور که نوشته شده» متن را برگرداند و بخش‌های تار را به‌جای حدس زدن با علامتی مثل «ناخوانا» مشخص کند.
تبدیل عکس به متن در چت گیسو، قدم‌به‌قدم
- باز کردن چت. به چت با هوش مصنوعی گیسو بروید.
- انتخاب مدل پایه. می‌توانید انتخاب را روی حالت خودکار «گیسو» رها کنید. «گیسو» عکس را خودش به مدلی می‌دهد که تصویر می‌بیند. اگر ترجیح می‌دهید کنترل دست خودتان باشد، یک مدل بینا مثل
gemini-3.8-flashیاgpt-5-miniرا انتخاب کنید. - افزودن عکس. دکمهٔ «+» و بعد «افزودن فایل» را بزنید. راه سریع‌تر برای اسکرین‌شات: آن را کپی کنید و با Ctrl+V در جعبهٔ پیام بچسبانید. عکس می‌تواند PNG، JPG، WebP یا GIF باشد، هر کدام تا ۸ مگابایت، و در هر پیام تا ۶ فایل می‌فرستید.
- هشدار اپ را جدی بگیرید. اگر مدلی که انتخاب کرده‌اید عکس نمی‌خواند، اپ عکس را نمی‌فرستد. پیامش این است: «این مدل عکس را نمی‌بیند؛ عکس‌ها فرستاده نمی‌شوند. برای عکس، مدلی با قابلیت «بینایی» انتخاب کنید.»
- ارسال پرامپت و پردازش. درخواست خود را واضح بنویسید و پیام را ارسال کنید. هزینهٔ پیام زیر پاسخ نوشته می‌شود.
یک آزمایش واقعی برای زبان فارسی
برای این راهنما یک اطلاعیهٔ نمونه با جدولی پنج‌ستونه ساختیم و تصویرش را کمی کج و کم‌نور کردیم تا شبیه عکس موبایل شود. بعد آن را با پرامپت زیر و با دمای ۰٫۲ (همان «دقیق» در «سبک پاسخ») به مدل gemini-3.6-flash دادیم؛ همین کار را در چت با هوش مصنوعی گیسو می‌کنید.
- ترتیب سطرها را نگه دارید و جدول را به شکل جدول Markdown بنویسید.
- اگر کلمه یا عددی خوانا نیست، به‌جایش [ناخوانا] بگذارید و حدس نزنید.
- چیزی توضیح ندهید و چیزی اضافه نکنید.
برنامۀ کلاس‌های جبرانی نیم‌سال پاییز
دانشکدۀ مهندسی — مدیریت آموزش، ۱۲ مهر ۱۴۰۵
به اطلاع دانشجویان می‌رساند کلاس‌های تشکیل‌نشدهٔ هفتهٔ گذشته طبق جدول زیر جبران می‌شود.
حضور در این جلسه‌ها مانند جلسه‌های عادی ثبت می‌شود.
| درس | استاد | روز | ساعت | کلاس |
|---|---|---|---|---|
| ریاضی عمومی ۲ | دکتر رحیمی | شنبه ۱۹ مهر | ۱۰ تا ۱۲ | ۲۰۴ |
| فیزیک ۱ | دکتر کاظمی | یکشنبه ۲۰ مهر | ۸ تا ۱۰ | ۱۱۸ |
| برنامه‌نویسی پیشرفته | مهندس یزدانی | سه‌شنبه ۲۲ مهر | ۱۴ تا ۱۶ | سایت ۲ |
| معادلات دیفرانسیل | دکتر نوری | چهارشنبه ۲۳ مهر | ۱۰:۳۰ تا ۱۲:۳۰ | ۳۰۷ |
دانشجویانی که در این ساعت‌ها کلاس دیگری دارند، تا پایان روز ۱۶ مهر به دفتر آموزش دانشکده (طبقهٔ اول، اتاق ۱۰۵) مراجعه کنند.
مدیریت آموزش دانشکده
مدل چیزی اضافه نکرده است. همهٔ سطرها، هر پنج ستون جدول و تک‌تک عددها با رقم فارسی درست خوانده شده‌اند. مدل جدول را به شکل Markdown نوشت که چت گیسو آن را جدول نشان می‌دهد و می‌شود مستقیم کپی‌اش کرد.
تنها تفاوت در نشانهٔ اضافهٔ «ـهٔ» است: مدل آن را در عنوان و سطر دوم با نویسهٔ دیگری نوشته («برنامۀ» و «دانشکدۀ»). روی صفحه فرقی دیده نمی‌شود، ولی جست‌وجوی «برنامهٔ» آن را پیدا نمی‌کند؛ پس اگر متن را در سندی می‌گذارید، یک بار «جست‌وجو و جایگزینی» بزنید. یک برگهٔ چاپی خوانا دلیل نمی‌شود هر عکسی همین‌قدر خوب خوانده شود؛ نتیجه را همیشه یک بار بخوانید.
پرامپت‌های کاربردی برای استخراج اطلاعات
گاهی هدف شما فراتر از داشتن یک متن ساده است. پرامپت‌های زیر برای کارهای مختلف آماده شده‌اند.
تبدیل اسکرین شات به متن
اسکرین‌شات‌ها معمولاً پر از منوها، دکمه‌ها و اطلاعات نوار ابزار هستند. با این پرامپت می‌توانید فقط متن اصلی را بیرون بکشید:
تبدیل جدول عکس به اکسل
برای انتقال اطلاعات یک برگهٔ چاپی به نرم‌افزارهای صفحه گسترده، باید خروجی را با ساختار مشخصی دریافت کنید:
سامان‌دهی عکس تخته‌سفید یا اسلاید
دانشجویان و شرکت‌کنندگان در جلسه‌ها زیاد با تخته‌های شلوغ مواجه می‌شوند:
ترجمه مستقیم از روی عکس
اگر عکسی از یک کتاب یا صفحهٔ انگلیسی دارید، نیازی نیست اول متن را استخراج کنید و بعد به دنبال ترجمه با هوش مصنوعی بروید:
استخراج داده از رسید و فاکتور
برای ثبت هزینه‌ها در نرم‌افزارهای حسابداری، این پرامپت به کار می‌آید:
استخراج متن از فایل‌های PDF اسکن‌شده
PDF اسکن‌شده در واقع چند عکس پشت سر هم است و لایهٔ متنی ندارد. اگر PDF اسکن‌شده‌ای را در چت بارگذاری کنید، گیسو همان موقع می‌گوید: «متنی در این PDF پیدا نشد؛ احتمالاً اسکن تصویری است. صفحه‌ها را به‌صورت عکس بفرستید تا مدل بینا آن را بخواند.»
پس صفحه‌ها را به عکس تبدیل کنید (با خروجی گرفتن از برنامهٔ PDF یا اسکرین‌شات از هر صفحه) و در هر پیام تا ۶ عکس بفرستید. صفحه‌ها را به ترتیب انتخاب کنید و در پرامپت خود بخواهید که شمارهٔ صفحه‌ها در خروجی حفظ شود. متن را که گرفتید، روش خلاصه کردن PDF با هوش مصنوعی را روی همان متن به کار ببرید.
تبدیل دست خط به متن؛ انتظارات واقع‌بینانه
دستخط برای مدل‌های بینا خیلی سخت‌تر از متن چاپی است. در تبدیل دست خط به متن، کیفیت نتیجه بیشتر به خودِ خط بستگی دارد. اگر دستخط شما خوانا، با فاصله‌های مشخص بین کلمه‌ها و روی کاغذ خطدار نوشته شده باشد، نتیجه اغلب خوانا درمیآید. در مقابل، دست‌خط‌های سریع، جوهر رنگ‌ورورفته، خط‌خوردگی‌های زیاد و ترکیب کلمه‌های فارسی و انگلیسی در یک سطر، احتمال خطا را بالا می‌برند.
در متن‌های مبهم، مدل زبانی تلاش میکند جای خالی کلمه‌ها را با حدس زدن پر کند. مدل کلمه‌ای را می‌نویسد که از نظر معنایی در جمله درست به نظر می‌رسد، حتی اگر با متن روی کاغذ متفاوت باشد. برای کاهش این خطاها، همیشه درخواست کنید که بخش‌های نامشخص با عبارت خاصی مشخص شوند و مدل چیزی را از خودش اضافه نکند.
تکنیک‌های عکاسی و حفظ حریم خصوصی
خروجی مدل به کیفیت عکس بستگی دارد. هنگام عکس گرفتن، دوربین را موازی با برگه نگه دارید. مراقب باشید بازتاب نور چراغ، کلمه‌ها را محو نکند. کل صفحه باید در قاب تصویر جا بگیرد، اما اگر با یک برگهٔ طولانی با فونت ریز روبه‌رو هستید، از نیمهٔ بالایی و پایینی جداگانه عکس بگیرید و آن‌ها را در دو فایل مجزا بفرستید.
دسترسی برای توسعه‌دهندگان
اگر می‌خواهید استخراج متن از تصویر را در نرم‌افزار خود خودکار کنید، وب‌سرویس (API) گیسو هم همین کار را میکند: تصویر را در یک درخواست چت، با قالب OpenAI، برای یک مدل بینا بفرستید. پارامترها و نمونهٔ درخواست در راهنمای ورودی تصویر (Vision) آمده است.
دفعهٔ بعد که با یک اسکرین‌شات یا برگهٔ چاپی مواجه شدید و تصمیم گرفتید آن را از نو تایپ کنید، عکسش را در چت بفرستید. پرامپت متناسب را کپی کنید و از مدل بخواهید متن را استخراج کند. بعد ببینید چقدر از تایپ دوباره کم شده است.
