با مجموعه‌ها، منظم بمانید
ذخیره و طبقه‌بندی محتوا براساس اولویت‌های شما.
با API تشخیص جوهر دیجیتال کیت ML، می‌توانید متن دست‌نویس را تشخیص دهید و حرکات را روی سطح دیجیتال به صدها زبان طبقه‌بندی کنید، و همچنین طرح‌ها را طبقه‌بندی کنید. API تشخیص جوهر دیجیتال از همان فناوری استفاده می کند که تشخیص دست خط را در Gboard، Google Translate و Quick, Draw تقویت می کند! بازی
تشخیص جوهر دیجیتال به شما امکان می دهد:
به جای تایپ کردن روی صفحه کلید مجازی روی صفحه بنویسید. این به کاربران امکان می‌دهد نویسه‌هایی مانند ệ، अ یا 森 برای صفحه‌کلیدهای الفبای لاتین ترسیم کنند که در صفحه‌کلیدشان موجود نیست.
عملیات اصلی متن (ناوبری، ویرایش، انتخاب و غیره) را با استفاده از حرکات حرکتی انجام دهید.
اشکال و شکلک های طراحی شده با دست را تشخیص دهید.
تشخیص دیجیتال جوهر با حرکاتی که کاربر روی صفحه می کشد کار می کند. اگر نیاز به خواندن متن از تصاویر گرفته شده با دوربین دارید، از Text Recognition API استفاده کنید.
تشخیص جوهر دیجیتال کاملاً آفلاین کار می کند و در Android و iOS پشتیبانی می شود.
از طبقه‌بندی ژست‌ها برای این زبان‌ها از طریق پسوند -x-gesture پشتیبانی می‌کند
ایموجی ها و اشکال اصلی را تشخیص می دهد
با بارگیری پویا بسته های زبان در صورت نیاز، فضای ذخیره سازی روی دستگاه را کم نگه می دارد
شناساگر یک شی Ink را به عنوان ورودی می گیرد. Ink نمایش برداری از چیزی است که کاربر روی صفحه نوشته است: دنباله ای از ضربه ها ، که هر کدام فهرستی از مختصات با اطلاعات زمانی به نام نقاط لمسی هستند. سکته مغزی زمانی شروع می‌شود که کاربر قلم یا انگشت خود را پایین می‌آورد و زمانی که آن را بالا می‌برد به پایان می‌رسد. Ink به یک شناسه دهنده ارسال می شود، که یک یا چند نتیجه تشخیص احتمالی را با سطوح اطمینان برمی گرداند.
مثال ها
دستخط انگلیسی
تصویر سمت چپ زیر آنچه را که کاربر روی صفحه کشیده است نشان می دهد. تصویر سمت راست شی Ink مربوطه است. این شامل سکته مغزی با نقاط قرمز نشان دهنده نقاط لمسی در هر ضربه است.
چهار ضربه وجود دارد. دو ضربه اول در شی Ink به این صورت است:
جوهر
سکته مغزی 1
x
392, 391, 389, 287, ...
y
52، 60، 76، 97، ...
t
0، 37، 56، 75، ...
سکته مغزی 2
x
497، 494، 493، 490، ...
y
167، 165، 165، 165، ...
t
694، 742، 751، 770، ...
...
هنگامی که این Ink به یک شناسه‌دهنده زبان انگلیسی می‌فرستید، چندین رونویسی ممکن شامل پنج یا شش کاراکتر را برمی‌گرداند. آنها با کاهش اعتماد به نفس سفارش می شوند:
نتیجه شناخت
شناخت نامزد شماره 1
دست
شناخت نامزد شماره 2
handrw
شناخت نامزد شماره 3
سخت
شناخت نامزد شماره 4
دست
شناخت نامزد شماره 5
handwe
حرکات
طبقه‌بندی‌کننده‌های ژست، حرکت جوهر را به یکی از نه کلاس حرکتی که در زیر فهرست شده‌اند، طبقه‌بندی می‌کنند.
ژست
مثال
arch:above arch:below
caret:above caret:below
circle
گوشه: پایین سمت چپ
scribble
strike
verticalbar
writing
طرح های ایموجی
تصویر سمت چپ زیر آنچه را که کاربر روی صفحه کشیده است نشان می دهد. تصویر سمت راست شی Ink مربوطه است. این شامل سکته مغزی با نقاط قرمز نشان دهنده نقاط لمسی در هر ضربه است.
شی Ink شامل شش ضربه است.
جوهر
سکته مغزی 1
x
269، 266، 262، 255، ...
y
40، 40، 40، 41، ...
t
0، 36، 56، 75، ...
سکته مغزی 2
x
179، 182، 183، 185، ...
y
157، 158، 159، 160، ...
t
2475, 2522, 2531, 2541, ...
...
وقتی این Ink به شناسه‌ی شکلک ارسال می‌کنید، چندین رونویسی ممکن را دریافت می‌کنید که با کاهش اطمینان مرتب شده‌اند:
تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2025-07-24 بهوقت ساعت هماهنگ جهانی."],[[["\u003cp\u003eML Kit's Digital Ink Recognition API recognizes handwritten text and gestures, converting them into digital format, comparable to the technology used in Gboard and Google Translate.\u003c/p\u003e\n"],["\u003cp\u003eThis API enables on-screen writing in various languages, using gestures for text editing, and recognizing hand-drawn shapes and emojis, all without an internet connection.\u003c/p\u003e\n"],["\u003cp\u003eIt supports over 300 languages and 25+ writing systems, along with gesture classification and emoji recognition, functioning by processing stroke data of user input.\u003c/p\u003e\n"],["\u003cp\u003eDevelopers can integrate this feature to allow users to write with styluses or fingers, replacing or supplementing traditional keyboard input for a more natural and versatile user experience.\u003c/p\u003e\n"]]],["ML Kit's digital ink recognition API converts handwritten text, gestures, and sketches into digital formats. It operates offline on Android and iOS, supporting 300+ languages and 25+ writing systems. The API processes user-drawn strokes (Ink objects) to recognize text, emojis, and basic shapes, returning ranked recognition results. Gestures are classified into nine categories, aiding in text operations and user interface actions. Language packs are dynamically downloaded for space efficiency.\n"],null,["# Digital ink recognition\n\nWith ML Kit's digital ink recognition API, you can recognize handwritten text\nand classify gestures on a digital surface in hundreds of languages, as well as\nclassify sketches. The digital ink recognition API uses the same technology that\npowers handwriting recognition in Gboard, Google Translate, and the\n[Quick, Draw!](https://quickdraw.withgoogle.com/) game.\n\nDigital ink recognition allows you to:\n\n- Write on the screen instead of typing on a virtual keyboard. This lets users draw characters that are not available on their keyboard, such as ệ, अ or 森 for latin alphabet keyboards.\n- Perform basic text operations (navigation, editing, selection, and so on) using gestures.\n- Recognize hand‑drawn shapes and emojis.\n\nDigital ink recognition works with the strokes the user draws on the screen. If\nyou need to read text from images taken with the camera, use the\n[Text Recognition API](/ml-kit/vision/text-recognition).\n\nDigital ink recognition works fully offline and is supported on Android and iOS.\n\n[iOS](/ml-kit/vision/digital-ink-recognition/ios)\n[Android](/ml-kit/vision/digital-ink-recognition/android)\n\nKey Capabilities\n----------------\n\n- Converts handwritten text to sequences of unicode characters\n- Runs on the device in near real time\n- The user's handwriting stays on the device, recognition is performed without any network connection\n- Supports 300+ languages and 25+ writing systems, see the [complete list of supported languages](/ml-kit/vision/digital-ink-recognition/base-models#text)\n - Supports gesture classification for these languages via [`-x-gesture` extensions](/ml-kit/vision/digital-ink-recognition/base-models#text)\n- Recognizes emojis and basic shapes\n- Keeps on-device storage low by dynamically downloading language packs as needed\n\nThe recognizer takes an `Ink` object as input. `Ink` is a vector representation\nof what the user has written on the screen: a sequence of *strokes* , each being\na list of coordinates with time information called *touch points* . A stroke\nstarts when the user puts their stylus or finger down and ends when they lift it\nup. The `Ink` is passed to a recognizer, which returns one or more possible\nrecognition results, with levels of confidence.\n\nExamples\n--------\n\n### English handwriting\n\nThe image on the left below shows what the user drew on the screen. The image on\nthe right is the corresponding `Ink` object. It contains the strokes with red\ndots representing the touch points within each stroke.\n\n\nThere are four strokes. The first two strokes in the `Ink` object look like\nthis:\n\n| **Ink** |||\n|----------|-----|-------------------------|\n| Stroke 1 | `x` | 392, 391, 389, 287, ... |\n| Stroke 1 | `y` | 52, 60, 76, 97, ... |\n| Stroke 1 | `t` | 0, 37, 56, 75, ... |\n| Stroke 2 | `x` | 497, 494, 493, 490, ... |\n| Stroke 2 | `y` | 167, 165, 165, 165, ... |\n| Stroke 2 | `t` | 694, 742, 751, 770, ... |\n| ... | | |\n\nWhen you send this `Ink` to a recognizer for the English language, it returns\nseveral possible transcriptions, containing five or six characters. They are\nordered by decreasing confidence:\n\n| **RecognitionResult** ||\n|-------------------------|--------|\n| RecognitionCandidate #1 | handw |\n| RecognitionCandidate #2 | handrw |\n| RecognitionCandidate #3 | hardw |\n| RecognitionCandidate #4 | handu |\n| RecognitionCandidate #5 | handwe |\n\n### Gestures\n\nGesture classifiers classify an ink stroke into one of nine gesture classes\nlisted below.\n\n| Gesture | Example |\n|-----------------------------|---------|\n| `arch:above` `arch:below` | |\n| `caret:above` `caret:below` | |\n| `circle` | |\n| corner:downleft | |\n| `scribble` | |\n| `strike` | |\n| `verticalbar` | |\n| `writing` | |\n\n| **Note:** It is not always possible to reliably distinguish some gestures from writing. For example, the `verticalbar` gesture may look exactly like the digit `1` or letter `l` when they are written as a vertical lines. To allow the user to use both gestures and writing, your application may need to consider the position of the writing or gesture: for the writing over existing text, prefer the gesture interpretation; for the writing over empty space, prefer the text interpretation.\n\n### Emoji sketches\n\nThe image on the left below shows what the user drew on the screen. The image on\nthe right is the corresponding `Ink` object. It contains the strokes with red\ndots representing the touch points within each stroke.\n\n\nThe `Ink` object contains six strokes.\n\n\n| **Ink** |||\n|----------|-----|-----------------------------|\n| Stroke 1 | `x` | 269, 266, 262, 255, ... |\n| Stroke 1 | `y` | 40, 40, 40, 41, ... |\n| Stroke 1 | `t` | 0, 36, 56, 75, ... |\n| Stroke 2 | `x` | 179, 182, 183, 185, ... |\n| Stroke 2 | `y` | 157, 158, 159, 160, ... |\n| Stroke 2 | `t` | 2475, 2522, 2531, 2541, ... |\n| ... | | |\n\nWhen you send this `Ink` to the emoji recognizer, you get several possible\ntranscriptions, ordered by decreasing confidence:\n\n| **RecognitionResult** ||\n|-------------------------|--------------|\n| RecognitionCandidate #1 | 😂 (U+1f62d) |\n| RecognitionCandidate #2 | 😅 (U+1f605) |\n| RecognitionCandidate #3 | 😹 (U+1f639) |\n| RecognitionCandidate #4 | 😄 (U+1f604) |\n| RecognitionCandidate #5 | 😆 (U+1f606) |"]]
