شناسایی متن از تصویر: ابتدا، سامانه با استفاده از الگوریتم‌های پردازش تصویر، متن موجود در عکس را شناسایی می‌کند. این الگوریتم‌ها معمولاً از مدل‌های شبکه‌های عصبی عمیق که به تصویربرداری و شناسایی اجسام متمرکز هستند، بهره می‌برند. پس از شناسایی متن، مراحل بعدی به تفکیک و استخراج کلمات و جملات از تصویر متناسب با معنای آنها می‌پردازد.

 ترجمه متن:  متن استخراج شده از تصویر به عنوان ورودی به سامانه ترجمه زبان می‌شود. اینجا از مدل‌های یادگیری عمیق ترجمه متن، مانند مدل‌های ترجمه ماشینی از نوع Transformer، استفاده می‌شود. این مدل‌ها با توجه به متن ورودی، قادرند ترجمه‌ی آن را به زبان مورد نظر انجام دهند. علاوه بر این، سیستم ممکن است از مدل‌های ترکیبی استفاده کند تا هماهنگی بهتری بین تصویر و متن حاصل شود و ترجمه دقیق‌تری انجام گیرد.

این روش ترجمه متن با گرفتن عکس به عنوان یک راه حل مؤثر می‌تواند در مواقعی که متنی از زبان خارجی در تصویر وجود دارد و نیاز به ترجمه فوری داریم، به کار گیرد.