Imagem para texto (OCR)

Quando o OCR economiza tempo de verdade

O reconhecimento óptico de caracteres vale a pena sempre que você estiver prestes a redigitar algo que já está vendo na tela. Casos típicos:

• Um print de uma mensagem de erro, um trecho de configuração ou uma conversa que você precisa colar em um chamado ou em um buscador.
• A foto de um cupom fiscal impresso, de um número de nota, de uma plaqueta com número de série ou de um cartão com a senha do Wi-Fi.
• Uma página escaneada de um livro ou contrato da qual você precisa de dois parágrafos, não do documento inteiro.
• Uma placa, um cardápio ou um aviso em um idioma que você quer passar por um tradutor.

Para um documento escaneado com várias páginas, prefira tornar o PDF escaneado pesquisável; assim o layout é mantido e uma camada de texto oculta é adicionada.

O que acontece depois que você solta a imagem

A ferramenta usa o Tesseract, um motor de OCR de código aberto desenvolvido originalmente na HP e mantido depois pelo Google, compilado para WebAssembly para rodar dentro da aba do seu navegador. Ele usa o modo de rede neural LSTM do Tesseract, que lê linhas inteiras em vez de comparar letras isoladas.

Em termos simples:

1. O motor e os dados treinados do seu idioma são carregados. O navegador guarda tudo em cache, então só a primeira execução precisa esperar por eles.
2. O Tesseract analisa o layout da página, encontra blocos e linhas de texto e divide as linhas em palavras.
3. Cada linha passa pela rede neural, que devolve os caracteres mais prováveis. A barra de progresso que você vê acompanha essa etapa.
4. O resultado tem os espaços em branco do início e do fim removidos e aparece na caixa de texto, pronto para copiar ou salvar como um arquivo .txt com o nome da sua imagem.

Quando você escolhe qualquer idioma diferente do inglês, o inglês é carregado junto automaticamente. Prints de interfaces, nomes de produtos, URLs e código costumam estar em alfabeto latino mesmo dentro de um texto em russo ou vietnamita, e o segundo modelo evita que eles saiam embaralhados. Se você trocar o Idioma depois de uma execução, a mesma imagem é reconhecida de novo com a nova configuração, sem precisar enviá-la outra vez.

A ferramenta processa uma imagem por vez. Os formatos aceitos são JPG, PNG, WebP e BMP, com até 30 MB.

Como preparar a imagem para o texto sair limpo

A precisão do OCR depende muito mais da imagem de entrada do que do motor.

O tamanho das letras é o que mais importa

O Tesseract foi treinado com textos em que as letras maiúsculas têm mais ou menos de 20 a 40 pixels de altura. Isso equivale a uma página escaneada a cerca de 300 DPI. Abaixo disso, as letras se fundem e o motor começa a chutar.

• Uma página A4 inteira fotografada com um celular de 12 MP (cerca de 4000×3000 px) gera um texto corrido com boa altura. A mesma página em um quadro de vídeo de 1280×720 não.
• Um print do celular na resolução nativa geralmente funciona. Um print que foi reduzido por um aplicativo de mensagens muitas vezes não; peça o arquivo original.
• Se o texto ocupa só uma pequena parte de uma foto grande, corte a imagem nessa área. Menos fundo significa menos detecções falsas.

Reta, plana e com iluminação uniforme

• Mantenha as linhas de texto na horizontal. Uma inclinação de poucos graus é tolerada; 10 graus ou mais aumentam bastante os erros, e texto de lado ou de cabeça para baixo quase sempre falha.
• Fotografe as páginas bem planas. A curvatura da lombada de um livro entorta as linhas perto da dobra, então espere erros ali.
• Evite o reflexo de papel brilhante e a sombra do próprio celular; luz natural lateral funciona melhor que o flash.
• Alto contraste ajuda: texto escuro sobre fundo claro é o ideal. Texto cinza-claro sobre branco, ou texto em cima de uma foto, é o caso mais difícil.

Leia o resultado com olhar crítico

Revise o texto antes de colá-lo em qualquer lugar importante. Deslizes comuns:

• 0 e O, 1, l e I, rn e m, 5 e S. Confira esses caracteres um por um em números de série, códigos e senhas.
• Tabelas saem como linhas de palavras separadas por espaços, sem estrutura de colunas. Copie-as para uma planilha e separe por espaços, se precisar.
• Layouts com várias colunas podem misturar linhas de colunas vizinhas; corte uma coluna por vez.
• Letra manuscrita está fora do que o Tesseract aprendeu. Letra de forma bem caprichada às vezes funciona; letra cursiva em geral não.

Um resultado vazio normalmente significa que o motor não encontrou nada que considere texto: as letras são pequenas demais, borradas demais ou o idioma selecionado não corresponde ao alfabeto, por exemplo, um idioma latino escolhido para uma imagem com texto em cirílico.

Privacidade

Como o reconhecimento roda no seu próprio dispositivo, a imagem nunca é enviada para um servidor. Isso torna a ferramenta adequada para documentos que você não deveria mandar para terceiros: documentos de identidade, extratos bancários, prints internos da empresa. A velocidade depende só do seu aparelho: um print típico leva alguns segundos em um notebook.