OCR آنلاین؛ تبدیل عکس به متن

تشخیص نوری نویسه از رایانهٔ شخصی هم قدیمی‌تر است: دستگاه Kurzweil Reading Machine در سال 1976 کتاب‌های چاپی را برای کاربران نابینا بلند می‌خواند. موتور متن‌باز Tesseract در دهه 1980 در Hewlett-Packard آغاز شد، در سال 2005 متن‌باز شد و در نسخهٔ 4.0 در سال 2018 تشخیص‌دهندهٔ شبکهٔ عصبی (LSTM) گرفت. موتورهای امروزی ابتدا ناحیه‌های متن و سپس خط‌ها را پیدا می‌کنند و هر خط را به‌صورت یک دنباله تشخیص می‌دهند، نه حرف‌به‌حرف؛ برای همین فاصله‌های فشرده و لیگاتورها را بهتر از نرم‌افزارهای قدیمی‌تر مدیریت می‌کنند.

خروجی، متن به‌همراه موقعیت آن است. وقتی می‌خواهید کلمات را جایی بچسبانید متن ساده (.txt) را انتخاب کنید، برای ویرایش با حفظ چیدمان Word (.docx)، وقتی اسکن باید همان‌طور بماند PDF قابل جست‌وجو، و برای یادداشت و مستندات Markdown. دانشجویان از آن برای سؤالات امتحانی قبلی و جزوه‌های چاپی استفاده می‌کنند، ادارات برای فاکتور و نامه، و برنامه‌نویسان برای اسکرین‌شات پیام‌های خطا.

OCR نویسه‌ها را تشخیص می‌دهد، نه معنا را. مطمئن نیست که یک خط عنوان است یا زیرنویس، نمی‌تواند متنِ پنهان زیر مهر را بخواند و نمی‌داند عددی که اشتباه خوانده شده معنا دارد یا نه. نمودار، دیاگرام و عکس توصیف نمی‌شوند؛ فقط کلماتِ چاپ‌شده درون آن‌ها خوانده می‌شود. نمادهای ریاضی به‌صورت نویسه‌های ساده درمی‌آیند، نه معادله.

مترجم هم نیست: نتیجه به زبان اصلی سند است. برای سندی که از قبل متن واقعی دارد، OCR ابزار مناسبی نیست، چون PDF به متن متن موجود را سریع‌تر و بدون خطا می‌خواند. برای اسکن‌هایی که باید PDF بمانند از OCR PDF و برای خروجی Word از تصویر از تبدیل عکس به Word استفاده کنید.