OCR online

O reconhecimento óptico de caracteres é mais antigo que o computador pessoal: a Kurzweil Reading Machine lia livros impressos em voz alta para usuários cegos em 1976. O mecanismo de código aberto Tesseract nasceu na Hewlett-Packard nos anos 1980, foi liberado como código aberto em 2005 e ganhou um reconhecedor de rede neural (LSTM) na versão 4.0, em 2018. Os mecanismos modernos encontram regiões de texto, depois linhas, e reconhecem cada linha como uma sequência, e não letra por letra, por isso lidam melhor com espaçamento apertado e ligaturas do que softwares antigos.

O resultado é texto com posições. Escolha Texto simples (.txt) para colar as palavras em outro lugar, Word (.docx) para editar mantendo o layout, PDF pesquisável quando o escaneamento precisa ficar como está e Markdown para anotações e documentação. Estudantes usam em provas antigas e apostilas impressas, escritórios em notas fiscais e cartas, desenvolvedores em capturas de tela de mensagens de erro.

O OCR reconhece caracteres, não significado. Ele não tem certeza se uma linha é título ou legenda, não lê texto escondido sob um carimbo e não sabe se um número lido errado faz sentido. Gráficos, diagramas e fotos não são descritos; só as palavras impressas dentro deles são lidas. Notação matemática sai como caracteres simples, não como equações.

Também não é um tradutor: o resultado fica no idioma do original. Para um documento que já contém texto de verdade, o OCR é a ferramenta errada, pois PDF para texto lê o texto existente mais rápido e sem erros. Para escaneamentos que devem continuar PDFs, use OCR em PDF e, para obter Word a partir de imagens, imagem para Word.