OCR online

Nhận dạng ký tự quang học có từ trước máy tính cá nhân: năm 1976, máy đọc Kurzweil đã đọc to sách in cho người khiếm thị. Công cụ mã nguồn mở Tesseract bắt đầu tại Hewlett-Packard vào thập niên 1980, được phát hành mã nguồn mở năm 2005 và có bộ nhận dạng mạng nơ-ron (LSTM) từ phiên bản 4.0 năm 2018. Các công cụ hiện đại tìm vùng chữ, rồi từng dòng, và nhận dạng mỗi dòng như một chuỗi thay vì từng chữ cái, nên xử lý khoảng cách sát và chữ ghép tốt hơn phần mềm cũ.

Kết quả gồm chữ và vị trí của chúng. Chọn Văn bản thuần (.txt) khi cần dán chữ vào nơi khác, Word (.docx) để chỉnh sửa mà vẫn giữ bố cục, PDF có thể tìm kiếm khi bản scan phải giữ nguyên, và Markdown cho ghi chú và tài liệu. Sinh viên dùng cho đề thi cũ và tài liệu in, văn phòng dùng cho hóa đơn và thư từ, lập trình viên dùng cho ảnh chụp màn hình thông báo lỗi.

OCR nhận dạng ký tự chứ không hiểu nghĩa. Nó không chắc một dòng là tiêu đề hay chú thích, không đọc được chữ bị con dấu che, và không biết một con số đọc sai có hợp lý hay không. Biểu đồ, sơ đồ và ảnh không được mô tả; chỉ chữ in bên trong chúng được đọc. Ký hiệu toán học ra dưới dạng ký tự thường, không phải phương trình.

Nó cũng không phải công cụ dịch: kết quả giữ nguyên ngôn ngữ gốc. Với tài liệu đã có chữ thật, OCR không phải công cụ phù hợp, vì trích xuất văn bản từ PDF đọc chữ có sẵn nhanh hơn và không sai sót. Với bản scan cần giữ dạng PDF, hãy dùng OCR PDF, còn để xuất Word từ ảnh, dùng chuyển ảnh sang Word.