Como funciona
- Solte imagens ou PDFs.
- Escolha o idioma ou os idiomas do texto.
- Copie o texto ou baixe arquivos TXT e PDFs pesquisáveis.
Por que usar
- Inglês, espanhol, francês, alemão, português, italiano, russo, árabe, hindi, chinês, japonês e coreano.
- Torna pesquisáveis os PDFs digitalizados.
- Pontuação de confiança para cada resultado.
- Os dados de idioma vêm deste site e ficam em cache.
Tirar texto de imagens e digitalizações: o que esperar
Como ele lê uma imagem
O reconhecimento de texto, ou OCR, encontra as linhas de texto de uma imagem, as divide em caracteres e decide qual letra é cada um, usando um modelo treinado com texto impresso nos idiomas que você escolher. Esta ferramenta usa o Tesseract, um motor de código aberto veterano, compilado para rodar no navegador. Os dados do idioma, cerca de 3 MB para o inglês, são baixados uma vez deste site e guardados para a próxima vez.
Imagens pequenas são ampliadas antes da leitura, já que o motor funciona melhor com letras grandes e nítidas, e imagens levemente inclinadas são endireitadas. Páginas de PDF são desenhadas a cerca de 190 dpi e lidas uma a uma.
Quão preciso ele é
Com texto impresso limpo, muito. Lemos um relatório de 10 páginas preparado para parecer uma digitalização de escritório, com as páginas desenhadas a 300 dpi sobre papel levemente cinza e guardadas como imagens JPEG, e comparamos o resultado com o texto de que o relatório foi feito:
| Medida | Resultado |
|---|---|
| Caracteres lidos corretamente | De 99,8 a 100% por página |
| Palavras lidas corretamente | 6.991 de 7.006 |
| Caracteres errados por página | De 0 a 8, em cerca de 4.000 |
| Páginas sem um único erro | 4 de 10 |
| Tempo por página | Cerca de 7 segundos |
Uma digitalização real com poeira, inclinação e luz irregular vai pontuar um pouco menos. Os resultados caem mais de acordo com o que a câmera entrega ao motor: fotos de celular tiradas em ângulo ou com pouca luz, texto pequeno, fundos coloridos, fontes decorativas e páginas com texto em várias direções custam precisão. Letra manuscrita não é suportada.
Conseguir o melhor resultado
- Fotografe de frente, com boa luz, com a página preenchendo o enquadramento e sem a sombra do celular.
- Escolha os idiomas certos. Cada idioma tem seu modelo. Uma página em português lida como inglês sai com mais erros, principalmente nas letras acentuadas; escolha até três quando uma página os mistura.
- Escolha o layout. Automático (colunas, títulos) encontra colunas e títulos. Um único bloco de texto serve para um parágrafo ou a captura de uma mensagem. Texto espalhado (placas, etiquetas) serve para placas, etiquetas e diagramas.
- Recorte até o texto com recortar imagens quando uma foto mostra muito mais que a página.
PDF pesquisáveis
Com Criar também um PDF pesquisável ativado, você também recebe um PDF igualzinho à sua digitalização, com o texto reconhecido colocado de forma invisível sobre cada palavra. Dá para pesquisar, selecionar e copiar, e a imagem original fica intacta. É o jeito comum de tornar pesquisável uma pilha de documentos digitalizados. Para reconstruir uma digitalização como documento editável, com parágrafos e tabelas, use PDF para Word.
Se algo der errado
- Não encontrou texto. A imagem pode estar borrada ou pequena demais, ou num idioma que você não escolheu. Tente uma foto mais nítida, o idioma certo ou outro layout.
- O texto sai na ordem errada. Colunas e caixas confundem a ordem de leitura. Tente Um único bloco de texto, ou recorte uma coluna de cada vez.
- O PDF já tem texto selecionável. Então ele não precisa de OCR: PDF para texto copia o texto real mais rápido e sem erros.
Como testamos. Um relatório de 10 páginas com texto de domínio público, desenhado como uma digitalização colorida a 300 dpi sobre papel cinza e salvo em páginas JPEG, lido com os ajustes desta ferramenta no Chrome. O resultado de cada página foi comparado com o texto de origem caractere por caractere, ignorando quebras de linha e espaços.
Usos populares desta ferramenta
Perguntas e respostas
Qual é a precisão?
Texto impresso, bem iluminado e com resolução razoável costuma ser lido com muita precisão. Fotos borradas, fontes incomuns e letra de mão reduzem a precisão.
Ele lê letra de mão?
Não de forma confiável. Ele foi feito para texto impresso.
Minhas digitalizações são enviadas para um servidor?
Não. O reconhecimento roda no seu navegador com WebAssembly.