Converter imagem em texto (OCR)

OCR significa reconhecimento óptico de caracteres (do inglês optical character recognition): um programa analisa os pixels de uma imagem, encontra as áreas que contêm escrita e descobre quais caracteres elas representam. O resultado é texto de verdade, que você pode pesquisar, editar, colar num documento ou jogar numa planilha, em vez de uma foto de texto. Ou seja, dá para copiar texto de imagem sem redigitar nada à mão.

A Krawly usa o Tesseract, um motor de OCR de código aberto com muitos anos de estrada. Ele foi criado na Hewlett-Packard, teve o código aberto em 2005 e depois continuou sendo desenvolvido com patrocínio do Google. Aqui ele roda como Tesseract.js, uma versão compilada para WebAssembly que consegue funcionar dentro de uma página web sem nenhum servidor. De forma simplificada, o motor limpa a imagem até virar texto escuro sobre fundo claro, divide a página em blocos, linhas e palavras e então reconhece cada linha com um modelo treinado para o idioma que você escolheu.

É por causa dessa última etapa que a escolha do idioma importa. Cada idioma tem o seu próprio modelo, com seu alfabeto, suas letras acentuadas e formatos de palavras comuns. Se você manda o motor ler em inglês um texto em português, ele vai tentar mesmo assim, mas letras como ç, ã e é tendem a sair erradas. Escolher o idioma certo, ou uma combinação de até três, é uma das formas mais simples de conseguir resultados mais limpos.

O OCR funciona melhor com texto impresso nítido, bom contraste e linhas retas. Capturas de tela costumam ser ideais, porque o texto é nítido e perfeitamente horizontal. Em digitalizações, uns 300 DPI são uma boa meta: alto o bastante para que letras pequenas tenham bordas limpas, sem gerar arquivos enormes. Se for fotografar uma página com o celular para passar a foto em texto, enquadre só o documento, mantenha a câmera paralela ao papel e evite sombras da sua mão ou do próprio celular.

Contraste importa mais que cor. Texto preto em papel branco é fácil; texto cinza-claro em fundo bege, ou texto branco sobre uma foto cheia de detalhes, é bem mais difícil. Se o resultado sair ruim, tente recortar a imagem só na área do texto, girá-la para deixar as linhas retas e aumentar o contraste em qualquer editor de fotos antes de rodar o OCR de novo. Linhas tortas, curvas ou distorcidas pela perspectiva, como numa página fotografada perto da lombada do livro, são uma causa comum de palavras faltando.

Texto muito pequeno é outro problema frequente. Quando as letras têm só alguns pixels de altura, não há detalhe suficiente para diferenciar um e de um c ou um l de um 1. Dar zoom antes de fazer a captura de tela, ou digitalizar com resolução maior, costuma ajudar mais do que qualquer edição posterior. Lembre que ampliar uma imagem que já é pequena não cria detalhes que nunca foram capturados.

O Tesseract foi feito para texto impresso. Letra de mão, anotações em letra cursiva, assinaturas e fontes muito estilizadas ou decorativas costumam dar resultados ruins ou inúteis. O mesmo vale para fotos em baixa resolução, tremidas ou muito comprimidas. Se a sua imagem se encaixa num desses casos, espere corrigir boa parte do resultado à mão, ou redigitar o texto.

O resultado é texto simples. Colunas, tabelas, negrito e itálico, tamanhos de fonte e imagens não são mantidos. Um artigo em duas colunas vira linhas corridas de texto, e uma tabela vira linhas de palavras separadas por espaços, então talvez você precise arrumar a estrutura depois de colar em outro lugar. Esta ferramenta não gera documentos do Word nem planilhas.

Cada imagem também recebe uma porcentagem de confiança média. É a estimativa do próprio motor sobre o quanto ele tinha certeza das palavras reconhecidas, não uma garantia de precisão, mas é um sinal útil: uma pontuação visivelmente mais baixa geralmente indica que a imagem precisa ficar mais nítida, mais reta ou mais bem recortada.

Muita gente usa OCR em material sensível: recibos para prestação de contas, prints de conversas ou de apps de banco, notas fiscais, contratos, documentos de identidade e cartas. Muitos serviços de OCR online enviam essas imagens para um servidor processar. A Krawly não. O reconhecimento roda inteiramente no seu navegador com JavaScript e WebAssembly, e suas imagens nunca são enviadas para os servidores do Krawly.

As únicas coisas que o seu navegador baixa são arquivos de programa: o motor Tesseract e o modelo de cada idioma escolhido, alguns megabytes cada. Depois da primeira vez eles ficam em cache, então as próximas execuções começam mais rápido. A imagem e o texto reconhecido ficam na memória da página, nada é armazenado e, ao fechar a aba, tudo é descartado.

Como o trabalho acontece no seu aparelho, a velocidade depende do seu hardware. Um notebook recente lida rápido com uma captura de tela; um celular mais antigo demora mais em fotos grandes. A ferramenta funciona nas versões atuais do Chrome, Edge, Firefox e Safari, no computador e no celular, e é grátis, sem cadastro, sem e-mail e sem limite diário.