Afbeelding naar tekst (OCR)

Wat OCR goed leest — en wat nooit zal lukken

Tekenherkenning is patroonherkenning, geen begrip, dus het resultaat volgt de invoer met genadeloze eerlijkheid. Een scherpe screenshot of een vlakke, gelijkmatig verlichte scan van gedrukte tekst komt er bijna perfect uit. Een telefoonfoto van diezelfde pagina, licht schuin genomen, met een schaduw over één hoek, valt merkbaar terug — en handschrift, decoratieve lettertypen, tekst over foto's en drukwerk met weinig contrast (grijs op wit, kleur op kleur) kunnen nauwelijks bruikbaar uitkomen. Drie gewoontes lossen het meeste op: fotografeer recht van voren in plaats van schuin, vul het kader met de tekst en snijd de omgeving weg, en gebruik, wanneer de bron al op een scherm staat, de originele screenshot in plaats van je monitor te fotograferen. Elk van die stappen haalt een vervorming weg waar de herkenner anders doorheen had moeten gokken.

De eenmalige download, en waarom hij bestaat

De eerste keer dat je op Tekst lezen drukt, haalt je browser de herkenningsengine en de gegevens van de taal die je koos op — samen ongeveer 5 tot 7 MB, geleverd vanaf deze site en gecachet, zodat latere runs binnen enkele ogenblikken starten. Die download is de prijs van een echte belofte: de engine draait volledig op je eigen apparaat als WebAssembly, wat betekent dat de foto van je contract, recept of loonstrookje nooit ergens naartoe wordt verstuurd. De meeste online OCR-diensten werken andersom — een piepklein paginaatje, en je document geüpload naar hun server. Lijkt de eerste run een paar seconden stil te staan op een trage verbinding, dan is hij aan het ophalen, niet vastgelopen; de voortgangsregel vertelt je in welke fase hij zit. Na dat eerste bezoek laadt de engine vanuit de cache, en herkenning van een normale tekstpagina duurt een handjevol seconden, zelfs op een bescheiden laptop.

Tien talen — en controleer de cijfers altijd

De tool leest Engels, Nederlands, Duits, Frans, Spaans, Italiaans, Pools, Portugees, Turks en Arabisch, en cijfers. Kies de taal van de tekst naast de knop: hij begint op de taal van deze pagina, en je keuze wordt op dit apparaat onthouden. Elke taal is een eigen getraind gegevensbestand, dus je browser haalt alleen de taal op die je gebruikt. Staan er Engelse woorden door de tekst, zoals productnamen of een kop? Vink + Engels aan en dan worden ze samen gelezen, ten koste van een tweede bestand en wat meer tijd. Arabisch werkt, maar de engine leest getallen in Arabische tekst soms verkeerd — een bekend, nog open probleem in Tesseract — dus controleer die goed. Cijfers verdienen sowieso een eigen, speciale waarschuwing: een verkeerd gelezen 8 in plaats van een 3 in een IBAN, een telefoonnummer of een factuurtotaal is veel kostbaarder dan een verkeerd gelezen woord, en cijfers dragen geen spellingscontext waarmee de engine zichzelf kan corrigeren. Lees de tekst altijd eenmaal na voordat je erop vertrouwt; controleer de cijfers altijd tweemaal.

De tekst is eruit — zet hem nu ergens nuttigs neer

Tekst kopiëren zet het resultaat op je klembord, en van daaruit heeft het meestal een van drie bestemmingen. Rechtstreeks in een document of e-mail is de voor de hand liggende — het hele punt van OCR is nooit meer een pagina hoeven overtypen. Minder voor de hand liggend: plak het in /nl/text-to-speech en de pagina wordt audio, waardoor een gefotografeerd artikel iets wordt waar je naar kunt luisteren terwijl je iets anders doet. En heb je eigenlijk de pagina als deelbaar document nodig in plaats van losse tekst, dan pakt /nl/image-to-pdf de originele foto in tot een nette PDF — netter om te archiveren en door te sturen dan een kale afbeelding, waarbij deze tool de momenten dekt waarop je ook de woorden ervan nodig hebt.