Obraz na tekst (OCR)

Co OCR odczytuje dobrze — a czego nigdy nie odczyta

Rozpoznawanie znaków to dopasowywanie wzorców, a nie rozumienie, więc wynik z brutalną szczerością odzwierciedla jakość wejścia. Ostry zrzut ekranu albo płaski, równomiernie oświetlony skan drukowanego tekstu wychodzi niemal idealnie. Zdjęcie tej samej strony zrobione telefonem pod niewielkim kątem, z cieniem w jednym rogu, zauważalnie traci jakość — a pismo odręczne, ozdobne czcionki, tekst na tle zdjęć i wydruki o niskim kontraście (szary na białym, kolor na kolorze) mogą wyjść ledwie użyteczne. Trzy nawyki naprawiają większość tych problemów: fotografuj prosto z góry, a nie pod kątem, wypełnij kadr tekstem i przytnij otoczenie, a gdy źródło jest już na ekranie, użyj oryginalnego zrzutu ekranu zamiast fotografować monitor. Każdy z tych kroków usuwa zniekształcenie, przez które silnik rozpoznający musiałby się w przeciwnym razie przedzierać, zgadując.

Jednorazowe pobieranie i dlaczego istnieje

Gdy pierwszy raz naciśniesz Odczytaj tekst, Twoja przeglądarka pobiera silnik rozpoznawania i dane wybranego przez Ciebie języka — łącznie od 5 do 7 MB, serwowane z tej strony i zapisywane w pamięci podręcznej, dzięki czemu kolejne uruchomienia zaczynają się w mgnieniu oka. To pobieranie to cena za prawdziwą obietnicę: silnik działa w całości na Twoim własnym urządzeniu jako WebAssembly, co oznacza, że zdjęcie Twojej umowy, recepty czy odcinka wypłaty nigdy nigdzie nie jest przesyłane. Większość internetowych usług OCR działa odwrotnie — mała strona, a Twój dokument trafia na ich serwer. Jeśli pierwsze uruchomienie wygląda, jakby na kilka sekund zawisło przy wolnym łączu, to pobiera dane, a nie utknęło — pasek postępu pokazuje, w jakiej jest fazie. Po tej pierwszej wizycie silnik wczytuje się z pamięci podręcznej, a rozpoznanie zwykłej strony tekstu zajmuje kilka sekund nawet na skromnym laptopie.

Dziesięć języków — i zawsze sprawdzaj liczby

Odczytuje tekst po angielsku, niderlandzku, niemiecku, francusku, hiszpańsku, włosku, polsku, portugalsku, turecku i arabsku, a także liczby. Wybierz język tekstu obok przycisku: na początku ustawiony jest język tej strony, a Twój wybór zostaje zapamiętany na tym urządzeniu. Każdy język to osobny plik wytrenowanych danych, więc Twoja przeglądarka pobiera tylko ten, którego używasz. Tekst zawiera angielskie słowa, na przykład nazwy produktów albo nagłówek? Zaznacz „+ Angielski”, a oba języki zostaną odczytane razem — kosztem drugiego pliku i odrobinę dłuższego czasu. Arabski działa, ale silnik czasem błędnie odczytuje liczby wewnątrz arabskiego tekstu — to znany, wciąż otwarty problem w Tesseracie — więc sprawdź je uważnie. Liczby i tak zasługują na osobne, specjalne ostrzeżenie: odczytanie 8 zamiast 3 w numerze IBAN, numerze telefonu czy sumie faktury jest znacznie kosztowniejsze niż błędnie odczytane słowo, a cyfry nie niosą żadnego kontekstu ortograficznego, z którego silnik mógłby skorzystać, żeby się poprawić. Niezależnie od tekstu, przeczytaj wynik raz, zanim na nim polegasz; niezależnie od liczb, sprawdź je dwukrotnie.

Tekst już jest — teraz umieść go gdzieś pożytecznie

Kopiuj tekst umieszcza wynik w Twoim schowku, a stamtąd zwykle trafia do jednego z trzech miejsc. Prosto do dokumentu albo e-maila to oczywisty wybór — cały sens OCR polega na tym, żeby nigdy więcej nie przepisywać strony ręcznie. Mniej oczywiste: wklej go do /text-to-speech, a strona zamieni się w dźwięk, co sfotografowany artykuł zamienia w coś, czego możesz posłuchać, robiąc jednocześnie cokolwiek innego. A gdy tak naprawdę potrzebujesz strony jako dokumentu do udostępnienia, a nie luźnego tekstu, /image-to-pdf owija oryginalne zdjęcie w porządny plik PDF — schludniejszy do archiwizacji i przesyłania niż goły obraz, przy czym to narzędzie zajmuje się chwilami, w których potrzebujesz też jego słów.