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 jego dane językowe dla angielskiego — około 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.

Na razie tylko angielski — i zawsze sprawdzaj liczby

Ta pierwsza wersja odczytuje angielski tekst i liczby. Kolejne języki są planowane — każdy z nich to dodatkowy plik wytrenowanych danych, więc pojawią się jako osobne pobierania, a nie jedna gigantyczna paczka — ale dzisiaj holenderski list czy turecka faktura wyjdą zniekształcone w każdym miejscu, gdzie słowa przestają wyglądać jak angielskie. Liczby 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.

Jak uzyskać najlepszy wynik OCR

Rozpoznawanie znaków działa najlepiej na ostrych, dobrze oświetlonych obrazach z ciemnym tekstem na jasnym tle. Fotografuj dokumenty prosto, a nie pod kątem, przytnij zdjęcie do samego tekstu, jeśli to możliwe, i wybieraj oryginalny zrzut ekranu zamiast zdjęcia ekranu. Obecnie odczytuje język angielski i liczby; kolejne języki są planowane.