Uma equipe de contabilidade digitaliza cinco anos de faturas em papel como PDF e depois tenta encontrar todas as faturas de um fornecedor. O Ctrl+F não encontra nada, porque cada página é uma imagem do papel, não texto. Uma viajante aponta o celular para um cardápio em outro idioma; um estudante quer colar nas anotações um parágrafo de um livro didático que fotografou. Os três precisam de um software que descubra quais letras os pixels mostram: o OCR.
Este post explica como funciona um motor de OCR, como se diferenciam seus principais tipos e seus parentes ICR e OMR, o que determina a precisão, como usar OCR no celular, no computador e em PDF, e quais regras de privacidade se aplicam a documentos digitalizados.
O que é OCR?
OCR, sigla em inglês para reconhecimento óptico de caracteres, é um software que reconhece letras, dígitos e símbolos em uma imagem e os armazena como caracteres de texto. Para um computador, uma página digitalizada é uma grade de pontos coloridos; a palavra "Fatura" nela não é mais texto do que o desenho de um gato. O OCR transforma esses pontos em caracteres que um programa pode pesquisar, editar, traduzir ou ler em voz alta.
A entrada pode ser uma digitalização, a foto de um recibo, uma captura de tela ou uma placa de rua vista pela câmera. A saída é texto, muitas vezes com a posição de cada palavra e uma pontuação que mostra o quanto o motor tem certeza. "Escanear com OCR" significa digitalizar o papel e aplicar OCR de uma só vez, como fazem muitos apps de digitalização.
Como o OCR funciona?
O OCR funciona como um pipeline: o motor prepara a imagem, encontra onde está o texto, reconhece esse texto e limpa o resultado, em seis etapas:
- Captura. Um scanner, uma câmera ou uma captura de tela gera a imagem. A documentação do Tesseract recomenda pelo menos 300 DPI para digitalizações; uma foto de celular deve ser nítida, com luz uniforme e tirada de frente.
- Pré-processamento. O motor endireita uma página inclinada (deskewing), converte a imagem em texto escuro sobre fundo claro (binarização), remove manchas e bordas do scanner e amplia textos pequenos.
- Análise de layout. A página é dividida em blocos, colunas, linhas e palavras, e a ordem de leitura é definida. Lida direto de um lado ao outro, uma página de duas colunas mistura as frases; as tabelas falham com mais frequência nesta etapa.
- Reconhecimento. Motores antigos comparavam cada caractere com formas armazenadas. Os atuais passam a imagem de uma linha inteira para uma rede neural, que devolve os caracteres mais prováveis.
- Correção linguística. Um dicionário ou um modelo de linguagem transforma "c1ient" em "client". Ele também pode "corrigir" por engano um código de produto ou um sobrenome, por isso algumas ferramentas permitem desativar essa etapa.
- Saída. Texto simples, texto com a posição das palavras (formatos como hOCR e ALTO) ou um PDF pesquisável, geralmente com uma pontuação de confiança por palavra que mostra a quem revisa onde olhar.
O Tesseract, um motor de código aberto muito usado, mostra bem essa mudança. Ele foi desenvolvido na Hewlett-Packard de 1985 a 1994 e teve o código aberto em 2005; a versão 4 acrescentou um motor de rede neural (LSTM, um tipo de rede feito para sequências) que reconhece linhas inteiras em vez de caracteres isolados.
Quais são os principais tipos de tecnologia OCR?
A tecnologia OCR se divide em três famílias: motores clássicos, que comparam a forma dos caracteres; OCR com aprendizado profundo, que lê linhas inteiras com redes neurais; e modelos de visão e linguagem, que leem e interpretam uma página em um único modelo.
| Abordagem | Como lê | Ponto forte | Ponto fraco |
|---|---|---|---|
| OCR clássico | Compara a forma de cada caractere | Páginas impressas limpas, fontes comuns | Ruído, fontes incomuns, escrita à mão |
| OCR com aprendizado profundo | Uma rede neural lê linhas inteiras | Fontes variadas, fotos, muitos idiomas | Tabelas e layouts complexos |
| Modelo de visão e linguagem | Lê a página e responde sobre ela | Layouts bagunçados, perguntas sobre um documento | Pode reescrever ou inventar texto; custa mais |
O OCR com aprendizado profundo costuma combinar uma rede convolucional, que extrai características visuais da imagem da linha, com uma rede recorrente que as converte em caracteres, além de um modelo de linguagem separado. O artigo do TrOCR, de pesquisadores da Microsoft, usa Transformers, a arquitetura por trás dos modelos de linguagem grandes, nas duas partes. Assim, um único modelo lê a imagem e escreve o texto, sem um modelo de linguagem separado.
É melhor usar OCR ou um modelo de visão e linguagem?
Use OCR quando precisar de uma cópia exata do texto com posições e pontuações de confiança, e um modelo de visão e linguagem quando o significado de um documento bagunçado importar mais do que uma cópia fiel caractere por caractere. Um modelo de visão e linguagem (VLM) é um modelo multimodal, ou seja, que recebe imagem e texto juntos como entrada, como explica O que é IA multimodal?.
Um motor de OCR copia: cada caractere vem de uma região da imagem, e o motor consegue dizer de qual região e com quanta certeza. Já um modelo de visão e linguagem gera a resposta mais provável. Isso permite que ele lide com um recibo amassado ou um formulário desconhecido, mas ele também pode corrigir um erro de digitação que de fato estava na página, pular uma linha ou escrever um número plausível que não está lá.
Muitos fluxos de trabalho usam os dois: OCR para o texto e as posições, um modelo de linguagem para encaixar esse texto em campos como fornecedor e total, e uma pessoa para os casos de baixa confiança.
OCR, ICR e OMR: qual é a diferença?
O OCR lê texto impresso por máquina, o ICR lê caracteres escritos à mão em letra de forma e o OMR detecta marcas, como caixas assinaladas e círculos preenchidos. Os nomes vêm dos formulários em papel, em que uma única folha muitas vezes precisa dos três.
- OCR (reconhecimento óptico de caracteres) é o termo geral e o nome usual para a leitura de texto digitado e impresso.
- ICR (reconhecimento inteligente de caracteres) costuma significar a leitura de caracteres escritos à mão em letra de forma, normalmente maiúsculas escritas uma por quadrado. O termo é usado de forma solta, e muitos produtos hoje o incluem no OCR.
- OMR (reconhecimento óptico de marcas) não lê nenhum caractere: verifica se uma caixa ou um círculo está marcado, como em cartões-resposta de provas e formulários de censo, cujas respostas manuscritas são tratadas à parte.
- HTR (reconhecimento de texto manuscrito) cobre a escrita à mão livre e cursiva, como cartas e manuscritos históricos, o caso mais difícil.
O que afeta a precisão do OCR?
A entrada define a precisão do OCR mais do que o motor: uma digitalização nítida a 300 DPI de uma página impressa e a foto de um recibo amassado dão resultados muito diferentes com o mesmo software. Os principais fatores:
- Resolução e foco. Caracteres borrados perdem o detalhe que separa "e" de "c" e "rn" de "m".
- Inclinação e perspectiva. Páginas fotografadas em ângulo têm linhas tortas; livros grossos se curvam perto da lombada.
- Contraste e fundo. Tinta desbotada, papel colorido, carimbos e sombras acrescentam ruído.
- Fontes e escrita à mão. Letras decorativas ou muito pequenas são mais difíceis, e a letra cursiva é muito mais difícil do que a letra de forma.
- Layout. Tabelas, colunas e texto sobre imagens confundem a ordem de leitura.
- Dados do idioma. O motor precisa conhecer o alfabeto e, de preferência, as palavras do idioma da página.
A precisão costuma ser medida pela taxa de erro de caracteres (CER, na sigla em inglês): os caracteres que precisam ser inseridos, apagados ou substituídos para chegar ao texto correto, divididos pelo comprimento desse texto. Uma taxa baixa ainda pode esconder o único dígito errado de um total, então use as pontuações de confiança para decidir o que conferir e verifique os campos principais todas as vezes.
O OCR funciona em qualquer idioma?
O OCR só funciona em um idioma se o motor foi treinado com os caracteres dele, e funciona melhor quando também conhece as palavras. O Tesseract reconhece mais de 100 idiomas, com um arquivo de dados separado para cada um, e a sua lista de arquivos de dados de idiomas inclui o turco com o código tur, ao lado do inglês (eng).
A configuração errada gera erros que parecem pequenos e quebram a busca. Um motor configurado em inglês pode ler o i sem ponto do turco (ı) como um i comum e o g com breve (ğ) como um g simples, e uma busca posterior pela grafia correta não encontra nada. Em documentos mistos, selecione os dois idiomas (o Tesseract aceita tur+eng). Escritas como a árabe ou a chinesa precisam de modelos próprios, então confira se o modelo necessário está instalado antes de processar um lote.
Como usar OCR no celular ou no computador?
A maioria dos celulares já tem OCR: o Google Lens no Android e o Texto ao Vivo no iPhone permitem selecionar o texto de uma foto ou da imagem da câmera e copiá-lo ou traduzi-lo.
No Android, abra o app Google, toque no ícone do Google Lens na barra de pesquisa e tire uma foto ou escolha uma captura de tela. Toque no texto e depois em Selecionar texto; o menu permite copiar, ouvir, traduzir ou pesquisar. A página de ajuda do Lens do Google lembra a condição que mais importa: uma imagem nítida e bem iluminada.
Em um iPhone XS, iPhone XR ou posterior com iOS 15 ou posterior, abra uma foto, toque em uma palavra e mantenha o dedo pressionado, arraste os pontos de ajuste e toque em Copiar ou Selecionar Tudo. Se nada acontecer, ative Ajustes > Geral > Idioma e Região > Texto ao Vivo. As instruções da Apple também explicam a tradução; o Texto ao Vivo não está disponível em todas as regiões e idiomas.
No computador, muitos apps de digitalização e editores de PDF conseguem reconhecer o texto de uma digitalização e salvar um PDF pesquisável. Para trabalhos maiores, o Tesseract roda pela linha de comando ou pelo Python; Como extrair dados de PDF traz código testado para páginas digitalizadas.
O que é OCR em PDF?
OCR em PDF significa adicionar uma camada de texto a um PDF digitalizado: a página continua com a aparência da digitalização, mas sobre ela fica um texto invisível, cada palavra sobre a sua imagem. Há três tipos de PDF:
- PDF de texto. Exportado de um software; o texto já está armazenado como caracteres, então o OCR só pode acrescentar erros.
- PDF só de imagem. Uma digitalização sem OCR; cada página é uma imagem, e a busca não encontra nada.
- PDF pesquisável. A digitalização mais o texto oculto do OCR; busca, cópia e leitores de tela funcionam, na medida em que o OCR acertou.
A camada de texto também importa para a acessibilidade. A técnica PDF7 do W3C considera imagens digitalizadas de texto inerentemente inacessíveis e recomenda o OCR, seguido de uma verificação de que o texto está completo e na ordem de leitura correta. Guarde as digitalizações originais para que um OCR melhor possa partir da imagem no futuro.
Onde o OCR é usado?
O OCR é usado onde quer que o texto chegue em papel, imagem ou digitalização e precise ir parar em um sistema:
- Faturas e recibos. Fornecedor, data e total entram no software de contabilidade sem redigitação.
- Formulários. Solicitações, pedidos de indenização e comprovantes de entrega, muitas vezes lidos com OCR, ICR e OMR juntos.
- Arquivos e bibliotecas. Livros, jornais e registros passam a ser pesquisáveis por palavra.
- Acessibilidade. O texto impresso é lido em voz alta, e as digitalizações funcionam com leitores de tela.
- Tradução em viagem. Placas, cardápios e rótulos em um idioma desconhecido.
- Logística. Etiquetas de envio, códigos de contêiner e números de série; o reconhecimento de placas de veículos é uma forma especializada de OCR, com regras legais próprias.
O OCR só entrega texto. Transformar "Total a pagar: 1.240,00" em um campo chamado total com o número 1240 é uma etapa separada, chamada parsing (análise sintática), explicada em O que é parsing de dados?. Produtos que combinam OCR com classificação de documentos, extração de campos e validação costumam ser vendidos como processamento inteligente de documentos (IDP, na sigla em inglês).
Quais regras de privacidade valem para o OCR de documentos?
O OCR não muda quem pode ler um documento: se você não pode tratar os dados pessoais de um arquivo, aplicar OCR não torna isso permitido, e ainda deixa esses dados mais fáceis de pesquisar e copiar. Documentos de identidade, holerites e prontuários médicos são os exemplos mais comuns.
Pelo GDPR, na União Europeia, e pela KVKK, a lei de proteção de dados da Türkiye, dados de saúde e dados biométricos usados para identificar uma pessoa são categorias especiais de dados pessoais, com condições mais rígidas. Na prática:
- Aplique OCR só a documentos que você tem o direito de tratar, nunca ao documento de identidade de outra pessoa.
- Para arquivos sensíveis, prefira OCR no seu próprio dispositivo ou nos seus servidores; em um serviço em nuvem, verifique onde os arquivos ficam armazenados, por quanto tempo e se são usados para treinar modelos.
- Extraia os campos de que precisa, oculte o resto e apague os resultados que não usa mais.
Onde entram os proxies?
Os proxies não têm nada a ver com o OCR em si; eles importam uma etapa antes, quando os documentos de que você precisa são arquivos públicos em sites de outros países. Catálogos, avisos públicos, listas de preços e cardápios costumam ser publicados como imagens ou PDFs digitalizados, e alguns sites mostram uma versão diferente conforme o país do visitante.
Com os Proxies residenciais, as requisições passam por conexões residenciais no país e na cidade que você escolher, e você baixa o mesmo que os visitantes locais recebem. Colete apenas arquivos públicos, siga o robots.txt e os termos do site, mantenha baixo o ritmo de requisições e use um download oficial ou uma API quando houver.
Equipes que preferem não cuidar da coleta podem consultar o nosso time de vendas sobre a extração gerenciada de páginas com a nossa Web Scraping API.
Erros comuns
- Aplicar OCR a um PDF que já tem texto. Caracteres exatos são trocados por palpites.
- Digitalizar com resolução baixa ou fotografar em ângulo. Os segundos economizados na captura custam muito mais em correções.
- Deixar o idioma em inglês. Letras acentuadas e outros alfabetos saem errados.
- Confiar nos números sem conferir. Totais e datas pedem uma conferência das somas ou um segundo olhar.
- Esperar que tabelas saiam como tabelas. O OCR devolve linhas; as colunas precisam ser reconstruídas.
- Jogar fora as imagens originais. Um OCR melhor vai precisar delas depois.
- Enviar documentos de identidade a um conversor gratuito desconhecido. Use OCR local ou um serviço com termos claros.
- Tratar a transcrição de um chatbot como exata. Compare os valores principais com a imagem.
Guia de decisão
| Necessidade | Use |
|---|---|
| Copiar algumas linhas de uma foto ou captura de tela | Google Lens ou Texto ao Vivo no celular |
| Tornar digitalizações antigas pesquisáveis | OCR para PDF pesquisável, guardando os originais |
| Texto de centenas de páginas digitalizadas | Um motor de OCR como o Tesseract em processamento em lote |
| Campos de faturas ou formulários | OCR com parsing e validação, com revisão humana |
| Perguntas sobre um documento bagunçado | Um modelo de visão e linguagem, conferindo os valores principais |
| Caixas assinaladas em formulários de papel | OMR |
| Letra cursiva ou manuscritos antigos | Um modelo de reconhecimento de escrita à mão, com revisão |
| Documentos de identidade ou de saúde | OCR local, uma base legal e minimização de dados |
Perguntas frequentes
OCR é inteligência artificial?
O OCR moderno é uma forma de IA: sua etapa de reconhecimento é uma rede neural treinada com grandes conjuntos de imagens de texto rotuladas. Motores antigos dependiam de regras criadas à mão e da comparação de formas. Mas o OCR não é IA generativa: ele copia o que está na página, enquanto um modelo generativo escreve texto novo, por isso os dois cometem tipos diferentes de erro.
OCR é gratuito?
Sim, é fácil encontrar OCR gratuito. O Tesseract é de código aberto sob a licença Apache 2.0, o Google Lens e o Texto ao Vivo não custam nada no celular, e muitos apps de digitalização incluem OCR. Ferramentas pagas costumam oferecer melhor tratamento de digitalizações ruins, tabelas e escrita à mão, além de templates de formulário e processamento em grande volume.
Qual é a precisão do OCR?
Em páginas impressas nítidas, o OCR moderno erra pouco; em fotos borradas, escrita à mão e tabelas, erra muito mais. Não existe um número único, porque o resultado depende da entrada, então meça a taxa de erro de caracteres em uma amostra dos seus próprios documentos.
O OCR consegue ler escrita à mão?
Em parte. Maiúsculas escritas à mão em quadrados de formulário são lidas automaticamente há muito tempo, e modelos neurais já leem também letra cursiva caprichada. Letra bagunçada e documentos históricos exigem um modelo treinado para esse tipo de escrita e uma pessoa para revisar o resultado.
O que é um PDF pesquisável?
Um PDF pesquisável é um PDF digitalizado com uma camada invisível de texto do OCR por trás da imagem da página. Ele tem exatamente a mesma aparência da digitalização, mas você pode pesquisar nele, copiar o texto e fazer um leitor de tela lê-lo em voz alta.
O OCR consegue ler caracteres turcos?
Sim, se o motor tiver dados do idioma turco. O Tesseract tem um modelo para o turco (tur), e a Apple inclui o turco entre os idiomas do Texto ao Vivo. Com apenas o inglês selecionado, as letras turcas podem sair como letras latinas simples, então selecione o turco, ou o turco e o inglês em documentos mistos.
Em resumo
O OCR transforma o texto de imagens em texto real: o motor limpa a imagem, localiza as linhas, reconhece os caracteres com uma rede neural e corrige o resultado com dados do idioma. Ele funciona melhor com digitalizações nítidas e retas em um idioma que conhece. Use o celular para cópias rápidas, PDFs pesquisáveis para arquivos e OCR com parsing e revisão humana para documentos de negócios; guarde os originais e trate documentos de identidade e de saúde de acordo com as regras do GDPR ou da KVKK.




