Tesseract — Imagem para texto (OCR)

Tesseract contributors

O Tesseract é um mecanismo de OCR de código aberto que você executa no próprio computador por linha de comando ou API; serve para usuários técnicos que precisam extrair texto de imagens offline.

Por que combina

Imagem para texto (OCR)

Computador

Ir para tesseract-ocr.github.io
Bom saber (1)

Exige linha de comando e arquivos de idioma; sem interface gráfica integrada.

Bom saber
Bom saberComputador
Resultado grátisSim
Sem cadastroSim
Sem marca-d’água—
Funciona offlineSim
Processamento em lote—
Idioma do conteúdo—

— Condições não verificadas. Documentação oficial revisada. O app não foi testado na prática. Inclui apenas suporte documentado ao idioma do conteúdo, não da interface.

Fontes e data da verificação (1)
  • tesseract-ocr.github.io/tessdoc/
Feedback e correção do responsável

Feedback e correção do responsável

Se você representa o produto, envie uma correção ou atualização com fonte. A publicação passa por revisão editorial.

Guia editorial

Última verificação:

Para quem serve?

  • Desenvolvedores e usuários com familiaridade técnica que automatizam o OCR em scripts ou lotes.
  • Quem quer extrair texto de imagens impressas offline, sem conta nem envio de arquivos.

Como começar

  • Instale o Tesseract com um gerenciador de pacotes (Homebrew ou MacPorts no macOS, pacotes da distribuição no Linux, um instalador para Windows citado na documentação) e adicione os dados de idioma de que precisa.
  • Prepare a imagem: mire em pelo menos 300 dpi, endireite páginas inclinadas e deixe só uma borda pequena.
  • Execute pela linha de comando seguindo a página de uso; se o layout o confundir, tente outro modo de segmentação de página (o 3 é o padrão) e confira o texto de saída.

Pontos de decisão

  • Aqui não há interface de botões; se prefere botões a comandos, escolha um aplicativo de computador com interface gráfica.
  • O Tesseract não lê arquivos PDF diretamente; converta antes as páginas em imagens ou use o OCRmyPDF, como a documentação sugere.
  • Os dados de idioma oficiais cobrem mais de 100 idiomas e vêm de três repositórios; leia a documentação antes de decidir quais arquivos de modelo baixar.

Limitações

  • Escaneamentos tortos, com ruído ou luz irregular reduzem a precisão, e a documentação diz que certos ruídos não são removidos na binarização.
  • A ferramenta é voltada a texto impresso; este guia não encontrou nenhuma afirmação sobre reconhecimento de manuscrito.
  • A instalação exige comandos; a precisão não foi testada aqui.

Perguntas frequentes

Quais idiomas ele suporta?

A documentação oficial menciona dados de modelos de idioma para mais de 100 idiomas e mais de 35 escritas; instale os dados do idioma de que precisa.

Ele lê PDF?

Não diretamente. A página de formatos de entrada lista formatos de imagem como PNG, JPEG, TIFF, WebP e BMP e indica converter os PDFs ou usar o OCRmyPDF.

Qual resolução funciona melhor?

O guia de qualidade diz que funciona melhor com 300 dpi ou mais.

Fontes oficiais (4)
tesseract-ocr.github.io/tessdoc/tesseract-ocr.github.io/tessdoc/Installation.htmltesseract-ocr.github.io/tessdoc/ImproveQuality.htmltesseract-ocr.github.io/tessdoc/InputFormats.html