O que é Indra OCR?
O Indra OCR é um modelo e pipeline de OCR open source da Datalab, a empresa por trás do Marker e do Chandra. Ele transforma PDFs e imagens em Markdown, texto ou JSON com caixas de linhas e blocos, rótulos e ordem de leitura, e roda sobre o ONNX Runtime, sem PyTorch e sem GPU. O reconhecedor principal para alfabeto latino tem cerca de 1,25M de parâmetros; todos os modelos padrão juntos têm 7,3M de parâmetros e um download de 76 MB.
Ele lê a camada de texto de PDFs digitais e faz OCR só do que falta, lida com digitalizações giradas e tortas, cobre mais de 80 idiomas por meio de quatro reconhecedores específicos por sistema de escrita e tem um modo matemático opcional que escreve LaTeX. Instala com pip install indra-ocr e inclui um visualizador web local.
O código é Apache-2.0, mas os pesos usam uma licença OpenRAIL-M modificada que é gratuita só para pesquisa, uso pessoal e organizações com menos de US$ 20M em financiamento ou receita, e proíbe usos que concorram com a API da Datalab. O repositório, criado em 13 de outubro de 2026, tem cerca de 1.530 estrelas no GitHub; a versão mais recente é a v1.1.2 (20 de outubro de 2026).
Indra OCR vale a pena?
O argumento do Indra é a vazão por real gasto. Pelos números da Datalab, ele lê cerca de 44 páginas por segundo em 32 núcleos de CPU e leva uma mediana de 212 ms por página em quatro, contra 5.496 ms do Tesseract 5 e cerca de 41 segundos do pipeline completo PP-StructureV3 do PaddleOCR nas mesmas páginas. Para uma equipe que faz OCR de milhões de páginas em instâncias de nuvem comuns, isso transforma uma linha de orçamento de GPU em uma de CPU. Todos os números aqui são do próprio fabricante, mas o harness e os comandos para reproduzi-los estão no repositório.
A qualidade é boa, mas não lidera. No OmniParseBench da Datalab, ele marca 66,7 no geral (71,4 com o modo matemático) contra 58,4 do PP-StructureV3, e sua pontuação de layout, de 92,2, é a parte mais forte. Em texto puro, porém, o PP-StructureV3 ainda vence sem o modo matemático (55,6 contra 46,7). O README é incomumente franco sobre o resto: tabelas complexas com células mescladas, escrita à mão (25,2% nos testes de escrita à mão), digitalizações degradadas (29,5%) e alguns idiomas latinos com muitos acentos, como tcheco e turco, são mal lidos. Ele encaminha esses documentos para o modelo pago Chandra, da Datalab, que é a lógica comercial do lançamento.
A licença é a decisão que importa para uma empresa. O código é Apache-2.0, mas os pesos estão sob uma OpenRAIL-M modificada, gratuita para pesquisa, uso pessoal e startups com menos de US$ 20M em financiamento ou receita, e que proíbe usos que concorram com a API da Datalab. Uma empresa maior, ou qualquer um que construa um serviço de OCR, precisa de uma licença comercial. A Datalab licencia os pesos do Marker de forma parecida, e os termos impedem que o Indra seja um substituto direto do Tesseract para muitas empresas.
O benchmark em que ele lidera também foi construído pela Datalab, e o repositório tem menos de três semanas. Em relação ao Marker, o Indra troca precisão em layouts difíceis por velocidade e um tamanho muito menor; em relação ao Tesseract, é mais rápido e muito melhor em layout e tabelas, com uma licença que o Tesseract não impõe.
Onde ele se destaca
Um engenheiro de dados em uma startup de legal tech de 30 pessoas
Fazer OCR de um arquivo de 2 milhões de páginas de contratos digitalizados para busca
Rode o indra-ocr sobre o arquivo em uma instância de 32 núcleos; às 44 páginas por segundo da Datalab, são cerca de 13 horas de computação. Os pesos são gratuitos enquanto a empresa ficar abaixo de US$ 20M em financiamento ou receita.
Um engenheiro de ML construindo um pipeline de RAG
Obter Markdown divisível em trechos, com rótulos de layout, a partir de PDFs variados
Use convert_many com um worker por núcleo; page.blocks devolve títulos, listas, tabelas e legendas na ordem de leitura, e PDFs digitais pulam o OCR pela camada de texto. Encaminhe páginas escritas à mão ou degradadas para um modelo mais pesado.
Um responsável por compras em uma grande empresa
Decidir se o Indra pode substituir o Tesseract em produção
Confira primeiro a receita e o financiamento em relação ao teto de US$ 20M; acima dele, ou para qualquer produto de OCR como serviço, os pesos precisam de uma licença comercial, disponível na página de preços da Datalab.
Antes de decidir
- Configuração
- pip install indra-ocr no Python 3.10+, depois indra-ocr file.pdf; a primeira execução baixa cerca de 76 MB de modelos do Hugging Face. Testado em Linux x86_64 e aarch64 e em macOS com Apple Silicon.
- Integrações
- CLI, API Python (load, convert, convert_many, ocr em arrays numpy), saída em Markdown, texto ou JSONL, um visualizador web local na porta 8765 e uma comparação opcional com o Tesseract.
- Dados e privacidade
- Roda localmente; os arquivos ficam na sua máquina e só o download dos modelos usa a rede. Código Apache-2.0; pesos sob uma OpenRAIL-M modificada com limite de US$ 20M de financiamento ou receita e uma cláusula que proíbe APIs concorrentes. Nenhum aviso de segurança publicado.
- Custo em escala
- Só CPU: a Datalab mede 6,2 páginas por segundo em 4 núcleos e 43,9 em 32. Empresas maiores precisam de uma licença comercial dos pesos; a API hospedada da Datalab oferece cerca de 5.000 páginas gratuitas por mês e SOC 2 Type 2 para documentos mais difíceis.
- Limites
- Tabelas complexas, escrita à mão, digitalizações degradadas e sistemas de escrita fora da lista são mal lidos; a matemática sai como texto puro, a menos que --math esteja ativado, o que eleva a latência mediana para 357 ms; cerca de 18 issues abertas.
O que é bom
- Cerca de 212 ms por página em quatro núcleos de CPU; sem GPU nem PyTorch
- Blocos de layout, ordem de leitura e caixas em JSON, além de Markdown
- Mais de 80 idiomas; lê primeiro a camada de texto de PDFs digitais
- Instalação via pip, CLI, API Python e visualizador local
O que não é
- A licença dos pesos limita o uso comercial gratuito a US$ 20M de financiamento ou receita
- Fraco em escrita à mão, digitalizações degradadas e tabelas complexas
- Os benchmarks são da própria Datalab, em um benchmark da Datalab
- O repositório tem menos de três semanas
Ideal para
Startups e equipes de pesquisa que precisam fazer OCR de grandes volumes de documentos impressos e limpos de forma barata em CPUs.
Alternativas ao Indra OCR
Indra OCR: perguntas frequentes
- Indra OCR vale a pena?
- Rápido o bastante em CPUs comuns para mudar a economia do OCR em massa, desde que seus documentos sejam impressos e limpos e sua empresa fique abaixo da linha de US$ 20M da licença. Damos nota 4.0 de 5.
- Quanto custa Indra OCR?
- Código Apache-2.0; pesos gratuitos sob uma OpenRAIL-M modificada para pesquisa, uso pessoal e empresas com menos de US$ 20M em financiamento ou receita; caso contrário, licença comercial da Datalab.
- Quais são as desvantagens de Indra OCR?
- A licença dos pesos limita o uso comercial gratuito a US$ 20M de financiamento ou receita; fraco em escrita à mão, digitalizações degradadas e tabelas complexas; os benchmarks são da própria Datalab, em um benchmark da Datalab; o repositório tem menos de três semanas.
- Para quem Indra OCR é indicado?
- Startups e equipes de pesquisa que precisam fazer OCR de grandes volumes de documentos impressos e limpos de forma barata em CPUs.
- Quanto custa Indra OCR para uma equipe ou em produção?
- Só CPU: a Datalab mede 6,2 páginas por segundo em 4 núcleos e 43,9 em 32. Empresas maiores precisam de uma licença comercial dos pesos; a API hospedada da Datalab oferece cerca de 5.000 páginas gratuitas por mês e SOC 2 Type 2 para documentos mais difíceis.
- Indra OCR é seguro para dados da empresa?
- Roda localmente; os arquivos ficam na sua máquina e só o download dos modelos usa a rede. Código Apache-2.0; pesos sob uma OpenRAIL-M modificada com limite de US$ 20M de financiamento ou receita e uma cláusula que proíbe APIs concorrentes. Nenhum aviso de segurança publicado.
- Quais são as melhores alternativas ao Indra OCR?
- As alternativas mais próximas que analisamos são Marker, Docling, Ocrs e deepseek-ocr.rs.
Respostas verificadas em 31 de out. de 2026.