Reconhecimento óptico de caracteres
O reconhecimento óptico de caracteres (OCR) é um software que lê texto em imagens, como páginas digitalizadas, fotos ou capturas de tela, e o transforma em caracteres legíveis por máquina que podem ser pesquisados, copiados ou enviados a um modelo.
Também chamado: OCR
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Um contrato digitalizado é uma imagem, não texto. Até o OCR rodar, um índice de busca ou um modelo de linguagem não vê nada nele. Por isso o OCR é o primeiro passo do parsing de documentos para qualquer material digitalizado ou fotografado.
Como funciona
Os engines clássicos encontram as linhas de texto na página e depois reconhecem os caracteres de cada linha. O Tesseract é o exemplo open source de longa data: a versão 4 adicionou um engine de rede neural (LSTM) focado em linhas inteiras, e ele suporta mais de 100 idiomas. Os modelos de OCR modernos vão além e leem a imagem da página inteira com um transformer ou um vision-language model, produzindo Markdown com títulos e tabelas em vez de linhas simples.
Exemplo
Uma equipe que indexa notas fiscais antigas em papel roda OCR para obter o texto, usa análise de layout para manter os itens na ordem e só então divide o resultado para recuperação. As análises de modelos de OCR como o Mistral OCR 4 e o Surya OCR 2.5 tratam dos prós e contras entre velocidade e acurácia.
Limites
A acurácia cai em digitalizações de baixa resolução, escrita à mão, fontes incomuns e sistemas de escrita misturados. Os engines clássicos devolvem texto sem estrutura, então tabelas saem como linhas embaralhadas. O OCR baseado em modelos lida melhor com a estrutura, mas pode produzir texto fluente que não está na página, então confira por amostragem com a imagem. O OCR não é necessário para PDFs que já têm uma camada de texto.
Termos relacionados
- Parsing de documentos
- O parsing de documentos (análise de documentos) converte arquivos como PDFs, digitalizações, apresentações e planilhas em texto estruturado que um software consegue usar, mantendo títulos, ordem de leitura, tabelas e imagens, em vez de um fluxo plano de caracteres.
- Vision-language model
- Um vision-language model (VLM, modelo de visão e linguagem) é um modelo que recebe imagens e texto como entrada e produz texto, então consegue descrever imagens, responder perguntas sobre elas, ler documentos e extrair dados de capturas de tela.
- Análise de layout
- A análise de layout (layout analysis) é a parte do parsing de documentos que encontra as regiões de uma página, como títulos, parágrafos, tabelas, figuras, legendas e rodapés, rotula cada uma e descobre a ordem em que uma pessoa as leria.
- Extração de tabelas
- A extração de tabelas (table extraction) é a tarefa de encontrar tabelas em documentos e reconstruir suas linhas, colunas, cabeçalhos e células como dados estruturados, como HTML, Markdown ou CSV, em vez de linhas soltas de texto.
- Modelo multimodal
- Um modelo multimodal (multimodal model) é um modelo de IA que consegue receber, e às vezes produzir, mais de um tipo de dado, como texto, imagens, áudio ou vídeo, dentro de um único modelo em vez de sistemas separados.