OCR: PDF escaneado para texto
Para PDF que é imagem (digitalizado, foto de documento, print): o leitor reconhece as letras no seu próprio navegador, em português, e abre o texto num editor para você corrigir e baixar em Word. Nada é enviado.
Quando usar o OCR e quando usar o PDF para Word
Se o PDF tem texto selecionável (você consegue marcar palavras com o mouse), use o PDF para Word: é instantâneo e mantém caixas e colunas. Se o PDF é uma imagem — veio de scanner, é foto de documento ou print — só o OCR consegue ler as letras. Ele reconhece caractere por caractere e por isso pode errar em imagens tortas, escuras ou pequenas; o editor está aí para corrigir.
O que o leitor faz para acertar mais
- Converte para tons de cinza, estica o contraste e binariza (método de Otsu) quando a imagem é papel.
- Mede e corrige a inclinação do scan (até ±4°).
- Acha as linhas das caixas e as apaga antes de ler — linhas viram "|" e "_" falsos.
- Lê a página inteira e, nas tabelas, cada célula separadamente, em modo de bloco único.
- Corrige confusões em números (O→0, l→1) e marca em amarelo o que ficou abaixo de 70% de confiança.
Como tirar uma foto que o OCR lê bem
- Documento plano, sem dobra, ocupando a foto inteira.
- Luz uniforme, sem sombra do celular em cima do papel.
- Câmera paralela ao papel e foco nítido nas letras.
- Prefira PDF digitalizado a 300 dpi quando puder escolher.
O motor é o Tesseract, o mesmo usado pelo Google Books, compilado para WebAssembly e rodando na sua aba.
Perguntas frequentes
O OCR é grátis e sem limite?
Sim. Como roda no seu navegador, não há custo de servidor nem limite de páginas — só o tempo do seu aparelho (cerca de 2 a 8 segundos por página).
Meu documento é enviado para algum lugar?
Não. Imagem, PDF e texto ficam só na sua aba. Ao fechar, some.
Funciona com texto manuscrito?
Mal. O Tesseract foi treinado com texto impresso; letra de mão sai com muitos erros.
Dá para manter a formatação original?
Parágrafos, títulos (pelo tamanho), listas e, quando o documento tem caixas desenhadas, as tabelas com suas colunas e fundos — o leitor enxerga as linhas na imagem. Tabelas sem linhas e colunas de texto viram texto corrido.
Por que a primeira vez demora mais?
O navegador baixa o motor (≈4 MB) e o idioma (≈1,4 MB no modo preciso) uma única vez. Depois fica em cache.
Qual a diferença entre os modos Preciso e Rápido?
O Preciso usa o modelo completo do Tesseract, limpa a imagem (contraste, inclinação, linhas) e lê cada caixa separadamente: é o padrão. O Rápido usa o modelo leve e serve para prévias ou aparelhos fracos.
O que são os trechos em amarelo?
Palavras que o leitor reconheceu com confiança abaixo de 70%. Elas aparecem marcadas no editor só para você conferir; a marcação não vai para o Word nem para o PDF.