OCR errou palavras: resolução, idioma, inclinação
Como descobrir se o OCR errou por resolução, idioma ou página torta, e como refazer o reconhecimento com a configuração certa para cada caso.
O OCR erra palavras por três motivos principais: o scan tem pouca resolução, o idioma escolhido não é o do documento ou a página está torta. A ferramenta lê cada página a 300 DPI com o Tesseract, então a qualidade do arquivo original pesa mais que qualquer configuração. Antes de rodar de novo, confira esses três pontos na ordem.
Resolução: o OCR não inventa detalhe
A ferramenta de OCR reconhece as letras a partir da imagem da página, e a imagem é o que o scan entregou. Se a digitalização foi feita a 100 DPI, cada letra pequena já tem poucos pixels quando chega ao OCR, e a leitura não consegue distinguir “e” de “c” ou “rn” de “m”. Reprocessar essa imagem não recupera a informação perdida.
Por isso a conta começa no escaneamento. Digitalize documentos de texto impresso a 200 DPI, e a 300 DPI se o texto for pequeno ou se houver tabelas com números. Com esses valores, o reconhecimento costuma sair com poucos erros. O guia sobre DPI para escanear um documento mostra como escolher a resolução antes da digitalização.
Idioma: escolha o que predomina
A ferramenta oferece Português, Português e inglês, Inglês e Espanhol. O reconhecimento usa o dicionário e o padrão de letras do idioma escolhido. Se você escolhe inglês para um texto em português, as letras acentuadas e as palavras comuns saem trocadas, e o resultado parece legível à primeira vista, mas tem muitos erros (o roteiro de teste com acentos e colunas está em OCR em português).
Use a opção combinada quando os dois idiomas aparecem com frequência, como um manual técnico com termos em inglês no meio de frases em português. Não use a opção combinada como garantia para um texto que é quase todo de um idioma só, porque ela amplia o conjunto de palavras possíveis e pode aumentar erros em trechos simples.
Inclinação: página torta lê pior
Uma página escaneada com inclinação de dois ou três graus já afeta a leitura. As linhas ficam ligeiramente diagonais, e o reconhecimento mistura o fim de uma linha com o começo da seguinte. Se a página está inclinada, endireite antes do OCR. A ferramenta de escanear documento faz isso para fotos tiradas com o celular, e o guia sobre scan torto no PDF mostra como corrigir a inclinação no próprio escaneamento. Se o OCR falha justamente por causa da inclinação, veja também scan torto e OCR que falha.
Não confunda inclinação com rotação. Uma página deitada em 90 graus não é torta, é virada, e o OCR lê as letras de lado. Nesse caso, gire o PDF com a ferramenta de girar antes de reconhecer o texto.
Tabela de sintomas
| Erro no texto | Causa provável | Correção |
|---|---|---|
| Letras trocadas, como o por zero ou l por um | Resolução baixa no scan | Digitalizar a 200 a 300 DPI e refazer |
| Palavras em inglês saem como lixo | Idioma escolhido só português | Refazer com Português e inglês |
| Erros só no começo ou no fim das linhas | Página torta | Endireitar e refazer |
| Texto sem sentido em todas as linhas | Página girada em 90 ou 180 graus | Girar o PDF antes do OCR |
| Palavras ilegíveis perto de um carimbo | Carimbo sobre o texto | Digitalizar sem o carimbo ou aceitar a revisão manual |
Como conferir o resultado
Depois do OCR, procure no documento as palavras que importam, como nomes, datas e valores, usando Ctrl+F. Se a busca não encontra uma palavra que está visível na página, ela foi reconhecida errada. Compare também os números com o papel, porque um 8 lido como 6 não chama atenção numa leitura rápida, e num fluxo que grava os campos numa planilha o erro vai junto, como alerta Power Automate para extrair texto de PDF.
Em documentos com valor jurídico ou financeiro, o texto reconhecido serve para buscar e copiar, mas a conferência final deve ser feita com a imagem original. O OCR é um atalho de leitura, não uma transcrição revisada.
Limites da ferramenta
Cada operação lê até 60 páginas escaneadas, o que leva de um a dois minutos. Para um documento maior, divida em partes e rode o OCR em cada uma. O reconhecimento é treinado para texto impresso, então manuscritos saem com muitos erros ou não saem. Para tabelas com muitos números, a conferência de totais é o teste que pega os erros mais graves.
Depois do OCR
A camada de texto criada pelo OCR fica invisível e não altera a imagem. Isso quer dizer que o documento continua com o mesmo visual, mas agora permite buscar e copiar. Se o objetivo é editar o conteúdo, converta o PDF para Word: no modo de texto editável, as páginas escaneadas passam pelo reconhecimento automaticamente e o resultado é um documento editável, que deve ser revisado com o mesmo cuidado. Para entender como o reconhecimento funciona por dentro, o guia OCR em PDF: como funciona e por que erra letra pequena e o do Tesseract aprofundam o assunto.
Perguntas frequentes
Por que o OCR trocou letras no meu PDF escaneado?
Na maioria das vezes, o scan original tem pouca resolução, e a informação de cada letra já se perdeu antes do reconhecimento. Outras causas comuns são o idioma escolhido errado e a página torta. Refaça o scan a 200 DPI ou mais, com a página reta e sem sombra, e rode o OCR de novo com o idioma do documento.
Qual idioma escolher no OCR para um contrato em português com termos em inglês?
Escolha a opção Português e inglês quando os dois idiomas aparecem com frequência no documento, como em manuais técnicos ou contratos com cláusulas em inglês. Para um texto que é quase todo em português, a opção Português costuma ser suficiente. Confira as palavras em inglês depois, porque elas são as que mais erram quando o idioma está errado.
Como o OCR lê um PDF escaneado torto?
Mal. Uma página inclinada faz as linhas de texto saírem cortadas ou mescladas, e o reconhecimento erra no começo e no fim das linhas. Endireite o scan antes, com a ferramenta de escanear documento ou ajustando a inclinação na digitalização. Se a página estiver deitada em 90 graus, gire o PDF antes do OCR.
Qual resolução de scan o OCR precisa para não errar?
A ferramenta de OCR lê cada página a 300 DPI, mas ela não cria detalhe que o scan não tem. Scans de 200 DPI ou mais, com texto impresso e papel liso, costumam sair com poucos erros. Abaixo disso, as letras pequenas são as primeiras a errar, e no escaneamento a resolução precisa ser escolhida antes de digitalizar.