Da Immagine a Testo (OCR)

A stadi. Il motore separa prima il testo dallo sfondo, poi individua l’impaginazione: colonne, righe e la linea di base su cui ogni riga poggia. Solo allora parte il riconoscimento, e nel Tesseract moderno quel passaggio è una rete neurale della famiglia LSTM, che legge una riga intera come sequenza invece di indovinare una lettera per volta. È questa architettura a spiegare perché una riga di stampa dritta e contrastata viene letta quasi perfettamente mentre una foto scattata di sbieco fallisce: l’inclinazione rompe la linea di base che il modello si aspetta.

Su screenshot e scansioni piane è molto alta, spesso quasi perfetta sul testo corrente. L’accuratezza cala con la bassa risoluzione, l’illuminazione irregolare, gli artefatti JPEG intorno ai caratteri piccoli, i font decorativi o molto stretti e qualsiasi rotazione. Due accorgimenti valgono più di tutti gli altri: ritaglia solo il testo che ti serve e parti dalla versione più grande dell’immagine che hai, non da una copia rimpicciolita.

Il motore è caricato con i dati di addestramento per l’inglese, che coprono anche cifre e punteggiatura comune. Le altre lingue in alfabeto latino, italiano compreso, risultano leggibili ma perdono le lettere accentate e un po’ di accuratezza, perché il modello non è stato addestrato su di esse. Gli alfabeti non latini come cirillico, greco, arabo o CJK non sono supportati, e la scrittura a mano non viene riconosciuta.

Sì, senza registrazione, senza tetto di pagine e senza livello premium, cosa non comune per l’OCR. Il riconoscimento gira come WebAssembly dentro il tuo browser, quindi documenti e screenshot non vengono mai caricati. Un dettaglio dichiarato: motore e modello inglese vengono scaricati al primo utilizzo, quindi a differenza di quasi tutti gli altri strumenti qui questo richiede una connessione la prima volta.