Công cụ trích xuất văn bản OCR PDF

Khi bạn quét hợp đồng bằng máy quét hoặc ứng dụng điện thoại, file PDF tạo ra thực chất là một bức ảnh. Máy tính không hiểu chữ trên giấy; nó chỉ thấy các điểm ảnh màu. Bạn không thể bôi đen, sao chép hay tìm kiếm chữ trong tài liệu này.

Nhận diện ký tự quang học (OCR) giải quyết điều đó. Thuật toán OCR quét hình ảnh, nhận diện độ tương phản giữa mực và giấy, dùng mạng thần kinh nhân tạo để nhận diện ký tự và tạo một lớp văn bản kỹ thuật số đè lên ảnh.

Trước đây, việc chạy mạng thần kinh OCR đòi hỏi năng lượng xử lý máy chủ rất lớn. Bạn buộc phải tải tài liệu lên nhà cung cấp đám mây để tạo khả năng tìm kiếm.

Điều này gây rủi ro cực lớn cho luật sư, bác sĩ và chuyên gia tài chính tuân thủ các luật bảo mật nghiêm ngặt. Việc gửi dữ liệu cá nhân chưa mã hóa cho API bên thứ ba thường vi phạm chính sách bảo mật.

Utiliome hoạt động khác biệt. Chúng tôi sử dụng Tesseract.js, phiên bản WebAssembly của engine OCR mã nguồn mở nổi tiếng. Mô hình được tải trực tiếp về trình duyệt và phân tích trên CPU địa phương. Tài liệu của bạn không bao giờ gửi qua internet.

Dù máy học hiện đại rất mạnh mẽ, nó vẫn có thể gặp khó khăn với hóa đơn mờ, ảnh chụp điện thoại bị nhòe hoặc giấy bị nhăn.

Để tối ưu độ chính xác khi trích xuất với Utiliome:

• Độ phân giải: Đảm bảo ảnh gốc đạt ít nhất 300 DPI. Nếu chữ bị vỡ hạt, AI có thể đoán sai ký tự.
• Độ tương phản: Chữ đen trên nền trắng tinh là tốt nhất. Bóng râm hoặc vết bẩn có thể làm sai lệch kết quả.
• Độ căn chỉnh: Nếu chữ bị nghiêng, công cụ có thể hiểu sai dòng. Hãy cố gắng tải lên bản quét thẳng.

Nếu bạn nhận được PDF quét bằng ngôn ngữ không biết, bạn không thể sao chép trực tiếp vào Google Dịch. Engine OCR của Utiliome hỗ trợ hàng chục gói ngôn ngữ.

Bằng cách chọn đúng ngôn ngữ gốc trong công cụ, hệ thống sẽ tải trọng số mô hình tương ứng, trích xuất chuẩn xác văn bản thuần để bạn dán vào công cụ dịch ưa thích.

Nếu bạn cố trích xuất một sách giáo khoa 50 trang qua công cụ OCR online thông thường, bạn sẽ gặp ngay yêu cầu trả phí. OCR trên máy chủ tốn rất nhiều chi phí vận hành.

Kiến trúc không máy chủ của Utiliome loại bỏ hoàn toàn rào cản này. Chúng tôi chuyển công việc tính toán sang máy tính của bạn. Dù là hóa đơn 1 trang hay tài liệu pháp lý 100 trang, bạn đều có thể xử lý miễn phí mà không lo giới hạn.

Công nghệ cốt lõi giúp Utiliome trích xuất văn bản là Tesseract. Được phát triển từ thập niên 1980, nó đã tiến hóa thành một trong những hệ thống OCR chính xác nhất thế giới nhờ tích hợp mạng thần kinh LSTM.

Nhờ biên dịch mã nguồn C++ của Tesseract sang WebAssembly (Wasm), chúng tôi có thể chạy engine này trực tiếp trong Chrome hoặc Safari với tốc độ gần như ứng dụng gốc. Đây là bước tiến lớn cho các ứng dụng web tôn trọng quyền riêng tư.