Image en Texte

Ce qui arrive à votre image

L'image en texte, également appelée OCR (reconnaissance optique de caractères), examine les formes des lettres dans une image et détermine quels caractères il s'agit. Ici, ce travail est effectué par un moteur OCR open-source, Tesseract, fonctionnant à l'intérieur de votre onglet de navigateur. La première fois que vous utilisez une langue, votre navigateur télécharge le modèle de cette langue depuis ce site, entre un et trois mégaoctets. Après cela, l'image est lue sur votre propre appareil.

Rien de l'image n'est envoyé nulle part : ni à DocTranslator, ni à un service OCR. C'est important pour les choses que les gens photographient le plus souvent pour lire, comme une lettre d'un bureau, une ordonnance, une page de contrat ou un passeport.

Comment obtenir un texte propre à partir d'une photo

L'OCR n'est aussi bon que l'image qu'il lit. Quatre choses font la plus grande différence :

• Choisissez d'abord la bonne langue. Le moteur lit avec l'alphabet et le vocabulaire de la langue que vous choisissez. Le russe lu en anglais donne du non-sens, et les accents en français ou en polonais disparaissent lorsque la langue est incorrecte.
• Photographiez la page à plat et de face. Tenez le téléphone directement au-dessus du papier, remplissez le cadre avec la page, et évitez le pli près du dos d'un livre. Les lignes qui se courbent confondent plus le moteur qu'une petite image.
• Éclairez-la uniformément. Une ombre sur la page, ou l'éclat d'un flash sur du papier glacé, cache des lettres. La lumière du jour d'une fenêtre, sans le flash, fonctionne généralement le mieux.
• Gardez-la nette. Touchez l'écran pour faire la mise au point sur le texte avant de prendre la photo. Les petits caractères doivent être suffisamment grands dans l'image pour être lus à l'œil nu.

Ce que l'OCR fait mal

Même une bonne numérisation revient avec quelques erreurs, et elles ont tendance à être les mêmes : la lettre l comme le chiffre 1, O comme 0, rn comme m, une virgule perdue à la fin d'une ligne. Les noms, les chiffres et les dates méritent un second regard avant de les copier dans quoi que ce soit d'important.

L'écriture manuscrite est beaucoup plus difficile que l'imprimé, et l'écriture manuscrite liée est souvent mal lue ou pas du tout. Le résultat est du texte brut, donc la mise en page de la page n'est pas conservée : les colonnes sont lues les unes après les autres, et un tableau revient sous forme de lignes de mots. Lorsque vous avez également besoin de la mise en page, la section suivante est la solution pour la conserver.

Lorsque vous avez besoin du texte dans une autre langue

Copier le texte dans un traducteur perd la page : les tampons, le tableau, l'emplacement de chaque ligne. Pour traduire un document numérisé avec sa mise en page, téléchargez plutôt la numérisation sur DocTranslator. Il lit la numérisation avec l'OCR, traduit le texte et renvoie un fichier qui ressemble à l'original, dans l'une des 108 langues.

L'outil du navigateur sur cette page lit l'anglais, l'espagnol, le français, l'allemand, l'italien, le portugais, le russe, l'ukrainien, le polonais, le turc, l'arabe, l'hindi, le chinois (simplifié), le japonais, le coréen et le vietnamien. Dans un PDF numérisé, il lit les 5 premières pages ; une traduction lit chaque page, dans toutes les langues prises en charge par DocTranslator.