Por que o OCR falha com letra à mão (e o que funciona de verdade)

Tire uma foto de uma página impressa e quase qualquer app de digitalização devolve um texto praticamente perfeito. Tire uma foto de uma página do seu caderno e o mesmo app devolve algo entre uma aproximação e um monte de bobagem. Essa diferença não é defeito de um app específico. Ela vem do jeito como o reconhecimento de texto foi pensado e do que a escrita à mão realmente é.

O OCR clássico foi feito para texto impresso

O reconhecimento óptico de caracteres cresceu no meio de documentos impressos: livros, formulários, faturas, recibos. Nesse mundo, uma letra é um objeto fixo. Todo a numa mesma fonte e num mesmo tamanho tem exatamente a mesma forma, pixel por pixel. As palavras ficam sobre uma linha de base reta, os caracteres são separados por espaço em branco, o entrelinhamento é regular e a página é plana.

O processo clássico aproveita tudo isso. Ele passa a imagem para preto e branco, endireita a página, encontra as linhas de texto, corta cada linha em caixinhas de um caractere, compara cada caixinha com uma biblioteca de formas conhecidas e, no fim, passa o resultado por um dicionário para limpar o que sobrou. Cada etapa depende da estabilidade da anterior: traço regular, espaçamento regular, separação clara entre os sinais.

Essas condições valem para um romance ou uma conta de luz. Desabam no instante em que uma mão pega uma caneta.

Letra à mão não é fonte

O primeiro problema é a variação dentro de uma mesma pessoa. Sua letra numa manhã tranquila não é sua letra no meio de uma reunião corrida. A velocidade muda a altura e a inclinação das letras. A postura desloca a linha de base. Um caderno apoiado no joelho não produz os mesmos traços que o mesmo caderno sobre a mesa. A caneta, o papel e a pressa deixam marcas visíveis. Você não tem uma letra só, tem uma faixa de letras.

O segundo problema é a variação entre pessoas, que é bem maior. Cada um forma as letras conforme onde e quando aprendeu a escrever. Um sete pode ter ou não um tracinho no meio. Um um pode ter um traço inicial tão longo que parece um sete para quem não aprendeu a escrevê-lo assim. Maiúsculas, laços, ligações entre letras e hastes que descem da linha mudam de escola para escola e de geração para geração. Ou seja, a letra a não é uma forma, é uma grande família de formas, e as bordas dessa família se sobrepõem às de outras letras.

A letra cursiva apaga as fronteiras

A letra emendada traz um problema mais difícil: a segmentação. No texto impresso, o espaço em branco mostra onde um caractere termina e o próximo começa. Na cursiva a caneta não sai do papel, então essas fronteiras não existem na imagem. O sistema precisa inventá-las.

Isso cria uma dependência circular. Para cortar no lugar certo, é preciso saber que palavra está sendo lida, mas para identificar a palavra primeiro é preciso ter os cortes. O resultado é conhecido de quem já tentou decifrar uma receita médica: rn vira m (e “caderno” vira “cademo”), cl parece d, uma sequência de i sem pingo parece u ou n, um t cortado alto parece um l, um ç com a cedilha mal marcada vira c e um til apressado some, transformando “mão” em “mao”. Nada disso é raro. É a cara normal de uma letra escrita às pressas.

A ambiguidade se resolve com contexto, não com pixels

Esta é a parte mais importante. Se você lê sem esforço a sua própria lista de compras, não é porque as formas são claras. Metade delas não é. Você lê porque já sabe o que teria escrito. A leitura humana conserta a imagem o tempo todo com conhecimentos que não estão na imagem.

Parte desse conhecimento é linguística: a gramática, as combinações de palavras comuns, o registro da frase. Outra parte é pessoal, e nenhum modelo genérico a tem. O nome dos seus colegas. O codinome de um projeto. A abreviação que você inventou para um cliente frequente. O jeito abreviado como você escreve um remédio, o número de um processo, uma medida de laboratório. Deixar a foto mais nítida não adianta, porque a informação que falta nunca esteve na página.

Nomes próprios são o pior caso. Nenhum dicionário dá conta deles, e um palpite errado parece totalmente plausível para quem não estava lá.

A própria página atrapalha

Uma página de caderno de verdade tem muito mais do que linhas de texto:

• Um layout improvisado na hora: notas na margem, setas, quadros, uma segunda coluna começada quando a primeira ficou sem espaço.
• Rabiscos, acréscimos acima da linha e texto escrito em volta deles.
• Dois idiomas na mesma frase, o que derruba qualquer dicionário ajustado para um só.
• Papel pautado ou quadriculado, em que a grade impressa compete com a tinta.
• Condições físicas: lápis, tinta que atravessa da página anterior, a sombra da sua mão e a curva da página perto da lombada de um caderno encadernado.

O que os modelos de visão e linguagem mudaram

O reconhecimento recente funciona de outro jeito. Em vez de comparar formas isoladas com modelos prontos, os sistemas atuais são treinados ao mesmo tempo com imagens e texto, e leem uma linha ou uma página inteira de uma vez. Eles conseguem pesar com o que uma forma se parece e o que faria sentido naquela frase, o que fica muito mais perto do jeito como as pessoas leem.

Na prática, isso elimina vários dos problemas antigos. A cursiva não precisa mais de cortes explícitos entre caracteres. A dúvida entre rn e m é resolvida pela palavra em volta. Um nome meio ilegível pode ser recuperado pela frase que o cerca. Layouts irregulares, idiomas misturados e formas de letra incomuns são tratados muito melhor do que num processo baseado em modelos prontos. A melhora com letra à mão de verdade é real, e é por isso que transcrever um caderno hoje é algo viável.

Só que os erros ficaram mais convincentes

O OCR antigo errava de um jeito visível. Gerava caracteres quebrados e sequências impossíveis, e você percebia na hora que algo tinha dado errado. Um modelo moderno erra com fluência. Quando não consegue ler uma palavra, ele não para: escreve a palavra mais plausível. O resultado está bem escrito, gramatical, no tom certo, e errado.

Existe uma segunda falha, mais discreta: a normalização silenciosa. Um modelo pode expandir uma abreviação que você queria manter, alisar uma expressão que você escreveu de propósito ou completar uma frase que você deixou pela metade. E na maioria das ferramentas nada indica quais palavras foram lidas com clareza e quais foram adivinhadas. O texto chega com a mesma segurança nos dois casos.

Numa lista de compras, nada disso importa. Numa dose de remédio, no nome de um cliente, num valor, numa data ou numa frase de uma carta que você pretende citar, importa muito. É também por isso que vale desconfiar de taxas de precisão soltas: o número depende totalmente de qual letra foi testada, com que conteúdo, em que papel e de se uma troca plausível é contada com o mesmo rigor que um erro visível.

O que funciona de verdade: revisar e depois aprender

Se o risco real são os erros convincentes, a pergunta útil não é como deixar o reconhecimento perfeito. É como tornar os erros fáceis de achar e fáceis de corrigir, para que eles não cheguem ao texto em que você vai confiar.

Duas coisas fazem quase todo o trabalho.

1. A página original fica junto do texto, e o mecanismo mostra onde hesitou. Não uma foto num app e o texto em outro, mas a imagem e a transcrição juntas, com as palavras que o modelo considerou duvidosas sublinhadas para que uma leitura incerta seja corrigida ali mesmo. Uma revisão que leva dois segundos é feita. Uma revisão que obriga a reler a página inteira em outro app não é.
2. As correções são lembradas. Um sistema que lê errado o nome de um colega uma vez não deveria errar de novo na décima página. Seu vocabulário, seus nomes próprios e suas abreviações são exatamente o contexto pessoal que nenhum modelo genérico pode ter, e ele só pode vir de você.

O Encria foi construído em torno dessa ideia. As páginas são transcritas, as palavras de que o mecanismo não tinha certeza aparecem sublinhadas logo abaixo da imagem original para você corrigir com um toque, e as correções que você faz ficam guardadas no seu aparelho e são reaproveitadas nas transcrições seguintes. Com o Encria Pro, os perfis de escrita reutilizáveis também guardam seu vocabulário, seus nomes próprios e suas abreviações. A leitura bruta é mantida pelo mesmo motivo: o que foi lido continua disponível, palavra por palavra, e a revisão com IA que corrige prováveis erros de leitura e frases quebradas é uma camada por cima que você pode desligar quando o que importa é a redação exata.

Um jeito prático de trabalhar

Seja qual for a ferramenta, alguns hábitos deixam a transcrição de letra à mão muito mais confiável: fotografe com luz uniforme e a página o mais plana possível, use uma página por imagem em vez da página dupla aberta e revise primeiro nomes, números e datas, porque é aí que um modelo fluente tem mais chance de errar com toda a segurança. Se uma página importa de verdade, leia a transcrição uma vez ao lado da página original antes de arquivá-la.

Se você quer a versão prática desse método, veja como transcrever anotações à mão. E se está comparando ferramentas, a diferença entre um recurso genérico de imagem para texto e um app dedicado à transcrição está explicada na comparação entre Encria e Google Lens. As duas coisas chegam à mesma ideia: o reconhecimento é só metade do trabalho, e a metade que decide se você pode confiar no resultado é o que acontece depois.