TesseractOCR

Autores: Rui Fontes, Ângelo Abrantes e Abel Passos do Nascimento Jr.
Compatibilidade: NVDA versão 2026.1 e posteriores

Informações

Este extra utiliza o motor de OCR Tesseract, de código aberto e gratuito, para executar o reconhecimento óptico de caracteres a um documento de imagem, seja PDF, JPG, TIF ou outro, sem necessidade de abrir o documento. O resultado é mostrado num documento de texto com o mesmo nome do original, mas com extensão .txt colocado na mesma pasta. Também permite o acesso a scanners compatíveis WIA para efectuar OCR a um documento em papel. Neste caso, o documento com o resultado é colocado na pasta Documentos do utilizador com o nome ocr.txt. Por último, pode obter o texto de um PDF acessível e mostrá-lo no Bloco de notas. No menu NVDA, Preferências, é adicionada uma secção TesseractOCR, onde pode configurar o seguinte:

Idiomas a utilizar no reconhecimento;
o tipo de documentos a reconhecer;
Seleccionar o scanner a ser utilizado;
definir a resolução do scanner entre 150 e 400PPP .
se deve ou não ser pedida uma palavra-passe para o PDF. Se esta opção estiver seleccionada e o PDF não tiver uma palavra-passe, basta premir Enter na caixa de diálogo que pede a palavra-passe;
Ativar ou não os bips durante o processo.

À excepção dos idiomas português e inglês, que já são incluidos no extra, os restantes idiomas serão descarregados e instalados quando for seleccionado um idioma que ainda não exista no extra. Note que à medida que aumenta o número de idiomas de reconhecimento seleccionados, o processo de OCR será mais longo. Por isso, recomendamos a utilização apenas dos idiomas necessários. Note também que a qualidade do reconhecimento pode variar de acordo com a ordem dos idiomas. Por conseguinte, se o resultado do reconhecimento não for satisfatório, pode tentar outra ordenação.

Comandos

Os comandos predefinidos são: Windows+Control+w - Para digitalizar e reconhecer um documento através do scanner; Windows+Control+r - Para reconhecer o ficheiro seleccionado; Windows+Control+t - Para obter o texto de um PDF acessível. Windows+Control+c - Para cancelar o processo de digitalização. Nota: Tem de ser executado antes de aparecer a caixa de diálogo que pergunta se pretende digitalizar mais páginas!

Depois é só esperar que o ficheiro ocr.txt apareça com o texto reconhecido.

Estes comandos podem ser modificados na caixa de diálogo "Definir comandos" na secção "TesseractOCR".

Problemas conhecidos

Quando se selecciona a opção "Documentos variados" na caixa combinada "Tipo de documento", é provável que o texto reconhecido fique com demasiadas linhas em branco Este é um problema conhecido do Tesseract e, sem consumir muito tempo de processamento, ainda não encontrámos nenhuma solução. Mas, ainda assim, não desistimos!

Idiomas suportados

Os idiomas suportados nesta versão são:

Africânder
Albanês
Amárico
Árabe
Arménio
Assamês
Azerbaijano (Latim)
Basco
Bielorrusso
Bengalês
Bósnio
Bretão
Búlgaro
Burnês
Catalão/Valenciano
Cebuano
Cheroqui
Chinês simplificado
Chinês tradicional
Corso
Croata
Checo
Dinamarquês
Alemão
Dhivehi
Neerlandês (flamengo)
Dzongkha
Inglês
Esperanto
Estónio
Faroês
Filipino
Finlandês
Francês
Galego
Georgiano
Grego
Guzarate
Haitiano
Hebraico
Hindi
Húngaro
Islandês
Indonésio
Inuktitut
Irlandês
Italiano
Javanês
Japonês
Kannada
Cazaque
Khmer (Central)
Quirguizistanês
Coreano
Curdo Kurmanji
Laosiano
Latim
Letão
Lituano
Luxemburguês
Macedónio
Malaio
Malayalam
Maltês
Maori
Marati
Equações matemáticas
Mongol
Nepalês
Norueguês
Occitano
Oriya
Panjabi
Afegão
Persa
Polaco
Português
Quíchua
Romeno/Moldavo
Russo
Sânscrito
Gaélico escocês
Sérvio (Latim)
Eslovaco
Esloveno
Sindi
Cingalês
Espanhol
Sundanês
Swahili
Sueco
Siríaco
Tajique
Tamil
Tártaro
Telugu
Tailandês
Tibetano
Tigrínia Tonganês
Turco
Uigur
Ucraniano
Urdu
Uzbeque (Latim)
Vietnamita
Galês
Frísico Ocidental
Iídiche
Iorubá

Tipos de imagem suportados

Este extra suporta os seguintes tipos de ficheiros:

PDF
jpg
tif
png
bmp
pnm
pbm
pgm
jp2
gif
jfif
jpeg
tiff
spix
webp