Как превратить рукописный текст в печатный по фото

Нейросети могут не только генерировать тексты, но и распознавать их — как печатные, так и написанные от руки. Это удобно, когда нужно быстро перевести текст с бумаги или изображения в редактируемый формат — например, оцифровать конспекты, заметки из блокнота или список телефонных номеров из старой записной книжки.

В этом материале редакции «Маркетинг» Skillbox Media рассказываем:

• как распознать текст с помощью нейросети;
• какие нейросети умеют это делать;
• что делать, чтоб нейросеть лучше распознавала текст;
• какие есть альтернативы нейронкам;
• когда лучше использовать ИИ, а когда — другие инструменты.

Как распознать текст с помощью нейросети

Технически распознать текст через нейросеть несложно — общий алгоритм такой:

• загружаете в нейросеть фотографию или скан с текстом;
• нейросеть распознаёт почерк или печатный шрифт и преобразует его в машиночитаемый текст;
• копируете распознанный текст и вставляете его в любой текстовый редактор.

ИИ может допускать ошибки при распознании, поэтому текст обязательно нужно проверить. А чтобы улучшить качество распознавания, стоит обратить внимание на такие факторы.

Почерк. ИИ лучше справляется с разборчивым почерком. Если записи сделаны каллиграфически или чётким курсивом, точность распознавания будет выше. Также важно, чтобы фотография была качественной, с хорошим освещением и без бликов.

Структура. ИИ может ошибаться, если на одной странице вперемешку находятся записи на разных языках, имена, адреса, рисунки, даты и номера телефонов. В таких случаях лучше разделить задачу на два этапа: сначала попросить нейросеть распознать текст, а затем — извлечь из него нужную информацию.

Например, если нужны только имена и номера телефонов, можно использовать такой запрос: «Распознай весь текст с изображения. После этого найди в распознанном тексте все имена и связанные с ними номера телефонов. Выведи результат в виде списка. Рисунки, даты и адреса не включай в итоговый ответ».

Язык. Точность распознавания зависит от языка, алфавита и типа письма. Если текст написан от руки, особенно важно, насколько хорошо выбранная модель ИИ работает с рукописным текстом именно на этом языке.

О других причинах, из-за которых ИИ может распознать текст некачественно, и о том, как этого избежать, будем рассказывать ниже.

Какие нейросети умеют распознавать текст

Многие современные мультимодальные ИИ умеют «видеть» с помощью технологий компьютерного зрения. Мы написали небольшой текст от руки и протестировали его распознавание в шести популярных нейросетях: ChatGPT, Gemini, «Алиса AI» (YandexGPT), Perplexity, DeepSeek и Qwen.

Ниже — обзор выбранных нейросетей и результаты того, как они распознали тестовое изображение.

ChatGPT

ChatGPT — чат-бот и универсальная нейросеть от компании OpenAI. Умеет работать с текстами, кодом и изображениями. ChatGPT может распознавать рукописный и печатный текст.

ChatGPT распознал большую часть основного текста, но не точно. Например, прочитал фамилию как «Михайлов», не справился с адресом, некоторые слова проигнорировал.

Gemini

Gemini — это семейство мультимодальных ИИ-моделей, созданное компанией Google DeepMind. Нейросеть умеет работать с текстами, таблицами, языками программирования, изображениями. Работает прямо в сервисах Google.

Gemini распознал весь текст безошибочно — как основное предложение, так и дополнение в виде телефона, фамилии, имени и адреса.

«Алиса AI»

«Алиса AI» — это семейство генеративных моделей «Яндекса» на базе YandexGPT. ИИ умеет работать с текстом, изображениями и файлами и искать информацию в интернете.

«Алиса AI» справилась с нашей задачей без ошибок — распознала текст полностью.

Perplexity AI

Perplexity AI — это поисковая система на основе искусственного интеллекта от компании Perplexity AI, Inc. ИИ мультимодальный — умеет обрабатывать текст, файлы, изображения.

Perplexity распознал текст с ошибками.

DeepSeek

DeepSeek — это языковая модель с открытым исходным кодом от одноимённой китайской компании. Нейросеть не использует компьютерное зрение по умолчанию, как мультимодальные ИИ, но имеет два режима работы с изображениями — «Быстрый» и Vision Mode («Режим распознавания изображений»).

В «Быстром» режиме ИИ может извлечь текст из изображения или документа, но с картинками справляется хуже. В «Режиме распознавания» ИИ использует мультимодальную модель, чтобы анализировать изображения.

В нашем тесте DeepSeek в режиме Vision распознал большую часть основного текста, но не справился с названием профессии, фамилией и наименованием улицы.

Qwen

Qwen — это большая языковая модель на основе искусственного интеллекта от компании Alibaba Cloud, подразделения Alibaba Group. ИИ мультимодальный — умеет обрабатывать текст, код, изображения, файлы, вести диалог и решать сложные логические задачи.

Qwen справился с основным текстом без ошибок, но не смог разобрать название улицы.

Что делать, чтоб нейросеть лучше распознавала текст

Вот основные причины, из-за которых нейросеть может не справиться с распознаванием.

Плохое качество изображения. Если у изображения слишком низкое разрешение или кадр смазан, ИИ может совершить ошибку. На точность распознавания также влияют ракурс, освещение, наличие цифрового шума и искажений.

Большинство этих проблем можно решить ещё во время съёмки. Например, вместо обычной камеры смартфона лучше сразу использовать сканирующие приложения — они автоматически выравнивают геометрию страницы, убирают искажения перспективы и изгибы бумаги.

Важно правильно настроить освещение: лучше всего подходит мягкий рассеянный или верхний белый свет. Следите, чтобы смартфон не отбрасывал тень на текст. Также желательно зафиксировать камеру, чтобы избежать смазывания кадра.

Если фотография уже сделана и её качество оставляет желать лучшего, можно выполнить простую предобработку. Откройте изображение в любом редакторе, увеличьте контрастность и переведите его в чёрно-белый режим — это поможет уменьшить визуальный шум и повысить точность распознавания.

Сложная или неоднородная структура текста. Если сам текст сложный, неровный, неоднородный или написан неразборчиво, нейросеть может путаться. Например, если один объект на фото частично загораживает другой, в тексте есть рисунки и графики или на изображении есть пятна, точность распознавания падает.

Чтобы повысить эффективность работы ИИ, можно попробовать:

• Убрать лишние элементы с фотографии или скана. Если на странице есть пятна, пылинки или посторонние штрихи, аккуратно сотрите их цифровым ластиком в фоторедакторе перед отправкой в ИИ. Так нейросеть не примет лишний мусор за символы или знаки препинания.
• Разделить сложные блоки. Если записи на странице расположены плотно или написаны наискосок, нейросеть может не распознать всю страницу целиком. В таком случае разделите изображение на несколько фрагментов по 2–3 блока. Небольшие блоки текста ИИ обычно распознаёт точнее.

Особенности архитектуры модели ИИ. Нейросеть лучше распознаёт те типы данных, на которых её тренировали. Например, если модель тренировалась на миллионах примеров разных почерков, она будет точнее распознавать рукописный текст. Если её обучали в основном на печатных книгах и документах, с почерком она может справляться хуже. Поэтому для распознавания текста лучше выбирать мультимодальные модели, которые сочетают технологии компьютерного зрения и генеративные возможности.

Также важно учитывать язык текста. Если система распознавания текста умеет «думать» на языке документа, она сможет восстановить неразборчивую букву или слово, опираясь на смысл всей фразы. Поэтому для лучшего результата стоит выбирать модели, адаптированные под язык текста, который нужно распознать.

Например, если текст написан на русском языке, отправляйте его в системы, обученные на русской письменности. Так, «Алиса AI» и Yandex Vision OCR справляются со спецификой русского рукописного ввода лучше зарубежных аналогов.

Какими ещё инструментами можно распознать текст

Расскажем ещё о трёх способах перевести рукописный или печатный текст в редактируемый вид.

Мобильные приложения со встроенным OCR (оптическим распознаванием текста) и технологиями компьютерного зрения. Достаточно сфотографировать страницу или навести камеру на текст, и приложение преобразует рукописный или печатный текст в редактируемый формат. С этим неплохо справляются встроенные приложения, например:

• Google Lens — «Google Объектив» на смартфонах с ОС Android. Бесплатный встроенный инструмент. Нужно навести камеру на страницу, выбрать «Поиск» → «Копировать», и приложение распознает рукописный текст.
• Apple Notes — «Заметки» на iPhone. В них есть встроенная функция сканирования документов. А функция Live Text позволяет распознавать и копировать текст с экрана камеры, фотографий и изображений.

Кроме этого в магазинах приложений можно найти специализированные приложения для распознавания — например, PenToPrint, Microsoft OneNote, MyScript Notes и другие.

Онлайн-сервисы для транскрибации. Есть сервисы, которые предлагают распознавание рукописных и печатных текстов онлайн — например, ReHand, Handium, Linnk AI, Readiris. Они используют классический OCR и компьютерное видение ИИ-моделей совместно.

Программы на ПК для OCR. Например, ABBYY FineReader от компании ABBYY — самая известная программа для распознавания. С 2022 года официально купить программу в России нельзя, хотя старые версии всё ещё используются. У программы есть аналоги, например — ContentReader PDF, облачный сервис Yandex Vision OCR, NAPS2.

Когда для распознавания текста лучше использовать OCR, а когда — нейросеть

Хотя современные OCR-сервисы часто используют нейросети для повышения точности распознавания, классический OCR и нейросетевые модели основаны на разных принципах работы. Эти различия влияют на точность работы с документами разного качества, скорость обработки и способность систем понимать сложный или неразборчивый текст.

OCR. Программы с оптическим распознаванием символов анализируют изображение, находят контуры и линии символов и сопоставляют их с шаблонами букв. Поскольку печатные шрифты стандартизированы, OCR обычно распознаёт их очень точно. А вот с рукописным текстом такие программы справляются хуже, потому что почерк у каждого человека индивидуален.

Нейросети. Сначала система анализирует картинку целиком и «разделяет» её на строки, отдельные слова и буквы. После этого полученные фрагменты преобразуются в цифровой код, который компьютер способен распознать как текст и интерпретировать.

В отличие от классического OCR, нейросеть не просто распознаёт геометрию букв, а учитывает и контекст — последовательность букв, слов и языковые закономерности. Это позволяет ей «догадываться» о вероятном содержании текста и расшифровывать написанное. Таким образом, нейросети лучше использовать для расшифровки рукописного текста и распознавания нестандартных шрифтов.