OCR in PDF trasforma scansioni, foto di documenti, TIFF multipagina e PDF scansionati in un PDF in cui il testo si cerca, si seleziona e si copia. Ogni pagina passa da quattro passaggi, in quest'ordine: raddrizzamento (correzione prospettica delle foto storte o dell'inclinazione delle scansioni, con gli angoli correggibili a mano), orientamento automatico, isolamento delle immagini (foto, timbri, loghi, che non si scambiano per testo) e riconoscimento del testo con Tesseract 5. Tutto avviene sul computer; per le stampe rovinate e la scrittura a mano si può aggiungere la rilettura di un modello visivo locale.
Italiano e inglese sono inclusi; le altre 120 lingue si scaricano una volta sola, con verifica dell'impronta, e poi restano sul computer. Probatio riconosce la scrittura della pagina (latina, cirillica, araba, greca, cinese…) e propone le lingue adatte.
Il foglio fotografato in prospettiva torna rettangolare, la scansione inclinata torna dritta, la pagina capovolta o di traverso viene girata. Il raddrizzamento automatico è fatto per scattare solo sui documenti, non sulle foto qualunque.
Facoltativa: un modello visivo servito da Ollama sul tuo computer rilegge ogni pagina e corregge Tesseract. Probatio accetta solo un indirizzo locale, quindi le immagini non lasciano la macchina. Il testo del modello si usa solo dove concorda con Tesseract e mai su una pagina bianca, perché un modello generativo può inventare.
Fedele: l'immagine originale, e un JPEG non ritoccato entra nel PDF identico byte per byte. Compatto: testo nitido e figure separate, file molto più piccolo. Bianco e nero: il più leggero, per il solo testo. Solo testo: aggiunge il testo al PDF originale senza toccarlo, che resta intatto all'inizio del file nuovo.
Se l'immagine ha poca risoluzione, Probatio avvisa che «Fedele» resterà sgranato e propone le modalità che ridisegnano il testo nitido. Le pagine di un PDF già digitali, con testo vero, non si rifanno.
Avanzamento, pagine, anteprima con le parole colorate per confidenza, testo riconosciuto e console dell'attività, in una finestra propria.
Il PDF e, a richiesta, il testo (.txt) e il registro (.ocr.json) con le impronte dei file e, per ogni pagina, raddrizzamento, rotazione, lingue, confidenza e modello locale usato, con il numero di parole cambiate.