Was Google Document AI OCR leistet
Enterprise Document OCR ist einer der Prozessoren in Document AI von Google Cloud. Sie senden ein PDF oder Bild (PDF, GIF, TIFF, JPEG, PNG, BMP oder WebP; DOCX befindet sich in der privaten Vorschau) und erhalten ein Document-Objekt in JSON mit dem Text, den Seiten, Blöcken, Zeilen, Tokens und deren Positionen zurück. Der Dienst liest gedruckten und handschriftlichen Text, kann eingebetteten Text aus digitalen PDFs mit den OCR-Ergebnissen zusammenführen (natives PDF-Parsing) und bewertet die Bildqualität jeder Seite auf einer Skala von 0 bis 1. Liegt der Wert unter 0,5, listet er wahrscheinliche Mängel wie Unschärfe, Blendung oder abgeschnittenen Text auf. Laut Google werden mehr als 200 Sprachen unterstützt; für ein Dutzend davon ist Handschrift als nicht unterstützt gekennzeichnet, darunter Hebräisch, Thai, Tamil und Telugu.
Die Einrichtung folgt dem üblichen Google-Cloud-Ablauf: ein Projekt erstellen, die Document AI API aktivieren, einen Enterprise-Document-OCR-Prozessor in einer Region (US, EU und mehrere weitere) anlegen und ihn über die REST-API oder Clientbibliotheken aufrufen. Online-Anfragen (synchron) nehmen bis zu 15 Seiten und 40 MB entgegen (30 Seiten im Modus ohne Bilder); Batch-Anfragen nehmen bis zu 500 Seiten pro Dokument, 1 GB pro Datei und 5.000 Dateien pro Anfrage entgegen. Stabile Modellversionen sind pretrained-ocr-v2.0-2023-06-02 und pretrained-ocr-v2.1-2024-08-07; v2.1.1 ist außerhalb der USA und der EU ein Release Candidate.
