O que o Google Document AI OCR faz
O Enterprise Document OCR é um dos processadores do Document AI, do Google Cloud. Você envia um PDF ou uma imagem (PDF, GIF, TIFF, JPEG, PNG, BMP ou WebP; DOCX está em pré-visualização privada) e recebe de volta um objeto Document em JSON com o texto, as páginas, blocos, linhas, tokens e suas posições. Ele lê texto impresso e manuscrito, pode mesclar o texto incorporado de PDFs digitais com os resultados do OCR (análise nativa de PDF) e atribui a cada página uma pontuação de qualidade de imagem de 0 a 1, listando prováveis defeitos, como desfoque, reflexo ou texto cortado, quando a pontuação é inferior a 0,5. O Google afirma que o serviço lida com mais de 200 idiomas; a escrita à mão está marcada como não suportada para uma dúzia deles, incluindo hebraico, tailandês, tâmil e telugu.
A configuração segue o fluxo habitual do Google Cloud: crie um projeto, ative a API do Document AI, crie um processador Enterprise Document OCR em uma região (EUA, UE e várias outras) e chame-o pela API REST ou pelas bibliotecas de cliente. As requisições online (síncronas) aceitam até 15 páginas e 40 MB (30 páginas no modo sem imagem); as requisições em lote aceitam até 500 páginas por documento, 1 GB por arquivo e 5.000 arquivos por requisição. As versões estáveis do modelo são pretrained-ocr-v2.0-2023-06-02 e pretrained-ocr-v2.1-2024-08-07, com a v2.1.1 como release candidate fora dos EUA e da UE.
