Chuyển đến nội dung

tesseract-ocr / tesseract

Tesseract OCR

Bộ máy nhận dạng chữ (OCR) mã nguồn mở đọc chữ từ ảnh scan, hỗ trợ hơn 100 ngôn ngữ

Tesseract là bộ máy OCR (nhận dạng ký tự quang học, tức biến ảnh chụp hoặc bản scan thành chữ máy tính đọc được) lâu đời nhất trong thế giới mã nguồn mở. Nó là một chương trình dòng lệnh kèm thư viện cho lập trình viên, không có giao diện đồ hoạ, và là lõi chạy bên dưới nhiều công cụ scan, lưu trữ tài liệu khác.

  • 77.538 sao
  • 10.913 fork
  • C++
  • Cập nhật hôm qua
  • Apache 2.0 (dùng tự do, kể cả thương mại)
Độ khó
Vừa Cần gõ vài lệnh hoặc dùng Docker
Dạng
Dòng lệnh (CLI), Thư viện lập trình
Chạy trên
Windows, macOS, Linux
Chi phí
Miễn phí hoàn toàn

Trải nghiệm khi dùng Tesseract OCR

Bạn có một tấm ảnh chụp hoá đơn, trang sách hoặc bản scan hợp đồng và muốn lấy chữ ra để sao chép hay tìm kiếm. Sau khi cài Tesseract, bạn mở Terminal (cửa sổ gõ lệnh), trỏ lệnh tới file ảnh và đặt tên cho file kết quả. Vài giây sau bạn có một file văn bản chứa chữ đã được nhận dạng, mở bằng Notepad là xem được.

Muốn đọc tiếng Việt thì cần cài thêm gói ngôn ngữ (file dữ liệu vie.traineddata) rồi thêm tuỳ chọn -l vie vào lệnh. Chất lượng kết quả phụ thuộc rất nhiều vào ảnh đầu vào: ảnh thẳng, đủ sáng, chữ rõ, nền sạch thì đọc khá tốt; ảnh chụp nghiêng, mờ, có bóng hoặc chữ viết tay thì sai nhiều. README của dự án cũng nhắc rằng thường phải cải thiện chất lượng ảnh trước để có kết quả tốt hơn.

Trên thực tế đa số người dùng phổ thông gặp Tesseract một cách gián tiếp: nó nằm bên trong các công cụ như OCRmyPDF hay Paperless-ngx. Nếu bạn chỉ muốn biến PDF scan thành PDF tìm kiếm được, hãy dùng các công cụ đó. Còn nếu bạn là lập trình viên cần một bộ OCR chạy offline để gắn vào ứng dụng của mình, Tesseract là lựa chọn quen thuộc và ổn định.

Tính năng nổi bật

Đọc hơn 100 ngôn ngữ

Hỗ trợ Unicode (UTF-8) và có gói dữ liệu cho hơn 100 ngôn ngữ, trong đó có tiếng Việt, tiếng Anh, tiếng Trung, tiếng Nhật.

Chạy hoàn toàn trên máy bạn

Không cần Internet hay tài khoản, ảnh chứa giấy tờ nhạy cảm không bị gửi đi đâu cả.

Nhiều định dạng ảnh đầu vào

Nhận ảnh PNG, JPEG, TIFF và một số định dạng khác. Đây là bộ máy đọc ảnh, không đọc trực tiếp file PDF.

Nhiều kiểu kết quả

Xuất ra văn bản thường, HTML (hOCR), PDF có lớp chữ ẩn, TSV, ALTO hay PAGE tuỳ nhu cầu.

Động cơ mạng nơ-ron LSTM

Từ bản 4 trở đi dùng mạng nơ-ron LSTM nhận dạng theo từng dòng chữ, chính xác hơn kiểu đối chiếu mẫu ký tự đời cũ (vẫn giữ chế độ cũ để tương thích).

Huấn luyện thêm ngôn ngữ, phông chữ

Nếu ngôn ngữ hoặc kiểu chữ của bạn chưa đọc tốt, có thể huấn luyện thêm theo tài liệu của dự án.

Tận dụng Tesseract OCR vào việc gì?

Kế toán, chủ shop nhỏ

Lấy chữ từ ảnh chụp hoá đơn, chứng từ

Chụp hoặc scan hoá đơn rồi cho Tesseract đọc ra văn bản để dán vào bảng Excel hay tìm kiếm theo từ khoá thay vì gõ tay.

Sinh viên, thư viện, người làm lưu trữ

Số hoá sách, tài liệu cũ

Chụp từng trang giáo trình hoặc tài liệu gia đình rồi chạy hàng loạt để có bản chữ dùng được cho tìm kiếm.

Lập trình viên

Gắn OCR vào phần mềm của mình

Dùng thư viện C/C++ hoặc các wrapper cho Python và nhiều ngôn ngữ khác để thêm tính năng đọc chữ từ ảnh vào ứng dụng, chạy hoàn toàn offline.

Người dùng tự dựng hệ thống lưu trữ

Làm động cơ cho công cụ lưu trữ giấy tờ

Kết hợp với OCRmyPDF hoặc Paperless-ngx để kho tài liệu scan của gia đình, văn phòng tìm được theo nội dung.

Cần chuẩn bị gì?

  • Windows, macOS hoặc Linux; máy cấu hình bình thường là chạy được, không cần card đồ hoạ.
  • Biết mở Terminal hoặc PowerShell và gõ vài lệnh cơ bản; dự án không có giao diện đồ hoạ.
  • Cần tải thêm file dữ liệu ngôn ngữ (traineddata) cho ngôn ngữ bạn muốn đọc, ví dụ tiếng Việt.
  • Ảnh đầu vào rõ nét; ảnh kém chất lượng nên xử lý trước (xoay thẳng, tăng tương phản).

Hướng dẫn cài đặt chi tiết

Cài trên Windows

  1. Tesseract không phát hành file cài chính thức cho Windows; trang hướng dẫn của dự án trỏ tới bộ cài do nhóm UB Mannheim đóng gói, tìm ở wiki của họ trên GitHub. Tải bản 64-bit rồi cài như phần mềm thường.

  2. Để gõ lệnh tesseract ở bất kỳ thư mục nào, thêm thư mục cài đặt (thường là đường dẫn dưới đây) vào biến môi trường PATH rồi mở lại PowerShell.

    Văn bản
    C:\Program Files\Tesseract-OCR
  3. Muốn đọc tiếng Việt: tải file vie.traineddata từ trang Data Files của tài liệu Tesseract (hoặc kho tessdata) và chép vào thư mục tessdata, thường nằm trong thư mục cài ở trên. Có thể bạn đã chọn sẵn gói ngôn ngữ ngay trong lúc cài.

  4. Kiểm tra bằng lệnh sau, nếu hiện số phiên bản là xong.

    PowerShell
    tesseract --version

Cài trên macOS

  1. Mở Terminal và cài bằng Homebrew (hoặc dùng MacPorts nếu bạn quen).

    Terminal
    brew install tesseract
  2. Gói ngôn ngữ: tài liệu chỉ dẫn chạy brew info tesseract để biết thư mục tessdata, rồi chép file .traineddata cần dùng vào đó. Nếu dùng MacPorts thì có gói riêng theo mã ngôn ngữ.

    Terminal
    brew info tesseract
  3. Kiểm tra cài đặt.

    Terminal
    tesseract --version

Cài trên Linux (Ubuntu)

  1. Cài gói chính thức từ kho phần mềm.

    Terminal
    sudo apt install tesseract-ocr
  2. Gói ngôn ngữ theo mẫu tesseract-ocr-<mã ba chữ cái>; với tiếng Việt thường là gói dưới đây, nếu kho của bạn không có thì tải file .traineddata thủ công vào thư mục tessdata.

    Terminal
    sudo apt install tesseract-ocr-vie
  3. Kiểm tra cài đặt.

    Terminal
    tesseract --version

Dùng thử lần đầu

  1. Chuẩn bị một tấm ảnh có chữ rõ, ví dụ scan.png, đặt trong thư mục đang mở Terminal.

  2. Chạy nhận dạng tiếng Việt. Tham số thứ hai là tên gốc của file kết quả (Tesseract tự thêm đuôi), nên bạn sẽ có file ketqua.txt.

    Terminal
    tesseract scan.png ketqua -l vie
  3. Mở ketqua.txt xem chữ nhận được. Nếu sai nhiều, thử chụp lại ảnh thẳng và sáng hơn rồi chạy lại.

  4. Muốn kết quả là một file PDF có lớp chữ tìm kiếm được, thêm từ pdf ở cuối lệnh để xuất file ketqua.pdf.

    Terminal
    tesseract scan.png ketqua -l vie pdf
  5. Xem toàn bộ tuỳ chọn, ví dụ chế độ chia trang (--psm) và chế độ động cơ (--oem).

    Terminal
    tesseract --help

Mẹo dùng hay

  • Chất lượng ảnh quyết định chất lượng chữ: chụp thẳng góc, đủ sáng, chữ đen trên nền sáng, độ phân giải đủ lớn. Đọc trang hướng dẫn cải thiện chất lượng ảnh của dự án.
  • Có thể ghép nhiều ngôn ngữ trong một lệnh bằng dấu cộng, ví dụ -l vie+eng cho tài liệu lẫn tiếng Việt và tiếng Anh, nếu cả hai gói ngôn ngữ đã được cài.
  • Tuỳ bố cục trang (một cột, nhiều cột, một dòng, một ô số), đổi --psm có thể cải thiện kết quả đáng kể.
  • Nếu mục tiêu là PDF scan, đừng tự ghép lệnh: dùng OCRmyPDF, nó gọi Tesseract và lo luôn việc xoay thẳng, gộp trang.

Lưu ý và hạn chế

  • Không có giao diện đồ hoạ; nếu bạn không muốn gõ lệnh, hãy tìm ứng dụng bên thứ ba dùng Tesseract làm lõi hoặc dùng công cụ như Paperless-ngx.
  • Tesseract không đọc trực tiếp PDF, và với chữ viết tay, ảnh mờ, bố cục phức tạp thì độ chính xác giảm rõ rệt so với các mô hình OCR dựa trên AI mới hơn.
  • Tiếng Việt có nhiều dấu nên dễ sai dấu khi ảnh kém; hãy đọc soát lại trước khi dùng cho văn bản quan trọng.

Câu hỏi thường gặp

Tesseract có đọc được tiếng Việt không?

Có, nhưng bạn cần cài gói dữ liệu ngôn ngữ tiếng Việt (mã vie) rồi thêm -l vie vào lệnh. Độ chính xác tốt khi ảnh rõ và sạch, kém đi khi ảnh mờ hoặc chữ viết tay.

Có miễn phí và an toàn không?

Miễn phí, mã nguồn mở giấy phép Apache 2.0. Phần mềm chạy ngay trên máy bạn, không gửi ảnh lên máy chủ nào, nên phù hợp với giấy tờ nhạy cảm.

Tôi chỉ muốn biến file PDF scan thành PDF copy chữ được, dùng gì?

Dùng OCRmyPDF: nó dùng Tesseract bên dưới nhưng làm trọn việc từ PDF scan ra PDF có lớp chữ chỉ với một lệnh.

Tải mã nguồn về máy

Nếu bạn muốn xem hoặc sửa mã nguồn, mở Terminal (trên Windows là PowerShell) và chạy lệnh dưới. Máy cần cài sẵn Git.

Terminal
git clone https://github.com/tesseract-ocr/tesseract.git

Repo tương tự nên xem

Tài liệu, OCR & hỏi đáp tri thức35,3K

OCRmyPDF

ocrmypdf / OCRmyPDF

Biến PDF scan thành PDF có lớp chữ, tìm kiếm và sao chép được, chỉ với một lệnh

VừaWindowsmacOSLinuxDocker+1
Tài liệu, OCR & hỏi đáp tri thức92,7K

PaddleOCR

PaddlePaddle / PaddleOCR

Bộ công cụ OCR của Baidu: đọc chữ trong ảnh, PDF và đổi tài liệu thành Markdown hoặc JSON.

KhóWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức48,2K

Paperless-ngx

paperless-ngx / paperless-ngx

Hệ thống quản lý tài liệu tự cài: scan giấy tờ, tự OCR, gắn thẻ và tìm lại trong vài giây

VừaDockerLinuxWeb

Nội dung được biên soạn bằng tiếng Việt dựa trên tài liệu chính thức của dự án, cập nhật lần cuối 16/11/2026. Lệnh cài có thể thay đổi theo phiên bản mới; nếu có khác biệt, hãy làm theo README trên GitHub.

Cùng chủ đề: Tài liệu, OCR & hỏi đáp tri thức

Tài liệu, OCR & hỏi đáp tri thức196K

MarkItDown

microsoft / markitdown

Công cụ của Microsoft đổi PDF, Word, Excel, PowerPoint và nhiều file khác thành Markdown cho AI đọc.

VừaWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức96,8K

Stirling PDF

Stirling-Tools / Stirling-PDF

Bộ hơn 50 công cụ PDF: gộp, tách, ký, che thông tin, nén, OCR, chạy trên máy hoặc tự cài.

DễWindowsmacOSLinuxDocker+1
Tài liệu, OCR & hỏi đáp tri thức94,2K

RAGFlow

infiniflow / ragflow

Nền tảng tự cài giúp AI trả lời dựa trên tài liệu của bạn, có trích dẫn nguồn.

VừaDockerLinuxWeb
Tài liệu, OCR & hỏi đáp tri thức83,7K

MinerU

opendatalab / MinerU

Đọc PDF, ảnh scan và file Office rồi xuất Markdown, giữ bảng, công thức và bố cục phức tạp.

VừaWindowsmacOSLinuxDocker+1
Tài liệu, OCR & hỏi đáp tri thức70,6K

Docling

docling-project / docling

Chuyển PDF, Word, PowerPoint, Excel, HTML thành Markdown hoặc JSON gọn gàng để đưa cho AI đọc

VừaWindowsmacOSLinuxPython
Tài liệu, OCR & hỏi đáp tri thức57,6K

PrivateGPT

zylon-ai / private-gpt

Lớp API mã nguồn mở biến mô hình AI chạy trên máy thành ứng dụng riêng tư: tải tài liệu, hỏi đáp có trích dẫn

KhóWindowsmacOSLinuxPython

Xem cả 22 repo Tài liệu, OCR & hỏi đáp tri thức Về Kho Repo