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
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.
Để gõ lệnh
tesseractở 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.C:\Program Files\Tesseract-OCRMuốn đọc tiếng Việt: tải file
vie.traineddatatừ 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.Kiểm tra bằng lệnh sau, nếu hiện số phiên bản là xong.
tesseract --version
Cài trên macOS
Mở Terminal và cài bằng Homebrew (hoặc dùng MacPorts nếu bạn quen).
brew install tesseractGói ngôn ngữ: tài liệu chỉ dẫn chạy
brew info tesseractđể biết thư mục tessdata, rồi chép file.traineddatacần dùng vào đó. Nếu dùng MacPorts thì có gói riêng theo mã ngôn ngữ.brew info tesseractKiểm tra cài đặt.
tesseract --version
Cài trên Linux (Ubuntu)
Cài gói chính thức từ kho phần mềm.
sudo apt install tesseract-ocrGói 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.traineddatathủ công vào thư mục tessdata.sudo apt install tesseract-ocr-vieKiểm tra cài đặt.
tesseract --version
Dùng thử lần đầu
Chuẩn bị một tấm ảnh có chữ rõ, ví dụ
scan.png, đặt trong thư mục đang mở Terminal.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.tesseract scan.png ketqua -l vieMở
ketqua.txtxem chữ nhận được. Nếu sai nhiều, thử chụp lại ảnh thẳng và sáng hơn rồi chạy lại.Muốn kết quả là một file PDF có lớp chữ tìm kiếm được, thêm từ
pdfở cuối lệnh để xuất fileketqua.pdf.tesseract scan.png ketqua -l vie pdfXem toàn bộ tuỳ chọn, ví dụ chế độ chia trang (
--psm) và chế độ động cơ (--oem).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+engcho 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
--psmcó 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.
git clone https://github.com/tesseract-ocr/tesseract.gitRepo tương tự nên xem
OCRmyPDF
ocrmypdf / OCRmyPDF
Biến PDF scan thành PDF có lớp chữ, tìm kiếm và sao chép được, chỉ với một lệnh
PaddleOCR
PaddlePaddle / PaddleOCR
Bộ công cụ OCR của Baidu: đọc chữ trong ảnh, PDF và đổi tài liệu thành Markdown hoặc JSON.
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