OCR para genealogia: limites, riscos e como usar melhor
OCR é frequentemente apresentado como solução para transcrever documentos históricos. Para documentos impressos, funciona razoavelmente bem. Para a maioria dos documentos genealógicos reais — manuscritos em caligrafia cursiva — o OCR convencional tem limitações severas.
O que é OCR e como funciona
OCR converte uma imagem de texto em texto editável. Ferramentas como Tesseract, Adobe Acrobat e Google Docs fazem OCR em documentos impressos com boa precisão. Foi otimizado para texto de máquina, não para caligrafia humana.
Por que o OCR falha em documentos manuscritos
- Variação de caligrafia: cada escrivão tinha sua própria escrita.
- Letras conectadas (cursiva): o OCR não consegue identificar onde uma termina e outra começa.
- Kurrent: formas completamente diferentes das letras latinas modernas.
- Qualidade variável do scan: manchas, dobras e buracos confundem o OCR.
- Idiomas com acentos raros: ß, umlauts e letras arcaicas são substituídos por caracteres incorretos.
Diferença entre OCR convencional e extração por IA
OCR convencional (Tesseract): transforma pixels em texto caractere a caractere. Não entende o significado.
Modelos de visão (Gemini Vision): leem a imagem inteira e inferem o texto com contexto. Lidam muito melhor com manuscritos.
Extração estruturada: além de transcrever, identifica quais campos correspondem a quê. O OCR puro produz texto; a extração estruturada produz dados.
O KinProof usa OCR convencional para impressos e visão para manuscritos, com fallback automático.
Riscos de confiar cegamente no OCR
- Nomes deturpados: "ExampleSurname" pode virar "ExampleSurnameVariant1" ou "ExampleSurnameVariant2".
- Datas erradas: "1872" pode virar "1812" ou "1972".
- Campos trocados: o OCR não sabe que aquele texto é o nome do pai.
- Confiança indevida: um pesquisador pode passar horas buscando a pessoa errada.
Limitações importantes
- ⚠O OCR convencional não foi feito para manuscritos históricos — os resultados são geralmente ruins.
- ⚠Mesmo modelos de visão avançados têm taxa de erro não-zero — revisão humana é sempre necessária.
- ⚠Não existe solução de OCR que produza transcrições perfeitas de registros manuscritos do século XVIII ou XIX.
- ⚠Nomes de pessoas e locais são os campos mais sujeitos a erros.
- ⚠A qualidade do scan é o fator mais determinante: menos de 150 DPI produz resultados muito piores.
O KinProof combina OCR convencional com modelos de visão IA para maximizar a extração de documentos genealógicos.
Ver como funciona