Benchmark de Reconhecimento de Escrita à Mão com 14 LLMs & OCRs

As ferramentas de OCR alcançam mais de 99% de precisão em texto digitado em imagens de alta qualidade. No entanto, a escrita à mão continua desafiadora devido a variações de estilo, espaçamento e irregularidades. Apresentamos um benchmark de reconhecimento de escrita cursiva com 100 amostras manuscritas por nossa equipe para evitar sobreajuste.

Resultados do benchmark de escrita cursiva

Neste benchmark, GPT-5, Gemini 3 Pro Preview e olmOCR-2-7B-1025-FP8 são os modelos de melhor desempenho, alcançando as maiores pontuações de similaridade semântica e a interpretação mais consistente do texto cursivo em todas as amostras.

Em 100 amostras de escrita cursiva escritas por 10 escritores, Gemini 3 Pro Preview alcançou pontuação perfeita, enquanto o Deepseek OCR registrou 79%.

Os nomes completos dos produtos estão abaixo; nós os encurtamos no gráfico.

• GPT-5
• Gemini 3 Pro Preview
• Gemini 2.5 Pro
• olmOCR-2-7B-1025-FP8
• Moondream OCR
• Claude Sonnet 4.5
• Nanonets-OCR2-3B
• Dots OCR
• Azure Cognitive Service
• Google Vision
• Mistral OCR
• PaddleOCR-VL
• Amazon Textract
• Deepseek OCR

Metodologia do benchmark de escrita cursiva

Para este benchmark, 10 escritores escreveram à mão 10 parágrafos cada um em letra cursiva, resultando em um dataset de 100 amostras de escrita cursiva. Os escritores não foram instruídos a escrever de forma caprichada. A conectividade natural das letras, a variabilidade do traço, a distorção do espaçamento e a fluidez das linhas foram preservadas intencionalmente para refletir a complexidade realista da cursiva.

O dataset inclui:

• Inclinação variável, pressão do traço e padrões de ligadura
• Texto misturado com números, pontuação e letras maiúsculas
• Resoluções de imagem e fundos diversos para garantir robustez

Todas as amostras foram avaliadas usando nosso pipeline unificado de avaliação de OCR, com base na similaridade de cosseno para comparação justa.

Exemplo de imagem digitalizada:

O que é reconhecimento de escrita à mão?

O reconhecimento de escrita à mão, também conhecido como OCR de escrita à mão ou OCR cursivo, é um subcampo da tecnologia de OCR que traduz letras manuscritas em texto ou comandos digitais correspondentes em tempo real. Para realizar essa tarefa, esses sistemas se beneficiam da correspondência de padrões para identificar vários estilos de letras manuscritas. A Wikipedia define reconhecimento de escrita à mão como:

A capacidade de um computador de receber e interpretar entradas manuscritas inteligíveis de fontes como documentos em papel, fotografias, telas sensíveis ao toque e outros dispositivos.

As habilidades de reconhecimento de escrita à mão de LLM também estão altamente desenvolvidas; em nosso benchmark, o gemini-3-pro é 100% preciso.

O que está incluído na escrita à mão?

Por escrita à mão, referimo-nos a textos escritos em letra de forma e cursiva. Textos em estilo de letra de forma são mais fáceis de reconhecer, pois os caracteres são escritos separadamente como letras de imprensa. No entanto, a escrita cursiva envolve caracteres unidos à medida que são escritos.

Esse aspecto exige que as ferramentas de reconhecimento de escrita à mão percebam cada caractere separado corretamente e os identifiquem com precisão. Abaixo estão exemplos de escrita em letra de forma e cursiva.

Fonte: Quora¹

As ferramentas de reconhecimento de escrita à mão também podem identificar a escrita em telas digitais. Esse tipo de escrita pode ser rastreado à medida que é escrito. O software pode aproveitar seu movimento dinâmico para fornecer resultados mais precisos. Abaixo está um exemplo de reconhecimento de escrita à mão digital, fornecido pelo Microsoft Azure Ink Recognizer API.

Quais são os desafios de converter escrita à mão em texto?

Embora as ferramentas tradicionais de OCR estejam no mercado desde a década de 70s, ainda não existem muitas ferramentas capazes de lidar com o reconhecimento de escrita à mão. Como cada pessoa tem seu próprio estilo de escrita, as ferramentas tradicionais de OCR não conseguem perceber a escrita à mão de todos.

Além da tecnologia de visão computacional, são necessários algoritmos de aprendizado profundo altamente complexos para identificar com sucesso todas essas variações. Abaixo está uma lista de desafios que as ferramentas de reconhecimento de escrita à mão encontram com frequência:

Desafios

• Qualidade da imagem: O texto manuscrito geralmente é capturado em baixa resolução ou iluminação ruim. As páginas podem incluir manchas, sombras ou borrões que atuam como ruído de fundo.
• Variedade de estilos de escrita: Cada indivíduo tem uma maneira única de escrever. Diferenças em alfabetos, formatos de letras e tamanhos de caracteres tornam o reconhecimento mais difícil.
• Texto inclinado: As linhas manuscritas raramente são perfeitamente retas. As palavras podem inclinar-se, curvar-se ou até aparecer em ângulos incomuns.
• Caracteres conectados: Na escrita cursiva ou rápida, letras e símbolos geralmente se unem, dificultando sua separação.
• Degradação: Documentos antigos ou muito usados podem ter tinta desbotada, amarelamento ou danos na página, reduzindo a clareza do texto.

Soluções

As ferramentas modernas de HTR combinam visão computacional com aprendizado profundo para superar esses desafios. Essas abordagens vão além do OCR tradicional, que existe desde a década de 1970, mas ainda tem dificuldades com a escrita à mão. Hoje, o progresso está sendo feito por meio de:

• Melhorar a qualidade da entrada: Capture ou digitalize documentos com maior resolução e melhor iluminação.
• Limpeza de fundo: Use técnicas de aprendizado de máquina ou fotografia para remover ruído e melhorar a clareza.
• Algoritmos avançados de reconhecimento: Aplique models de aprendizado profundo projetados para lidar com estilos de escrita variados, alfabetos e letras conectadas.
• Correção de inclinação: Use ferramentas de processamento de imagem para detectar e corrigir texto inclinado ou girado.
• Design compatível com OCR: Quando possível, crie formulários e documentos que sejam fáceis de processar para ferramentas de OCR.

Preparação para converter notas manuscritas

Há uma variedade de fatores a considerar ao projetar documentos. O mais importante são os dados a serem capturados dos documentos. Como existem diferentes maneiras de representar o mesmo tipo de dados, você precisa considerar a velocidade, a precisão e a facilidade de uso de cada opção ao construir seu documento.²,³,⁴

1. Digitalização e pré-processamento

• Garanta uma digitalização nítida: Use um scanner ou um aplicativo dedicado para criar uma imagem de alta resolução e bem iluminada de suas notas.
• Binarização: Converta a imagem digitalizada em preto e branco para melhorar o contraste e tornar o texto mais distinto do fundo.

Fonte: Datacap.hk

• Remoção de ruído & correção de inclinação: Aplique filtros para remover marcas ou sombras dispersas e corrija qualquer inclinação no documento. Evite fundos coloridos. Beneficie-se de elementos de alinhamento para evitar documentos inclinados.

2. Técnicas de segmentação

A segmentação é o processo de dividir a imagem em componentes menores e mais gerenciáveis, como linhas de texto, palavras e caracteres individuais. Para garantir isso, as empresas podem usar métodos de segmentação, que você pode ver abaixo.

Fonte: How OCR Works⁵

• Segmentação de linhas de texto: Este é um pré-requisito para outras tarefas e envolve separar o documento em linhas individuais de texto. Mantenha os dados dentro das margens.
• Segmentação de palavras e caracteres: Após a segmentação de linhas, você pode dividir ainda mais as linhas em palavras individuais e depois em caracteres, o que é crucial para um reconhecimento de texto preciso.
• Utilização de ferramentas avançadas de IA: Ferramentas com tecnologia de IA, como o Transkribus, podem realizar segmentação sofisticada de texto e layout automaticamente para notas complexas.

3. Incorporação de caixas de seleção para facilitar a digitalização

• Caixas pré-impressas: Se você sabe que vai digitalizar suas notas, desenhe ou imprima caixas de seleção claramente na página, garantindo que sejam grandes o suficiente para serem facilmente reconhecidas pelo software de OCR.
• Formatação clara: Certifique-se de que as caixas de seleção não estejam muito próximas do texto ao qual estão associadas e tenham contraste suficiente com o papel.
• Aproveite o OCR com tecnologia de IA: As ferramentas podem ser treinadas para reconhecer essas caixas de seleção, permitindo processamento e extração mais fáceis de informações marcadas/não marcadas.
• Padronize: Use o mesmo tipo de caixa de seleção e estilo em todas as suas notas para manter a consistência.

4. Uso de software de OCR

• Aplique o OCR: Depois que as notas são digitalizadas e segmentadas, use software de Reconhecimento Óptico de Caracteres (OCR) para converter as imagens do texto em texto digital legível por máquina.
• Pós-processamento: Revise o texto digitalizado em busca de erros, especialmente em áreas com escrita à mão complexa ou layouts incomuns.

Há pesquisa ativa sobre reconhecimento de escrita à mão?

Como a capacidade de reconhecimento de escrita à mão depende muito de redes neurais, os avanços nesses algoritmos afetam profundamente o desempenho das ferramentas de reconhecimento de escrita à mão. Assim, a pesquisa ativa sobre reconhecimento de escrita à mão se baseia em algoritmos de redes neurais.

A pesquisa do Google sobre reconhecimento de escrita à mão começa com várias etapas de treinamento:

• Introdução de todos os caracteres possíveis de diferentes alfabetos
• Treinamento da ferramenta para segmentar cada caractere em um texto
• Treinamento da ferramenta para extração de características para identificação precisa de caracteres

O Google também está usando algoritmos de processamento de linguagem para melhorar o desempenho do reconhecimento de escrita à mão. Por exemplo, se a ferramenta precisar decidir entre “i” e “l”, ela pode analisar a palavra inteira e decidir sobre o caractere adequado para fornecer resultados precisos.

O software de OCR geralmente tem vários motores de reconhecimento de escrita à mão integrados ao software. Esses motores trabalham de forma síncrona para gerar a representação de caracteres mais precisa correspondente à entrada.

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Fornecedores de reconhecimento de escrita à mão

Como o reconhecimento de escrita à mão é um subcampo do OCR, os critérios para escolher o reconhecimento de escrita à mão adequado são semelhantes aos das ferramentas de OCR. Ao selecionar um fornecedor de reconhecimento de escrita à mão, você deve considerar os seguintes fatores:

• Precisão do reconhecimento de caracteres
• Capacidades de aprendizado contínuo
• Velocidade de computação caso os resultados precisem ser entregues em tempo real
• Facilidade de uso da interface, se a interface for usada por humanos

Além desses, práticas recomendadas de aquisição, como garantir o menor Custo Total de Propriedade (TCO), flexibilidade, práticas recomendadas de segurança de dados e evitar a dependência de fornecedor, são essenciais.

Abaixo você encontra uma lista curta de fornecedores de reconhecimento de escrita à mão. Você também deve ter em mente que esses fornecedores também podem fornecer serviços de OCR para sua empresa.

• Abbyy
• Google Cloud Vision API
• Hanvon (Hanwang Technology)
• Infrrd.ai
• MicroBlink
• Microsoft Azure Read API
• Mitek
• MyScript
• Selvasai
• Unitek.ai

Perguntas frequentes

Se você quiser ler mais sobre ferramentas de reconhecimento de escrita à mão, estes artigos também podem interessar a você:

• Estado Atual do OCR: Isso É um Problema Resolvido?
• Benchmark de OCR: Precisão de Extração/Captura de Texto
• Documentação de Automação de Testes com Melhores Práticas

Cite este benchmark

Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and PhD., Ezgi Arslan,},
  title  = {{Benchmark de Reconhecimento de Escrita à Mão com 14 LLMs & OCRs}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/handwriting-recognition}},
  note   = {AIMultiple. Acessado em 25 Agosto 2026}
}

Registro de alterações

8 atualizações

Todas8Geral6Metodologia2

1. 202622 Jan

   Removida a seção de benchmark de caligrafia de manuscrito.

2. 20254 Dez

   Removida a API Azure Ink Recognizer da lista de fontes.

3. 27 Nov

   Adicionada uma seção de Resultados de Benchmark de Escrita Cursiva.

4. 27 Nov

   Removidas amostras de caligrafia cursiva da metodologia.

5. 16 Set

   Atualizada a introdução à seção Resultados do Benchmark com novos dados.

6. 23 Jan

   Removida a comparação dos resultados com a distância cosseno da metodologia.

7. 202424 Out

   Adicionada uma seção de Resultados de Benchmark, incluindo uma lista de produtos líderes e uma subseção de Metodologia.

8. 20231 Dez

   Adicionado Abbyy à lista de fornecedores de reconhecimento de escrita manual.

Links de referência

1.

When you write, do you print or use cursive? - Quora

2.

Enhanced Hybrid Technique for Efficient Digitization of Handwritten Marksheets

3.

Page restricted | ScienceDirect

4.

Preprocessing Techniques for Online Handwriting Recognition | Springer Nature Link

Springer Berlin Heidelberg

5.

Putting the Hardware to Work | How OCR Works

Cem Dilmegani

Analista Principal

Siga-nos

Cem é o analista principal da AIMultiple desde 2017.

O trabalho de Cem na AIMultiple foi citado por publicações globais líderes, incluindo Business Insider, Forbes, Morning Brew e Washington Post, por empresas globais como Deloitte e HPE, ONGs como o World Economic Forum e organizações supranacionais como a European Commission. [1], [2], [3], [4], [5]

Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas sobre suas decisões de tecnologia na McKinsey & Company e na Altman Solon por mais de uma década. Ele também publicou um relatório da McKinsey sobre digitalização.

Ele liderou a estratégia de tecnologia e as compras de uma operadora de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de deep tech Hypatos, que atingiu uma receita recorrente anual de 7 dígitos e uma avaliação de 9 dígitos partindo do zero em 2 anos. O trabalho de Cem na Hypatos foi coberto por publicações de tecnologia líderes como TechCrunch e Business Insider.

Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou como engenheiro da computação pela Bogazici University e possui um MBA pela Columbia Business School.

Ver perfil completo

Pesquisado por

Ezgi Arslan, PhD.

Analista da Indústria

Siga-nos

Ezgi possui um doutorado em Administração de Empresas com especialização em finanças e atua como Analista da Indústria na AIMultiple. Ela conduz pesquisas e insights na interseção entre tecnologia e negócios, com experiência em sustentabilidade, análise de pesquisas e de sentimento, aplicações de agentes de IA em finanças, otimização de mecanismos de resposta, gerenciamento de firewall e tecnologias de compras.

Ver perfil completo

Comentários 4

Compartilhe suas ideias

Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.

Nome

Endereço de email

Comentário

0/450

Postar comentário

Swanidhi Singh

Aug 07, 2025 at 00:28

Exactly what I was looking for. Thank you!

Responder

Sara

Sep 22, 2021 at 06:40

Hi Cem, your article is very clear and practical. Thank you for sharing your knowledge! It will be very useful for me.

Responder

Vivienne

Feb 10, 2021 at 00:03

See Transkribus from readcoop for handwritten text recognition for cursive writing.

Responder

Leonard

Dec 10, 2020 at 11:08

Which service or software would you recommend in this case: - manuscript/diary 100s of pages written by one author - other language than English (German in this case) I need the software to learn my handwriting, that is not in English and preferably with a good tool to correct all the error.

Responder

Cem Dilmegani

Dec 12, 2020 at 19:54

Thank you for reaching out. You can try Google Cloud Vision. It is not bad at handwriting recognition and is free to try. I don't know if it can get user feedback to improve its models. Let us know if you find that functionality.

Responder