Benchmark de Reconhecimento de Escrita à Mão: LLMs vs OCRs
Ferramentas de OCR alcançam mais de 99% de precisão em texto digitado em imagens de alta qualidade. No entanto, a caligrafia continua sendo um desafio devido a variações de estilo, espaçamento e irregularidades. Apresentamos um benchmark de caligrafia cursiva com 100 amostras manuscritas escritas por nossa equipe para evitar overfitting.
Resultados do benchmark de caligrafia cursiva
Neste benchmark, GPT-5, Gemini 3 Pro Preview, e olmOCR-2-7B-1025-FP8 são os modelos com melhor desempenho, obtendo as maiores pontuações de similaridade semântica e a interpretação mais consistente de texto cursivo em todas as amostras.
Os nomes completos dos produtos estão abaixo; nós os encurtamos no gráfico. Neste benchmark, suas versões mais recentes de novembro/2025 são utilizadas:
- 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 caligrafia cursiva
Para este benchmark, 10 redatores escreveram 10 parágrafos cada um em cursivo, resultando em um conjunto de dados de 100 amostras de caligrafia cursiva. Os redatores não foram instruídos a escrever com capricho. A conectividade natural das letras, a variabilidade dos traços, a distorção do espaçamento e a fluidez das linhas foram intencionalmente preservadas para refletir a complexidade realista da cursiva.
O conjunto de dados inclui:
- Inclinação variável, pressão do traço e padrões de ligadura
- Texto misto 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, baseado em similaridade de cosseno para uma comparação justa.
Exemplo de imagem digitalizada:
O que é reconhecimento de escrita à mão?
Reconhecimento de escrita à mão, também conhecido como OCR de caligrafia ou OCR de cursiva, é um subcampo da tecnologia de OCR que traduz letras manuscritas em texto digital ou comandos correspondentes em tempo real. Para realizar essa tarefa, esses sistemas se beneficiam do reconhecimento de padrões para identificar vários estilos de letras manuscritas. A Wikipedia define reconhecimento de caligrafia como:
A capacidade de um computador de receber e interpretar entrada manuscrita inteligível de fontes como documentos em papel, fotografias, telas sensíveis ao toque e outros dispositivos.
As capacidades de reconhecimento de caligrafia por LLM também estão altamente desenvolvidas; em nosso benchmark, o gemini-3-pro é 100% preciso.
O que está incluído na caligrafia?
Por caligrafia, nos referimos a textos escritos na forma de letra de imprensa e cursiva. Textos em estilo de letra de imprensa são mais fáceis de reconhecer, pois os caracteres são escritos separadamente como letras de forma. No entanto, a caligrafia cursiva envolve caracteres unidos à medida que são escritos.
Esse aspecto exige que as ferramentas de reconhecimento de caligrafia percebam cada caractere separadamente e os identifiquem com precisão. Abaixo estão exemplos de escrita em letra de imprensa e cursiva.
Fonte: Quora1
As ferramentas de reconhecimento de caligrafia também podem identificar a caligrafia em telas digitais. Esse tipo de caligrafia pode ser rastreado enquanto é escrito. O software pode aproveitar seu movimento dinâmico para fornecer resultados mais precisos. Abaixo está um exemplo de reconhecimento de caligrafia digital, fornecido pelo Microsoft Azure Ink Recognizer API.
Quais são os desafios de converter caligrafia em texto?
Embora as ferramentas tradicionais de OCR estejam no mercado desde os anos 70, ainda existem poucas ferramentas que conseguem lidar com o reconhecimento de caligrafia. Como cada pessoa tem seu próprio estilo de escrita, as ferramentas tradicionais de OCR não conseguem perceber a caligrafia 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 caligrafia enfrentam com frequência:
Desafios
- Qualidade da imagem: O texto manuscrito é frequentemente capturado em baixa resolução ou iluminação deficiente. As páginas podem conter manchas, sombras ou borrões que atuam como ruído de fundo.
- Variedade de estilos de escrita: Cada indivíduo tem uma forma única de escrever. Diferenças nos alfabetos, formas das letras e tamanhos dos 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 frequentemente se unem, dificultando sua separação.
- Degradação: Documentos mais antigos ou muito utilizados 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 os anos 1970, mas ainda tem dificuldades com a caligrafia. Hoje, o progresso está sendo feito por meio de:
- Melhorar a qualidade da entrada: Capture ou digitalize documentos em maior resolução e melhor iluminação.
- Limpeza do fundo: Use técnicas de aprendizado de máquina ou fotografia para remover ruídos e melhorar a clareza.
- Algoritmos avançados de reconhecimento: Aplique modelos 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 rotacionado.
- Design amigável ao OCR: Quando possível, crie formulários e documentos que sejam fáceis de processar por ferramentas de OCR.
Preparação para converter notas manuscritas
Há uma variedade de fatores a considerar ao projetar documentos. O mais importante é os dados a serem capturados dos documentos. Como existem diferentes maneiras de representar o mesmo tipo de dados, você precisa considerar a velocidade, precisão e 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 para preto e branco para melhorar o contraste e tornar o texto mais distinto do fundo.
Fonte: Datacap.hk
- Remoção de ruídos e correção de inclinação: Aplique filtros para remover quaisquer marcas soltas ou sombras e corrija qualquer inclinação no documento. Evite fundos coloridos. Aproveite elementos de alinhamento para evitar documentos inclinados.
2. Técnicas de segmentação
Segmentação é o processo de dividir a imagem em componentes menores e mais manejáveis, 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 caracteres, o que é crucial para um reconhecimento de texto preciso.
- Utilizando 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. Incorporando caixas de seleção para uma digitalização mais fácil
- Caixas pré-impressas: Se você sabe que irá 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 associado e tenham contraste suficiente com o papel.
- Aproveite o OCR com tecnologia de IA: Ferramentas podem ser treinadas para reconhecer essas caixas de seleção, permitindo um processamento mais fácil e extração de informações marcadas/desmarcadas.
- Padronize: Use o mesmo tipo de caixa de seleção e estilo em todas as suas notas para consistência.
4. Usando software de OCR
- Aplicar OCR: Depois que as notas são digitalizadas e segmentadas, utilize o 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 caligrafia complexa ou layouts incomuns.
Adicionar como fonte preferencialExiste pesquisa ativa sobre reconhecimento de escrita à mão?
Como a capacidade de reconhecimento de caligrafia depende muito de redes neurais, os avanços nesses algoritmos afetam profundamente o desempenho das ferramentas de reconhecimento de caligrafia. Assim, a pesquisa ativa sobre reconhecimento de caligrafia é geralmente baseada 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 caligrafia. Por exemplo, se a ferramenta precisa decidir entre “i” e “l”, ela pode analisar a palavra inteira e decidir pelo caractere adequado para fornecer resultados precisos.
O software de OCR geralmente possui vários mecanismos de reconhecimento de caligrafia integrados ao software. Esses mecanismos funcionam de forma síncrona para gerar a representação de caractere mais precisa correspondente à entrada.
Fornecedores de reconhecimento de caligrafia
Como o reconhecimento de caligrafia é um subcampo do OCR, os critérios para escolher o reconhecimento de caligrafia adequado são semelhantes aos das ferramentas de OCR. Ao selecionar um fornecedor de reconhecimento de caligrafia, 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 utilizada por humanos
Além disso, melhores práticas de aquisição, como garantir o menor Custo Total de Propriedade (TCO), flexibilidade, melhores práticas de segurança de dados e evitar a dependência de fornecedor, são essenciais.
Abaixo você encontra uma pequena lista de fornecedores de caligrafia. Você também deve ter em mente que esses fornecedores também podem fornecer serviços de OCR para o seu negócio.
- Abbyy
- Google Cloud Vision API
- Hanvon Technology
- Hanwang Technology
- Infrrd.ai
- MicroBlink
- Microsoft Azure Read API
- Mitek
- MyScript
- Selvasai
- Unitek.ai
- Vidado
Perguntas frequentes
Use um leitor de cursiva ou um software de reconhecimento de caligrafia para ajudar a decifrar caligrafia ilegível
Endireite e alise as notas em papel para evitar inclinação ou distorção, e obtenha documentos digitalizados da mais alta qualidade possível
Use o software de reconhecimento óptico de caracteres (OCR) para converter imagens digitalizadas ou fotografias de texto manuscrito.
Exporte o texto digital convertido para arquivos PDF ou outros formatos para compartilhamento ou armazenamento
Procure por recursos como reconhecimento de caracteres, tinta digital e suporte a letras de forma
Se você quiser ler mais sobre ferramentas de reconhecimento de caligrafia, estes artigos também podem interessar:
- Estado Atual do OCR: Será um Problema Resolvido?
- Benchmark de OCR de Faturas: Precisão de Extração de LLMs vs OCRs
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},
title = {{Benchmark de Reconhecimento de Escrita à Mão: LLMs vs OCRs}},
year = {2026},
month = jul,
howpublished = {\url{https://aimultiple.com/handwriting-recognition}},
note = {AIMultiple. Acessado em 2 Julho 2026}
}Links de referência
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.
Exactly what I was looking for. Thank you!
Hi Cem, your article is very clear and practical. Thank you for sharing your knowledge! It will be very useful for me.
See Transkribus from readcoop for handwritten text recognition for cursive writing.
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.
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.