Texterkennung offline unter Windows

Vom Scan zum durchsuchbaren Text

Wer Kontoauszüge, Arztbriefe oder Verträge einscannt, hat danach zunächst nur Bilder. Für den Computer ist ein Scan eine Fläche aus Bildpunkten, und in einer Sammlung solcher Bilder lässt sich nichts suchen. Das ändert erst die Texterkennung, die oft mit dem englischen Kürzel OCR bezeichnet wird. Sie findet auf der Seite Zeilen, Wörter und Buchstaben und legt sie als Text ab. Danach können Sie ein Dokument durchsuchen, Passagen daraus kopieren und es über ein Stichwort wiederfinden.

Warum es wichtig ist, wo die Erkennung läuft

Viele Dienste erledigen diesen Schritt in der Cloud. Das Dokument wird hochgeladen, auf den Servern des Anbieters ausgewertet und das Ergebnis zurückgeschickt. Bei einem Werbeprospekt spielt das keine Rolle. Bei genau den Unterlagen, die man am ehesten durchsuchbar haben möchte, sieht es anders aus, denn ihr Inhalt verlässt dabei Ihr Gerät, und was auf der anderen Seite damit geschieht, bestimmen die Bedingungen des Anbieters. Wer als Unternehmen oder Verein Unterlagen mit personenbezogenen Daten anderer Menschen auf diese Weise verarbeiten lässt, braucht dafür in der Regel außerdem einen Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO.

Läuft die Texterkennung dagegen auf dem eigenen Rechner, stellen sich diese Fragen gar nicht erst. Das Dokument bleibt, wo es ist, und die Erkennung funktioniert sogar im Flugmodus.

Was es für den eigenen Rechner schon gibt

Die bekannteste freie Lösung heißt Tesseract. Sie läuft vollständig lokal und erkennt viele Sprachen, auch Deutsch, ist aber ein Werkzeug für die Kommandozeile. Wer keine Befehle eintippen möchte, ist auf eine Oberfläche angewiesen, die jemand anderes darum herum gebaut hat. Auch manche Scanner und PDF-Programme bringen eine eigene Texterkennung mit. Ob sie lokal arbeitet oder die Dokumente an einen Server schickt, steht allerdings nicht immer auf der Verpackung. Wer sicher sein will, findet die Antwort in den Datenschutzhinweisen des Programms.

Wie das Ergebnis besser wird

Gleich welches Programm Sie verwenden, die Vorlage entscheidet viel. Eine Seite, die schräg fotografiert wurde oder sich wellt, erkennt jede Software schlechter. Programme, die die Kanten finden und die Seite gerade ziehen, gleichen das zum Teil aus, eine flach liegende Seite bleibt trotzdem besser. Beim Scannen haben sich 300 dpi bewährt, sehr kleine Schrift verträgt eher mehr. Dunkle Schrift auf hellem Grund ohne Schatten und Spiegelungen hilft ebenso. Gedruckter Text wird außerdem deutlich zuverlässiger erkannt als Handschrift, die oft nur teilweise lesbar herauskommt.

Was Sie von der Erkennung erwarten können

Auch bei einer guten Vorlage bleibt ausgelesener Text eine Maschinenausgabe. Einzelne Zeichen werden verwechselt, Zeilen landen in falscher Reihenfolge und Tabellen geraten durcheinander. Für die Suche ist das selten ein Problem, weil ein Dokument auch mit ein paar Fehlern gefunden wird. Als verbindliche Abschrift taugt das Ergebnis aber nicht, maßgeblich bleibt immer das Original. Ebenso wenig sagt die Texterkennung etwas darüber, ob ein Dokument echt ist. Sie liest, was auf der Seite steht, und beurteilt es nicht.

Wo Quorvyn Docyra dabei hilft

Für genau diesen Weg vom Papier zum durchsuchbaren Archiv entwickeln wir Quorvyn Docyra. Kanten erkennen, Seiten entzerren und Dokumente ordnen sind kostenlos, die Texterkennung gehört zu Docyra Pro. Sie läuft wie alles andere auf Ihrem Gerät, denn das Erkennungsmodell wird mit der Anwendung installiert, und Dokumentinhalte werden weder an uns noch an Dritte geschickt. Docyra befindet sich noch in Entwicklung und ist nicht erhältlich. Auf der Produktseite steht, für welche Systeme es vorgesehen ist und was es ausdrücklich nicht tut.