Français

L’outil reçoit des fichiers image, TIFF ou PDF et applique la reconnaissance optique de caractères (OCR) pour extraire un texte lisible. Il détecte automatiquement la langue, effectue une analyse de la mise en page pour préserver les sauts de ligne et la structure des pages, et produit soit du texte brut soit du JSON structuré avec les coordonnées par bloc.
Les cas d’utilisation incluent la numérisation de publications de recherche, de reçus, de manuscrits historiques et de formulaires où le contenu recherché peut être indexé ou traduit. Le système prend en charge plusieurs langues au sein d’un même document et peut indiquer des niveaux de confiance pour chaque région de texte afin d’aider au contrôle de qualité.
Une caractéristique clé est l’extraction sensible à la mise en page : les blocs de texte, les titres et les tableaux sont souvent représentés avec des métadonnées de boîtes englobantes pour faciliter le traitement en aval comme l’indexation, la capture de données et les flux d’accessibilité. Le traitement par lots permet de traiter de grands archives avec des schémas de sortie cohérents, tandis que les formats de sortie incluent le texte brut pour un accès rapide et le JSON structuré pour une intégration programmatique. L’outil bénéficie aux chercheurs, bibliothécaires, étudiants et équipes de conformité qui nécessitent des résultats OCR reproductibles, une extraction de texte traçable et une intégration fluide dans des pipelines de données.