OCR: Extrakce textu z fotografií
Na této stránce
Ze všech vizuálních schopností ChatGPT přináší extrakce textu z obrázků hodnotu nejrychleji. Nepotřebuješ specializovanou aplikaci pro OCR: jednoduše vyfoť dokument, podpis, štítek nebo obrazovku. ChatGPT text přepíše a okamžitě jej zpracuje.
OCR, které chápe, co čte
Rozdíl oproti tradičním nástrojům se skrývá v jednom slově: kontext. Klasický engine pro rozpoznávání znaků (OCR) identifikuje písmena a předá ti surový řetězec textu, přičemž na tobě zůstává, abys mu porozuměl. ChatGPT chápe, co čte, což ti umožňuje extrahovat, strukturovat, shrnout nebo přeložit obsah v jediném kroku.
Účtenka tento rozdíl dokonale ilustruje. Pošli fotografii s promptem: „Extrahuj všechny položky a jejich ceny, poté vypočítej celkovou sumu.“ Model přečte každý řádek, rozliší popisky od částek, uspořádá data a provede výpočet. Vždy ověř součet; jediná špatně přečtená číslice zkreslí celý výsledek. Klasický nástroj OCR by skončil u samotného přepisu.
Čtyři profesionální případy použití
Vizitka získaná na veletrhu je učebnicovým příkladem, hlavně proto, že tyto karty obvykle končí zapadlé v šuplíku. Vyfoť ji a zadej: „Extrahuj kontaktní údaje a naformátuj je pro import do CRM (jméno, příjmení, společnost, e-mail, telefon).“ Výstup bude strukturovaný a připravený k vložení.
Administrativní dokumenty fungují na stejném principu. Pokud máš před sebou částečně vyplněný papírový formulář, prompt „Přepiš vyplněná pole z tohoto formuláře do formátu tabulky“ digitalizuje na jeden zátah to, co by manuální zadávání trvalo mnohem déle. Stejným způsobem můžeš zpracovat i rukopisné poznámky ze schůzek: „Přepiš tyto rukopisné poznámky, oprav případné chyby a uspořádej je do bodů akcí“ promění čmáranice v distribuovatelné shrnutí, za předpokladu, že je písmo čitelné. Profituje z toho i účetnictví – u fotografie faktury prompt „Extrahuj číslo faktury, datum, částku bez DPH, DPH a celkovou částku“ vrátí pět polí, která potřebuješ pro svou evidenci.
Extrahuj a jednej v jednom tahu
Nemusíš oddělovat extrakci od zpracování. Nápis v cizím jazyce lze přečíst a přeložit jediným promptem: „Přečti tento nápis a přelož ho do angličtiny.“ Centrum nápovědy OpenAI však upozorňuje, že text v nelatinských písmech, jako je japonština nebo korejština, je čten s menší přesností. U těchto dokumentů ověř přepis, než budeš důvěřovat překladu. Vyfocený článek z novin lze přečíst a shrnout do tří klíčových bodů. Jídelní lístek lze přečíst a filtrovat – „identifikuj vegetariánské možnosti s jejich cenami.“ Tištěná tabulka se přímo převede na CSV.
Zvykni si uvádět konečný cíl namísto dílčího kroku. Žádost o přepis v jedné zprávě a překlad ve druhé tě stojí navíc jedno kolo komunikace za stejný výsledek.
Fotografie rozhoduje o všem
Přesnost extrakce je určena v okamžiku, kdy pořizuješ snímek. Žádný prompt nedokáže obnovit informace, které byly v tu chvíli ztraceny.
Na prvním místě je osvětlení. Dobře osvětlený dokument bez stínů nebo odlesků se čte snadno; difúzní přirozené světlo přináší nejlepší výsledky. Kupodivu blesk často čitelnost zhoršuje tím, že vytváří odlesky, které mažou celé úseky textu. Stejně důležitý je úhel – foť zploštěla a kolmo, protože šikmý úhel zkresluje znaky. Použij nejvyšší dostupné rozlišení a odolávej pokušení obrázek před odesláním zmenšovat; dobře míněná komprese ničí právě ty užitečné informace. Nakonec by rámování mělo zahrnovat celý text bez nadměrného prázdného prostoru kolem, protože model analyzuje obrázky lépe, když obsah zabírá významnou část záběru.
Obtížné případy a jak je řešit
Některý text odolává extrakci. V těchto případech je cílem učinit nejistotu viditelnou, nikoliv ji ignorovat. Pokud narazíš na nečitelný rukopis, zeptej se: „Přepiš tento text. Když si nebudeš jistý slovem, označ ho v hranatých závorkách otazníkem.“ To ti přesně ukáže, kam se máš při revizi zaměřit. U textu na složitém pozadí – například plakát, kde písmena vystupují proti fotografii – ořízni oblast pouze na text. U starých nebo poškozených dokumentů pomůže čtení trochu kontextu: „Tento dokument pochází z 19. století; některá slova mohou používat zastaralé pravopisné formy.“
Dvě kontrolní místa zůstávají tvou odpovědností. Zaprvé čísla: záměny mezi 0 a O, 1 a l nebo 5 a S jsou běžné a nepozorované, proto dvakrát kontroluj částky, identifikační čísla a data. Zadruhé jazyky: u vícejazyčného dokumentu upřesni, které jazyky jsou přítomny. Jinak může model pasáž normalizovat do dominantního jazyka.
Teď jsi na řadě
Otestuj spolehlivost extrakce. Vyzkoušej to na reálném dokumentu – účtence, dopise, vizitce, stránce z knihy nebo rukopisných poznámkách. Použij prompt: „Extrahuj veškerý text z tohoto obrázku. Poté uspořádej extrahované informace strukturálně a identifikuj klíčová data.“ Porovnej výstup řádek po řádku s originálem. Tato kontrola je jediným způsobem, jak změřit skutečnou spolehlivost extrakce.
Oficiální zdroje: ChatGPT Image Inputs FAQ · Does ChatGPT tell the truth? (Centrum nápovědy OpenAI)
Klíčové poznatky
- ChatGPT funguje jako pokročilé OCR: extrahuje, strukturuje a zpracovává text v jediném kroku
- Kombinuj extrakci s akcí (překlad, shrnutí, přeformátování) pro úsporu času
- Kvalita fotografie je zásadní: dobré osvětlení, kolmý úhel, vysoké rozlišení
- Vždy ověřuj numerická data a vlastní jména v přepisech
- Upřesni kontext a jazyk pro zlepšení přesnosti u složitých textů