Tesseract OCR est le moteur standard de l'industrie, libre et open source pour la reconnaissance optique de caractères. Grâce à des réseaux neuronaux LSTM, il lit le texte d'images et de documents numérisés dans plus de 100 langues — généralement à plus de 99 % de précision par caractère sur des pages imprimées nettes. Il fonctionne hors ligne.
$ # Extraire le texte d'un document numérisé
$ tesseract document.tiff resultat -l fra --psm 3
Tesseract Open Source OCR Engine v5.5.3 with Leptonica
Page 1
Estimating resolution as 300
$ cat resultat.txt
Portez ce vieux whisky au juge blond qui fume. Ce texte a été extrait avec succès avec un taux de confiance de 99,8 %.
Intégrez Tesseract à votre pipeline pour transformer instantanément vos images en texte structuré et PDF consultables.
Prend en charge TIFF, JPEG, PNG et WebP. Tesseract utilise Leptonica pour une binarisation robuste, le débruitage et la mise à l'échelle.
Le moteur segmente la page en blocs, lignes et mots. Choisissez parmi 14 modes de segmentation de page (PSM).
Les réseaux neuronaux analysent les lignes de manière continue. Sortie : texte brut, hOCR, PDF standard, PDF avec texte invisible, TSV et ALTO.
Convertissez vos documents scannés en texte éditable et PDF consultables directement dans votre navigateur. 100 % privé.
Installez le moteur sur Windows, macOS, Linux, WSL2, Docker ou Conda, ajoutez les données de langue et vérifiez son fonctionnement — dans le guide complet pas à pas.
Les commandes indispensables pour vos tâches quotidiennes de reconnaissance de texte.
Extrait le texte d'une image vers un fichier .txt simple.
Utilisez le paramètre -l pour définir la langue (ex: français).
Combinez les langues avec + pour les documents multilingues.
Crée un PDF avec texte invisible sélectionnable superposé à l'image.
Obtenez les boîtes englobantes exactes de chaque mot en HTML.
Traitez un bloc unique de texte uniforme avec --psm 6.
Affiche tous les modèles de langues disponibles sur votre système.
Exporte les mots et indices de confiance sous forme de tableau.
Ne se contente pas d'extraire des caractères : préserve la mise en page, la typographie et la structure.
Le Tesseract moderne (v5+) s'appuie sur des réseaux neuronaux récurrents LSTM (Long Short-Term Memory). Il traite les lignes de texte comme des séquences continues, ce qui améliore considérablement la précision contextuelle.
Modèles prêts à l'emploi pour les écritures latines, cyrilliques, arabes, CJK et indiennes. Combinez les langues à la volée.
Convertissez des lots volumineux d'images en documents PDF avec texte invisible sélectionnable parfaitement aligné sur l'image.
Affinez le réseau de neurones (fine-tuning) pour vos polices spécifiques ou manuscrits anciens via le dépôt tesstrain.
Basculez entre le moteur classique à règles et le réseau neuronal LSTM rapide selon vos besoins de performance.
Exportez en hOCR ou ALTO avec les coordonnées exactes en pixels, les polices estimées et la confiance pour chaque mot.
Mesures empiriques démontrant l'efficacité de Tesseract v5 selon la résolution et la qualité d'image.
| Résolution d'Entrée | Précision des Caractères | Vitesse de Traitement | Usage Recommandé |
|---|---|---|---|
| 150 DPI | ~85–90% | Rapide | Brouillon / prévisualisation |
| 300 DPI | ~98–99% | Optimal | Documents Standards |
| 600 DPI | ~99% | Lent | Archivage Haute Fidélité |
| Langue | Précision typique (300 DPI) | Remarques |
|---|---|---|
| Anglais (écriture latine) | ~99% | Le mieux doté ; l'impression propre est quasi parfaite |
| Espagnol / portugais / allemand / français / italien | ~97–99% | Accents et diacritiques exigent le bon modèle |
| Russe / cyrillique | ~96–98% | Des modèles LSTM solides sont disponibles |
| Chinois / japonais / coréen | ~92–97% | Jeux de caractères étendus ; la mise en page compte |
| Arabe / devanagari | ~90–96% | Formes et ligatures influent sur les résultats |
| Moteur | Licence | Points forts | Compromis |
|---|---|---|---|
| Tesseract 5 | Apache 2.0 | 100+ langues, économe en CPU, entièrement hors ligne, réglable, vaste écosystème | Plus faible sur l'écriture manuscrite et les scans très bruités |
| EasyOCR | Apache 2.0 | Précision deep learning, 80+ langues, API Python simple | Gourmand en GPU, plus lent sur CPU, moins de réglages |
| PaddleOCR | Apache 2.0 | Forte analyse de mise en page/tableaux, bon sur les scans difficiles | Pile de dépendances plus lourde, runtime PaddlePaddle |
À propos de ces chiffres : ce sont des valeurs approximatives et typiques pour un texte imprimé net, noir sur blanc, avec les modèles LSTM standard — pas un benchmark formel. Les résultats réels dépendent de la qualité du scan, des polices, de la mise en page et de la langue. Mesurez sur vos propres documents et consultez les notes de test du projet.
Tesseract est une référence de la linguistique informatique. Son architecture est étayée par des publications scientifiques évaluées par des pairs.
Tesseract alimente les chaînes de traitement automatisées des plus grands secteurs d'activité.
Extrait montants, dates et lignes d'articles à partir de photos de reçus et factures.
Pour la gestion de parkings, péages et contrôle d'accès intelligent.
Accélère les processus d'inscription en extrayant les données des pièces d'identité et passeports.
Convertissez des millions de pages d'archives en documents PDF entièrement consultables.
Tesseract supporte plus de 100 langues nativement. Recherchez votre langue ci-dessous et téléchargez le fichier .traineddata associé.
.traineddata dans le dossier TESSDATA_PREFIX puis lancez :
tesseract image.png sortie -l fra
Pour plusieurs langues simultanées :
tesseract image.png sortie -l fra+eng+deu
Tesseract s'exécute en ligne de commande, mais la communauté a conçu d'excellentes applications avec interface graphique pour le bureau.
| Application | Plateforme | Licence | Meilleur Usage |
|---|---|---|---|
| gImageReader | Windows, Linux | Gratuit | Traitement de documents avec ajustement manuel de la mise en page |
| Capture2Text | Windows | Gratuit | Reconnaissance rapide à partir de captures d'écran et raccourcis clavier |
| NAPS2 | Windows, Mac, Linux | Gratuit | Numérisation de documents et création de PDF avec OCR |
| FreeOCR | Windows | Gratuit | Outil de bureau simple et classique |
| Tesseract-UI / Normcap | Mac, Windows, Linux | Gratuit | Glisser-déposer de fichiers et capture d'écran multiplateforme |
Les documents se présentent sous des formes variées. Tesseract offre 14 modes de segmentation pour s'adapter à chaque structure.
import pytesseract
from PIL import Image
def extraire_document(chemin):
img = Image.open(chemin)
return pytesseract.image_to_string(img, lang='fra')
texte_reconnu = extraire_document('facture.jpg')
print(texte_reconnu)Utilisez Tesseract depuis Python avec pytesseract, un wrapper léger au-dessus du moteur. Installez le moteur, puis pip install pytesseract pillow.
Tesseract réalise la tâche difficile de convertir des pixels en texte structuré avec une fiabilité maximale.
Sans jetons, sans clés d'API ni restrictions. Traitez 1 page ou 10 millions de pages sans frais.
Confidentialité absolue. Vos données ne quittent jamais votre infrastructure. Idéal pour les données médicales et juridiques.
Intégration poussée avec Leptonica pour la binarisation automatique, la mise à l'échelle et le filtrage du bruit.
Initié chez HP en 1985, ouvert par Google en 2005 et maintenu activement par la communauté internationale.
S'exécute sur Raspberry Pi, serveurs cloud ou clusters multi-cœurs avec accélération OpenMP.
Détecte automatiquement l'orientation de la page et le système d'écriture (mode OSD) pour ajuster le moteur.
Tesseract convertit des images contenant du texte (factures, reçus, documents numérisés) en texte lisible, consultable et éditable par ordinateur. C'est le composant central de milliers d'applications de numérisation dans le monde.
Oui ! Tesseract OCR est 100 % gratuit et open source sous licence Apache 2.0. Vous pouvez l'intégrer dans vos applications personnelles, académiques et commerciales sans frais de licence.
Absolument. Grâce à son moteur neural LSTM introduit en version 4 et optimisé en version 5, Tesseract offre une précision comparable aux solutions cloud payantes tout en garantissant la confidentialité de vos données en local.
Oui. Alors que les anciennes versions (v3) utilisaient la reconnaissance de formes classique, le Tesseract moderne (v4 et v5) s'appuie entièrement sur des réseaux de neurones récurrents LSTM (Deep Learning).
Tesseract 5 apporte des gains de vitesse substantiels par rapport à la version 4, tout en conservant la haute précision des modèles LSTM. Il corrige les fuites de mémoire et modernise les outils d'entraînement.
Pas nativement. Tesseract est une bibliothèque en C/C++ et un outil en ligne de commande. Pour disposer d'une interface graphique, utilisez des outils comme gImageReader, NAPS2 ou Capture2Text.
Oui. Le projet tesseract.js compile le code C++ en WebAssembly (WASM), permettant d'exécuter l'OCR directement côté client dans le navigateur web sans serveur externe.
Vous pouvez utiliser le dépôt tesstrain. Il s'agit d'une infrastructure basée sur des Makefiles qui automatise la génération de données d'entraînement et l'ajustement fin (fine-tuning) des modèles .traineddata.
Tesseract nécessite des images suffisamment nettes et contrastées. Sur des images bruitées ou inclinées, appliquez un prétraitement (binarisation, redressement) avec OpenCV ou Pillow avant de lancer la reconnaissance.
Il prend en charge PNG, JPEG, TIFF, BMP, PNM, GIF et WebP via Leptonica. Pour de meilleurs résultats, privilégiez des formats sans perte comme TIFF ou PNG à 300 DPI ou plus.
Sur des documents scannés propres à 300 DPI, Tesseract v5 dépasse 95 % de précision par caractère et atteint souvent plus de 99 % sur du texte imprimé standard.
Oui. Tesseract est un moteur 100 % local et autonome. Il ne transmet aucune donnée vers l'extérieur, respectant ainsi les exigences strictes de confidentialité (RGPD, secteur médical, bancaire et juridique).
Tesseract OCR est gratuit, open-source et 100 % hors ligne : la solution idéale pour le contrôle total des coûts et la confidentialité. Google Cloud Vision est plus performant sur l'écriture manuscrite complexe mais facture à l'appel d'API et nécessite d'envoyer vos documents dans le cloud.
La qualité de l'image source est déterminante :
--psm 6 pour un paragraphe ou --psm 7 pour une ligne seule.-l fra pour le français ou -l fra+eng pour les documents bilingues.En complément de Tesseract, d'autres outils spécialisés existent :
Déployez votre premier pipeline d'OCR en une seule commande.
$ tesseract scan.png stdout -l fra