OCR sans paywall : image vers Markdown, gratuit et en local, dans votre navigateur
L'OCR est la fonction que les convertisseurs en ligne donnent le plus à contrecœur. Déposez un document scanné sur les outils populaires et vous rencontrerez le même schéma : un plafond de pages à l'offre gratuite, un téléversement obligatoire, et un formulaire d'abonnement entre vous et le texte reconnu.
Ce site prend le chemin inverse. Le moteur d'OCR s'exécute entièrement dans votre navigateur, le document ne quitte jamais votre machine, et il n'y a pas de compte à créer parce qu'il n'y a rien à facturer. Cet article explique comment fonctionne l'OCR dans le navigateur, quel est son cadre de qualité honnête, et quand un outil de bureau reste la meilleure réponse.
Pourquoi l'OCR a fini derrière des paywalls
La reconnaissance est coûteuse en calcul d'une manière que la simple conversion de format n'est pas. Lire un DOCX et écrire du Markdown relève de la manipulation de chaînes ; reconnaître l'image d'une page signifie faire tourner un modèle entraîné sur chaque glyphe. Sur un serveur, ce coût se multiplie par chaque utilisateur, chaque page, chaque jour — les éditeurs le facturent donc par plafonds de pages, limites quotidiennes et offres Pro.
L'obligation de téléversement découle de la même architecture. Si le modèle vit sur le serveur de l'éditeur, votre document doit y voyager. C'est ainsi que l'OCR est devenue l'enfant vedette du modèle « téléversez et payez » : votre contrat scanné attend dans la file d'un inconnu pendant que le compteur tourne.
Comment l'OCR tourne dans un onglet de navigateur
Le moteur ici est Tesseract — le même reconnaisseur open source qui alimente des outils de bureau comme ocrmypdf — compilé en WebAssembly pour tourner à une vitesse proche du natif dans tout navigateur moderne. Les données linguistiques nécessaires se téléchargent à la demande, par langue, et sont mises en cache localement, de sorte que les visites suivantes sautent le téléchargement.
Les PDF scannés ajoutent une étape. Une page PDF n'est pas encore une image : le pipeline rend donc d'abord chaque page en bitmap — en double résolution pour des glyphes plus nets — avec le même moteur PDF.js que celui des navigateurs pour afficher les PDF. Le bitmap part vers Tesseract, le texte reconnu revient, et le rédacteur Markdown assemble le résultat. Chaque étape s'exécute sur votre machine.
Ce que le « local » vous apporte
La confidentialité est le titre. Dossiers médicaux, contrats signés, pièces d'identité, procès-verbaux de conseil : les catégories de papier les plus souvent scannées sont exactement celles qui ne devraient pas être téléversées sur le serveur d'un inconnu. Quand la reconnaissance a lieu dans votre onglet, la question de ce que l'éditeur fait de votre document ne se pose tout simplement jamais.
Les bénéfices secondaires sont pratiques. Pas de plafond de pages, car votre CPU est le seul compteur. Pas de file, car vous êtes le seul travail. Pas de compte, car il n'y a rien à facturer. Et une fois le moteur et ses données linguistiques en cache, l'outil fonctionne hors ligne — dans un avion, dans une archive en sous-sol, sur une machine isolée du réseau.
Huit langues, à la demande
Les modèles de reconnaissance sont propres à chaque écriture : un modèle réglé pour l'anglais devine mal le chinois. L'outil fournit les données de huit langues — anglais, allemand, français, espagnol, italien, portugais, chinois simplifié et japonais — et ne télécharge que celle que vous sélectionnez, gardant le coût du premier chargement proportionnel à votre usage réel.
Choisir la bonne langue compte plus que tout autre réglage. Un document allemand reconnu avec le modèle anglais perd ses trémas dans les conjectures ; une page chinoise sous un modèle latin produit du bruit. Les documents multilingues sont le cas difficile connu : choisissez la langue dominante et attendez-vous à relire les passages de la langue minoritaire.
Des attentes de qualité honnêtes
Le texte imprimé propre est le chemin heureux : un scan net à 300 ppp d'une page laser se reconnaît avec une précision quasi parfaite, et le Markdown récupéré est réellement utilisable. La dégradation suit des lignes prévisibles — captures basse résolution, pages de travers, photocopies pâles et polices décoratives coûtent chacune en précision, et l'écriture manuscrite reste hors de portée fiable de tout moteur courant.
Deux modes d'échec méritent une vigilance particulière. Les caractères visuellement confondables — I majuscule, l minuscule, chiffre 1, chiffre 0 et O majuscule — sont mal lus silencieusement : les chiffres et les noms méritent donc un passage manuel. Et les tableaux sont le point faible structurel : l'OCR lit le texte des cellules dans l'ordre de lecture mais ne reconstruit aucune grille ; un tableau reconnu arrive comme des lignes de texte que vous re-tabulez vous-même. La sortie d'un OCR est un brouillon, et la traiter comme tel fait la différence entre un flux de travail et un désastre.
Tirer le meilleur de l'OCR local
La qualité d'entrée est le plus grand levier entre vos mains. Scannez à 300 ppp ou plus, gardez la page plate et droite, et préférez le mode niveaux de gris ou noir et blanc du scanner à une photo de téléphone dès que possible. Vous photographiez le document ? Une lumière uniforme, aucune ombre sur le texte et l'appareil bien face à la page récupèrent l'essentiel de l'écart.
Dans l'outil lui-même : sélectionnez la langue réelle du document, traitez d'abord une page ou deux pour vérifier la précision sur un échantillon représentatif, et relisez les chiffres avant que le texte n'aille où que ce soit en aval. Cinq minutes de contrôle par sondage sont une assurance bon marché contre le seul chiffre mal lu qui compte.
Quand un outil d'OCR de bureau reste le bon choix
L'OCR local dans le navigateur est la bonne réponse pour les documents que les gens ont réellement : un contrat, un chapitre, une pile de notes de réunion, une lettre scannée. Ce n'est pas la réponse à tout. Numériser une archive de dix mille pages appartient à une machine qui peut tourner toute la nuit, avec un pipeline comme ocrmypdf traitant des dossiers par lots sans surveillance.
Les documents à mise en page dense plaident aussi pour les outils de bureau. Si vos pages sont des bulletins multi-colonnes denses ou des formulaires où la disposition spatiale est le contenu, les moteurs commerciaux avec analyse de mise en page dédiée — et leurs outils de zonage manuel — surpasseront tout pipeline de navigateur. Le résumé honnête : pour les scans du quotidien, l'OCR local dans le navigateur est gratuit, privé et bon ; pour le volume industriel ou les mises en page pathologiques, sortez la machinerie lourde.