Распознавание текста по фото: какая нейросеть на GPT Portal справится лучше
Знакомая ситуация: нужно вытащить текст из скана отчёта на пару десятков страниц, разобрать рукописные заметки коллеги или перенести таблицу с формулами из PDF в Excel - и вместо этого уходит вечер на ручную перепечатку. Разбираем, какие модели на GPT Portal справляются с этой задачей лучше всего и почему бесплатные веб-сервисы распознавания текста уже не имеет смысла использовать.
Как проверяли
Взяли два типа задач, на которых обычно спотыкаются даже платные сервисы:
Сложный документ с таблицами и формулами - скан страницы из научной статьи с многоуровневой таблицей и математическими выражениями.
Рукописный текст - фото конспекта, снятое телефоном при обычном комнатном освещении, с неровным почерком и небольшим наклоном камеры.
Оценивали не только точность распознавания слов, а насколько модель сохраняет структуру документа - заголовки, таблицы, списки, форматирование - а не просто вываливает текст сплошным потоком.
Универсальный промпт для всех моделей на GPT Portal:
«Проанализируй загруженное изображение документа. Извлеки весь текст, сохрани иерархию заголовков и переведи все таблицы в формат Markdown без потери данных.»
Как справляются модели на платформе
GPT-5. Из всех доступных моделей лучше всего восстанавливает структуру сложных документов - многоуровневые таблицы и формулы, переведённые в Markdown или LaTeX, выходят готовыми к вставке без ручной правки. Если документ действительно сложный (научная статья, финансовый отчёт с вложенными таблицами) - начинать стоит именно с неё.
Gemini. Изначально обучена на разные типы данных сразу - текст, фото, видео, аудио - и это даёт заметное преимущество на зашумлённых фото: смазанные снимки со смартфона, неровное освещение, блики на глянцевой бумаге. Если исходное фото не идеальное - а рукописный конспект с телефона почти никогда идеальным не бывает - Gemini справляется увереннее остальных.
DeepSeek. Быстро считывает текстовые блоки и корректно оформляет списки и таблицы, при этом расходует заметно меньше кредитов, чем флагманские модели. Разумный выбор, если задача массовая - например, разово прогнать через распознавание десятки однотипных страниц.
Grok. Быстрый и прямой стиль работы проявляется и здесь - модель уверенно выделяет ключевые данные из таблиц и счетов, превращая их в структурированный текст без долгих пояснений. Хорошо подходит, когда нужно быстро выдернуть конкретные цифры или пары «ключ - значение», а не идеальное форматирование всего документа.
Claude. Точна и аккуратно следует длинным инструкциям без «отсебятины» - если в промпте расписан подробный формат вывода, Claude воспроизведёт его почти буквально. На простых задачах распознавания текста это скорее избыточная мощность: расход кредитов выше, чем у остальных моделей, при сопоставимом результате.
Все пять моделей справляются с обеими тестовыми задачами - разница не в том, справится ли модель вообще, а в том, что получится на выходе без ручной доработки и сколько это будет стоить в кредитах.
А если использовать бесплатный OCR-сервис вместо нейросети
Логичный вопрос - а есть ли смысл платить кредитами, если в интернете полно бесплатных инструментов распознавания текста? На практике классические OCR-сервисы (та же категория, что OCR.space, OnlineOCR.net, Convertio) справляются с обычным печатным текстом на чистом сканe, но спотыкаются ровно там, где нужнее всего: форматирование таблиц разваливается, рукописный текст либо не распознаётся совсем, либо распознаётся с большим количеством ошибок, а формулы почти всегда приходится перепечатывать руками. Разница особенно заметна на многостраничных документах и фото с телефона, а не идеальных сканов из принтера - то есть именно в тех случаях, ради которых обычно и ищут инструмент распознавания.
Что выбрать под конкретную задачу
Сложный документ с таблицами, формулами, вложенной структурой - GPT-5.
Фото плохого качества, рукописный текст, неровное освещение - Gemini.
Массовое распознавание однотипных страниц с экономией кредитов - DeepSeek.
Быстрая выборка конкретных данных из счетов и таблиц - Grok.
Строгое соблюдение сложного формата вывода - Claude.
Эпоха бесплатных веб-сервисов распознавания текста подходит к концу - даже самая экономная модель на GPT Portal сегодня справляется с рукописным текстом и сложными таблицами заметно увереннее. Разница между моделями теперь не в том, справятся ли они с задачей, а в балансе между качеством результата и расходом кредитов под конкретный тип документа.
Попробуй на GPT Portal - GPT-5, Gemini, Claude, Grok, DeepSeek и другие модели в одном чате, без VPN, 600 кредитов бесплатно.
Частые вопросы
Можно ли распознать сразу многостраничный документ, а не одно фото?
Да, большинство моделей на платформе принимают несколько изображений в одном запросе - можно загрузить весь скан целиком и попросить сохранить сквозную нумерацию страниц в результате.
Что делать, если модель не смогла разобрать неразборчивый почерк?
Стоит попросить модель отметить неуверенные фрагменты явно (например, знаком вопроса в скобках) вместо того, чтобы угадывать слово - так сразу видно, что нужно перепроверить вручную, а не искать ошибку по всему тексту.
Безопасно ли загружать сканы документов с конфиденциальными данными?
Загруженные файлы используются только для формирования ответа в текущем чате. Если документ содержит персональные данные или коммерческую тайну, стоит заранее скрыть чувствительные поля - как и при работе с любым облачным сервисом распознавания.