Vì sao OCR tiếng Việt hay mất dấu và cách khắc phục

"Được" thành "được" thì không sao, nhưng "má" thành "ma" hay "dữ" thành "dụ" là đổi hẳn nghĩa câu. Đây là vấn đề riêng của tiếng Việt: phần lớn công cụ OCR được xây cho tiếng Anh rồi thêm tiếng Việt vào sau, nên xử lý dấu rất kém. Hiểu nguyên nhân sẽ giúp bạn chọn đúng công cụ và chụp ảnh đúng cách.

Ba nguyên nhân gốc khiến OCR mất dấu

• Dấu bị vẽ TÁCH khỏi chữ. Trong nhiều file PDF, chữ "ế" được lưu thành hai đối tượng riêng: ký tự "ê" và một nét dấu đặt phía trên. Công cụ không biết ghép lại nên đọc thành "ê" rồi bỏ luôn dấu — hoặc tệ hơn, ghép dấu sang chữ bên cạnh.
• Dấu quá nhỏ so với độ phân giải ảnh. Một nét dấu chỉ vài pixel; nếu ảnh chụp mờ hoặc ở xa, nét dấu mất hẳn trong khi chữ chính vẫn đọc được. Kết quả là mất dấu chứ không sai chữ.
• Model không được huấn luyện cho tiếng Việt. Đây là nguyên nhân phổ biến nhất. Model chỉ biết ký tự Latin cơ bản sẽ tự động "làm gọn" dấu đi vì nó coi dấu là nhiễu.

Cách chụp ảnh để OCR đọc đúng dấu

1. Chụp thẳng góc, không nghiêng quá 15 độ. Ảnh nghiêng làm nét dấu của dòng dưới dính vào chân chữ dòng trên.
2. Đủ sáng và không có bóng. Nét dấu rất mảnh — bóng đổ nhẹ cũng đủ làm nó biến mất.
3. Chụp gần nhất có thể. Chữ cao 30–40 pixel trong ảnh là ngưỡng an toàn để đọc được dấu.
4. Với ảnh đã mờ sẵn: dùng công cụ Làm nét ảnh trước rồi mới nhận diện. Độ chính xác thường tăng rõ rệt.
5. Tránh chụp ảnh chụp lại màn hình — vân điểm ảnh của màn hình làm model nhận sai dấu.

Câu hỏi thường gặp

• Có công cụ nào đọc đúng 100% không? — Không. Với văn bản in rõ, công cụ tốt đạt trên 95%; chữ viết tay thấp hơn nhiều. Luôn soát lại trước khi dùng cho việc quan trọng.
• Ảnh chụp từ điện thoại có đủ nét không? — Đủ. Chỉ cần giữ máy song song với mặt trang, đủ sáng, và đừng để bóng tay che chữ.
• Có giữ được định dạng đoạn văn không? — Có, công cụ giữ xuống dòng và chia đoạn. Bảng biểu nên dùng công cụ trích xuất bảng riêng.
• Ảnh có bị lưu lại không? — Không. Ảnh chỉ nằm trên máy chủ trong lúc nhận diện, xong là xoá; không lưu lại và không đem đi huấn luyện.