IA consegue ler vários idiomas em um documento?
Sim — o que esperar

Quão Bem a IA Lê Múltiplos Idiomas por Família de Escrita

O erro mais comum ao avaliar extração multilíngue por IA é tratar "suporta 100+ idiomas" como um único número de precisão. Não é. A precisão segue uma hierarquia clara por família de escrita — e entender onde seus documentos se encaixam nela é a diferença entre um fluxo de trabalho funcional e um quebrado.

Idiomas de escrita latina (inglês, francês, alemão, espanhol, português, italiano, holandês e dezenas de outros) compartilham um alfabeto de 26 letras, direção de leitura da esquerda para a direita e uma tradição tipográfica comum. Um único pipeline de OCR lida com todos eles. Modelos modernos de visão atingem 95%+ de precisão em documentos latinos impressos e limpos, independentemente do idioma — o modelo não precisa saber se está lendo francês ou alemão, pois os padrões visuais são suficientemente semelhantes.

Escritas cirílicas (russo, ucraniano, búlgaro, sérvio) adicionam um segundo conjunto de caracteres, mas compartilham a mesma direção de leitura e layout de texto do latim. A precisão cai apenas ligeiramente — cerca de 90–93% em documentos limpos — porque a similaridade estrutural permite boa transferência dos dados de treinamento. A maioria dos modelos de visão treinados em corpora multilíngues atinge níveis próximos ao latim no cirílico.

Então começam os verdadeiros desafios. Escritas árabe e CJK (chinês, japonês, coreano) exigem modelos de reconhecimento fundamentalmente diferentes — não apenas uma tabela de consulta de caracteres diferente. Veja o que torna cada uma difícil:

Isso não são casos extremos. Uma única fatura pode conter um cabeçalho de empresa em inglês, um bloco de endereço em japonês, descrições de itens em coreano e numerais arábicos — e um modelo que lida com apenas uma família de escrita falhará em todo o resto. O benchmark CC-OCR (arXiv 2412.02210), que testa modelos em 10 idiomas incluindo japonês, coreano, árabe e seis idiomas de escrita latina, descobriu que mesmo o melhor modelo generalista — Gemini-1.5-Pro — obteve 78,97 no geral para OCR multilíngue, com o japonês sendo o idioma de pior desempenho entre todos os modelos generalistas devido à alta prevalência de texto vertical no conjunto de teste.

A implicação prática: se seus documentos usam apenas idiomas de escrita latina, você pode esperar precisão de nível de produção de qualquer ferramenta competente de extração por IA. Se eles incluem árabe ou CJK, você precisa testar em seus documentos reais — não na demonstração do fornecedor — e reservar tempo para verificação.

O que a Extração Multilíngue com IA Acerta

A diferença entre IA e OCR tradicional em documentos multilíngues não é pequena — é estrutural. O OCR tradicional foi arquitetado com a premissa de que um documento equivale a um idioma. Você configura o Tesseract para inglês, japonês ou árabe, alimenta o documento e cruza os dedos. Páginas com idiomas misturados? Estão fora do escopo.

Modelos de visão-linguagem não têm essa limitação. Eles não segmentam o texto em caracteres individuais para comparar com uma tabela de consulta específica de idioma. Eles leem a página inteira — layout, texto, contexto — e entendem o que está escrito independentemente do idioma, da mesma forma que um leitor humano multilíngue. Isso torna vários cenários confiáveis hoje:

Documentos multilíngues puramente em alfabeto latino. Uma fatura suíça com texto em alemão, francês e italiano. Um romaneio canadense em inglês e francês. Um pedido de compra pan-europeu com detalhes do fornecedor em espanhol e instruções de envio em português. Como esses idiomas compartilham conjuntos de caracteres e direção de leitura, a IA os processa em uma única passagem sem degradação — a precisão permanece no nível de 95%+ da extração em latim de idioma único.

Pares bilíngues comuns com direção compartilhada. Documentos em inglês/coreano, inglês/japonês e inglês/chinês onde a parte não latina é suplementar — um nome de empresa em inglês ao lado de um endereço coreano, uma descrição de produto em japonês abaixo de um SKU em inglês. A IA ancora no texto latino que conhece bem e trata o texto CJK ou árabe como conteúdo adicional reconhecido. Em formulários estruturados onde os rótulos dos campos fornecem contexto semântico (um cabeçalho de coluna "Descrição" deixa claro que o conteúdo abaixo são descrições de itens, independentemente do idioma), a precisão na parte não latina fica em torno de 80–90%.

Formulários multilíngues estruturados. O melhor desempenho ocorre quando o documento tem uma estrutura clara — campos rotulados, layout consistente e regiões de texto contidas. Uma declaração alfandegária da UE com blocos de idioma separados por campos. Uma fatura fiscal coreana (전자세금계산서) onde os campos de nome do fornecedor, valor e imposto estão espacialmente separados. A IA lê cada campo de forma independente, usando o rótulo do campo como âncora semântica para o que encontrar — este é o mesmo mecanismo de Extração Personalizada de Colunas que funciona para documentos em idioma único: você define as colunas desejadas (ex.: "Nome do Fornecedor", "Valor Total", "Taxa de Imposto"), e a IA localiza cada valor entendendo o que ele significa, não combinando onde ele está na página.

Modelos de visão com amplo vocabulário. O GPT-4o introduziu um novo tokenizador que melhorou significativamente o processamento de idiomas não ingleses — exigindo 4,4× menos tokens para gujarati, 3,5× menos para telugo e 3,3× menos para tâmil em comparação com modelos anteriores. Para idiomas CJK, onde frases podem consumir de 2 a 8 vezes o número de tokens dos equivalentes em inglês, isso é enormemente importante: menos tokens significa que mais do documento cabe na janela de contexto do modelo, reduzindo a perda de informações. O Google Document AI cobre mais de 200 idiomas, incluindo 50 com suporte a manuscritos; o Azure AI Document Intelligence cobre mais de 100 idiomas com suporte explícito a CJK, árabe e devanágari.

Onde a Extração Multilíngue com IA Ainda Enfrenta Dificuldades

A resposta honesta importa mais do que a do marketing — porque prometer demais sobre capacidade multilíngue é o caminho mais rápido para perder a confiança quando alguém envia sua primeira fatura em coreano/inglês e vê metade do Hangul mal interpretado.

Texto da direita para a esquerda e da esquerda para a direita na mesma página. Um contrato jurídico em árabe com referências a cláusulas em inglês. Um remessa em hebraico com termos de envio em francês. A IA deve detectar os limites dos scripts, aplicar a direção de leitura correta a cada segmento e reconciliá-los em uma única saída. Pipelines de OCR padrão construídos para texto LTR produzem saída confusa e semanticamente quebrada — texto árabe renderizado ao contrário, quebras de linha no lugar errado, caracteres de ambos os scripts mesclados em algo sem sentido. Modelos de visão lidam melhor com isso tratando a direção como uma propriedade de layout, em vez de uma propriedade de fluxo de texto, mas a precisão em documentos genuinamente de direção mista ainda cai para 65–80%.

Texto CJK vertical. Documentos japoneses frequentemente misturam texto horizontal e vertical — o corpo principal flui de cima para baixo, enquanto anotações em inglês e números correm da esquerda para a direita. Chinês e coreano usam texto vertical com menos frequência em documentos comerciais modernos, mas isso persiste em formatos tradicionais, certificados e correspondências formais. O benchmark CC-OCR identificou especificamente o texto vertical japonês como o maior obstáculo de precisão entre todos os modelos generalistas. Um modelo que lida com japonês horizontal perto de 90% pode cair para 60–70% quando o mesmo texto é vertical — a compreensão de layout do modelo foi treinada predominantemente em documentos horizontais.

Combinações de idiomas raras. Inglês/espanhol e inglês/japonês são bem cobertos porque aparecem com frequência nos dados de treinamento. Tailandês/árabe na mesma página? Suaíli/cirílico? Vietnamita/hebraico? Essas combinações são dramaticamente sub-representadas nos corpora de treinamento. O modelo pode reconhecer scripts individuais, mas ter dificuldade em interpretar sua interação — especialmente quando usam direções de escrita diferentes ou quando um script contém caracteres que se assemelham visualmente aos do outro.

Documentos manuscritos + impressos em idiomas mistos. Um formulário japonês impresso com anotações manuscritas em inglês. Uma fatura coreana com correções manuscritas em uma mistura de Hangul e inglês. A caligrafia sozinha reduz a precisão da IA em 15–30% em comparação com texto impresso (veja nosso guia sobre precisão do reconhecimento de caligrafia por IA). Adicionar um segundo idioma além disso — especialmente quando as partes manuscritas alternam entre scripts — agrava os erros. O modelo deve resolver simultaneamente a ambiguidade da caligrafia e os limites dos scripts, e as arquiteturas atuais lidam com isso sequencialmente, em vez de em conjunto.

Densidade de caracteres em CJK. Uma única frase em japonês pode conter três sistemas de escrita (Kanji, Hiragana, Katakana) mais caracteres latinos para palavras emprestadas do inglês e numerais arábicos para quantidades — tudo em uma linha. Um mecanismo de OCR tradicional configurado para um deles descartará silenciosamente os outros. Modelos de visão lidam com a natureza multiescrita do japonês corretamente como uma propriedade estrutural, mas a densidade de informação cria uma sobrecarga de tokenização: o mesmo conteúdo semântico em japonês consome aproximadamente 2× os tokens de seu equivalente em inglês, o que significa que o modelo atinge os limites da janela de contexto mais rapidamente em documentos longos.

Como obter os melhores resultados da extração multilíngue com IA

A variável mais importante que você controla é como pede para a IA extrair dados — e isso é ainda mais crucial para documentos multilíngues do que para qualquer outro tipo. Usar extração semântica em vez de transcrição bruta de OCR é a diferença entre dados multilíngues utilizáveis e uma bagunça multilíngue.

1. Use extração por colunas personalizadas, não OCR de página inteira. Não peça para a IA "ler tudo nesta página". Diga exatamente quais campos você quer — "Nome do Fornecedor", "Data da Fatura", "Valor Total", "CNPJ". Ao definir colunas de saída, a IA foca em encontrar esses valores específicos entendendo o significado deles, independentemente do idioma. Um nome de fornecedor coreano escrito em Hangul (como "한국전자") é tão encontrável quanto um em inglês — a IA sabe que o campo "Nome do Fornecedor" contém um nome de entidade. Já o OCR bruto gera um fluxo de texto no idioma para o qual o mecanismo foi configurado e descarta todo o resto. Para um detalhamento de como essa abordagem baseada em colunas funciona em diferentes tipos de documento, veja o que é extração de documentos com IA e como funciona.

2. Mantenha a qualidade da foto alta. Documentos multilíngues amplificam qualquer problema de qualidade de imagem. Baixo contraste entre tinta e papel, fotos inclinadas e baixa resolução reduzem a precisão de forma mais severa em escritas não latinas do que em inglês — porque caracteres CJK dependem de distinções finas de traços (ex.: 已 vs 己 vs 巳 em chinês, ou ツ vs シ em katakana japonês) que se borram em formas irreconhecíveis em imagens ruins. Fotografe de frente, use iluminação uniforme e mantenha pelo menos 200 DPI. Tinta escura em papel branco é ideal para todas as escritas.

3. Separe documentos por idioma dominante quando possível. Se você tem um lote de 50 faturas — 30 em inglês e 20 em coreano — processá-las juntas funciona, mas processá-las em lotes separados permite verificar a precisão por grupo de idioma. Isso não melhora diretamente o desempenho da IA, mas torna seu fluxo de verificação gerenciável: você pode verificar 10% do lote em inglês rapidamente e focar sua revisão no lote em coreano, onde erros são mais prováveis.

4. Use verificação em nível de campo para campos críticos com escrita mista. Valores monetários, CNPJs e datas são os campos onde erros de extração têm consequências financeiras. Em documentos multilíngues, esses campos geralmente aparecem em algarismos arábicos, independentemente do idioma ao redor — o que ajuda — mas fazer a verificação cruzada ainda é o seguro mais barato disponível. Uma revisão de 30 segundos dos cinco campos mais importantes por documento é mais rápido do que corrigir um pagamento enviado para o CNPJ errado.

5. Use a estrutura do documento como âncora. Formulários estruturados com campos rotulados são o caso mais forte para extração multilíngue com IA. Se seus documentos multilíngues são principalmente formulários — faturas, declarações alfandegárias, documentos fiscais — os rótulos dos campos fornecem âncoras semânticas que melhoram drasticamente a precisão entre idiomas. A IA lê "Total (합계)" em uma fatura fiscal coreana e sabe extrair o valor, mesmo que o rótulo do campo esteja em coreano e o valor possa conter códigos de moeda em inglês. Quanto mais estrutura seus documentos tiverem, menos o idioma importa.

Documentos Reais Onde a IA Lê Vários Idiomas

Não são hipotéticos. São documentos que cruzam barreiras linguísticas no mundo real — e a IA lida com cada um de forma diferente.

Faturas fiscais eletrônicas coreanas (전자세금계산서). Desde que a Coreia do Sul tornou obrigatórias as faturas fiscais eletrônicas em 2023, toda transação comercial gera um documento digital estruturado — mas os dados ainda precisam ser transferidos para sistemas contábeis. Uma fatura fiscal coreana típica contém: nome e endereço do fornecedor em coreano (Hangul), nome do comprador em coreano (Hangul), descrições de itens em coreano com códigos de produto ocasionais em inglês, e valores em numerais arábicos com notação de won coreano (₩). A IA lê os campos em Hangul para nomes e endereços, o conteúdo misto para descrições de itens e os campos numéricos para valores — tudo em uma única passagem de extração. O campo crítico que confunde modelos não treinados em coreano: o número de registro comercial (사업자등록번호), um identificador de 10 dígitos com formato específico, geralmente impresso em posição única na fatura. Para mais sobre este tipo de documento, veja nosso guia sobre extrair dados de faturas fiscais coreanas para Excel.

Formulários aduaneiros e de conformidade multilíngues da UE. Uma declaração de importação da UE normalmente contém os mesmos dados repetidos em dois ou três idiomas — nome do remetente em francês, nome do destinatário em alemão, descrição da mercadoria em inglês. Uma única página pode alternar entre idiomas de escrita latina quatro ou cinco vezes. Este é o cenário multilíngue mais fácil para a IA, pois todos os idiomas compartilham a mesma família de escrita: a IA processa as seções em francês, alemão e inglês de forma idêntica, e a precisão permanece acima de 95%. A alternância de idiomas é transparente para o modelo. Equipes de logística transfronteiriça que processam centenas desses formulários diariamente podem agrupá-los sem classificar por idioma — a IA lida com a mistura nativamente. Para uma visão geral, veja extração de dados de faturas internacionais entre mercados.

Documentos de embarque japonês/inglês. Uma lista de embalagem de exportação japonesa contém nomes de produtos em japonês (Kanji + Katakana), quantidades e pesos em numerais arábicos e endereços de destino em inglês. O texto japonês inclui todos os três sistemas de escrita — Kanji para o nome do produto (自動車部品 = peças automotivas), Katakana para o termo derivado do inglês (ブラケット = suporte) e caracteres latinos para números de modelo (ABC-1234). A IA lê todos os quatro sistemas de escrita na mesma linha e coloca os valores extraídos nas colunas corretas. O maior risco é a confusão entre Katakana e inglês: palavras como "テーブル" (tēburu, "mesa") escritas foneticamente em Katakana podem ser confundidas com texto em inglês por mecanismos OCR ingênuos, mas modelos de visão que entendem as convenções de escrita japonesas lidam com a distinção corretamente.

Contratos bilíngues chinês/inglês. Contratos comerciais transfronteiriços entre entidades chinesas e de língua inglesa frequentemente apresentam cada cláusula em ambos os idiomas — o texto em chinês acima ou abaixo da tradução em inglês. O layout pode ser colunas lado a lado ou parágrafos empilhados. Para extração de dados (por exemplo, obter datas de contrato, nomes das partes e condições de pagamento), a IA se beneficia da redundância: pode ler os mesmos dados de qualquer versão do idioma, e a representação dupla realmente melhora a precisão, pois dados ausentes ou ambíguos em um idioma podem ser referenciados no outro. O fluxo de trabalho prático: extrair da versão em inglês como primária (maior precisão) e usar a versão em chinês como verificação para campos financeiros críticos.

Perguntas Frequentes

A IA consegue extrair dados de um documento que mistura três ou mais idiomas?

Sim — com ressalvas. Se todos os idiomas compartilham a mesma família de escrita (ex.: francês/alemão/inglês = todos latinos), a IA os processa de forma transparente, sem perda de precisão. Se a mistura cruza famílias de escrita (ex.: inglês + coreano + árabe na mesma página), a precisão depende do script menos preciso na mistura: um documento com 80% inglês e 20% árabe terá precisão em nível latino na parte em inglês e precisão em nível árabe (~75–85%) na parte em árabe. A IA não reduz a precisão nas partes fáceis só porque há partes difíceis — cada região de texto é processada de forma independente.

A IA precisa saber quais idiomas estão no documento antecipadamente?

Não. Modelos modernos de visão detectam idiomas automaticamente ao ler a página — você não precisa pré-selecionar "inglês + coreano" ou configurar módulos de idioma. Esta é uma das maiores vantagens dos modelos de visão-linguagem sobre o OCR tradicional: enquanto o Tesseract exige que você especifique o idioma antes do processamento (e erra se você chutar errado), um VLM lê a página e reconhece qual script cada região de texto usa em tempo real. A detecção de idioma do modelo está integrada à sua compreensão visual, não é um passo separado.

Como a IA lida com documentos que misturam idiomas da direita para a esquerda, como árabe, com inglês?

Ela lida — mas este é o cenário multilíngue mais difícil. A IA deve detectar o Script A (esquerda para direita, ex.: inglês) e o Script B (direita para esquerda, ex.: árabe) na mesma página, aplicar a direção de leitura correta a cada segmento e manter a relação semântica entre eles. A precisão em páginas genuinamente mistas cai para 65–80%. Para documentos onde o conteúdo RTL está em blocos espacialmente separados (ex.: um cabeçalho em árabe acima de uma tabela em inglês), a precisão é maior. Para documentos onde textos RTL e LTR estão intercalados na mesma frase ou parágrafo — uma descrição de produto em inglês com um número de peça em árabe intercalado — espere verificar os resultados manualmente.

IA consegue ler textos em japonês, chinês ou coreano escritos à mão?

Parcialmente. A mesma estrutura de precisão para escrita à mão se aplica aos idiomas CJK (chinês, japonês e coreano) e ao alfabeto latino, mas com uma dificuldade adicional: os caracteres CJK dependem da ordem e da posição precisa dos traços, que variações manuscritas prejudicam mais severamente do que as letras latinas. Um 口 (boca/abertura, um quadrado simples de 3 traços) escrito à mão pode parecer um círculo, um oval ou uma caixa rabiscada, dependendo de quem escreve. Japonês manuscrito é mais difícil que coreano manuscrito (o Hangul é mais sistemático, com menos formas únicas), e ambos são mais difíceis que o inglês manuscrito. Espere uma queda de 20 a 35% na precisão ao passar do CJK impresso para o manuscrito. Para mais detalhes sobre o desafio da escrita à mão, veja nosso guia completo sobre reconhecimento de escrita à mão por IA.

Preciso de uma ferramenta de IA diferente para cada idioma?

Não — se você estiver usando uma ferramenta de extração baseada em modelo de visão-linguagem. O mesmo modelo que lê uma fatura em inglês lê uma fatura fiscal coreana e um pedido de compra em alemão. Essa é uma das vantagens práticas da abordagem de visão-linguagem: você gerencia uma ferramenta, um fluxo de trabalho e um formato de saída, independentemente de quantos idiomas seus documentos contenham. A ressalva é o esforço de verificação: você gastará mais tempo revisando resultados de documentos não latinos do que de documentos em inglês. Mas não precisará de ferramentas, logins ou fluxos de trabalho separados.

E quanto a idiomas com poucos recursos digitais — como birmanês, amárico ou laosiano?

Nesses idiomas de baixos recursos, a precisão cai mais. A diferença de desempenho entre os principais idiomas mundiais e os alfabetos com poucos recursos é maior do que a diferença entre quaisquer dois idiomas principais. Um modelo que lida com coreano com 85% de precisão pode lidar com birmanês com 50–60%, porque o volume de dados de treinamento é ordens de magnitude menor. O Document AI do Google é a opção mais forte para cobertura de idiomas raros (mais de 200 idiomas), mas, para idiomas genuinamente com poucos recursos, espere testar em seus documentos antes de se comprometer com um fluxo de trabalho — as alegações dos fornecedores sobre suporte a idiomas raramente se traduzem em precisão utilizável em produção para alfabetos fora dos 50 principais.

IA consegue lidar com documentos em que o idioma muda no meio da frase?

Isso se chama alternância de código, e é comum em documentos comerciais de regiões multilíngues — uma fatura de Hong Kong pode trazer "Delivery to 中環辦公室 by 3pm." Modelos modernos de visão lidam bem com isso dentro de famílias de escrita latina e razoavelmente bem em pares mistos latim/CJK. O modelo não precisa alternar módulos de idioma no meio da frase; ele lê a string inteira como uma entrada visual contínua e reconhece cada caractere ou palavra em sua própria escrita. A precisão na alternância de código no meio da frase é maior do que em texto misto de parágrafos inteiros, porque a janela de contexto permanece pequena e os sinais (formatos de caracteres, pertinência ao conjunto de caracteres) são inequívocos no nível do token.

Para uma compreensão mais ampla do que a extração de documentos por IA pode e não pode fazer, comece com o que é extração de documentos por IA e como funciona. Se você está lidando especificamente com escrita à mão em vários idiomas, nosso guia sobre precisão do reconhecimento de escrita à mão por IA aborda a interseção desses dois problemas difíceis. E se você precisa extrair dados sem configurar modelos ou treinamento — o que é ainda mais importante para documentos multilíngues onde não há dois formatos iguais — veja se a IA consegue extrair dados sem modelos.