Bild in Text (OCR)

Was dieses OCR-Tool macht

Ziehen Sie das Foto eines Dokuments, einen Screenshot, eine gescannte Seite oder das Bild eines Schildes hinein, und der darin enthaltene Text erscheint als echter, markierbarer Text unter dem Bild. Zwölf Sprachen stehen zur Wahl – Englisch, vereinfachtes und traditionelles Chinesisch, Japanisch, Koreanisch, Spanisch, Französisch, Deutsch, Portugiesisch, Russisch, Italienisch und Vietnamesisch –, und bei den asiatischen Sprachen fügt ein Kontrollkästchen gleichzeitig Englisch hinzu, sodass ein chinesischer Vertrag mit englischen Namen und Zahlen als ein Dokument gelesen wird. Sie können viele Bilder auf einmal ablegen; jedes wird nacheinander mit Fortschrittsbalken erkannt, und das Ergebnisfeld ist editierbar, damit Sie das eine oder andere Zeichen vor dem Kopieren korrigieren können.

Die Erkennung übernimmt Tesseract, die bei HP und Google entwickelte Open-Source-OCR-Engine, nach WebAssembly kompiliert und in einem Worker-Thread Ihres Browsers ausgeführt. Vor der Erkennung wird jedes Bild automatisch aufbereitet: in Graustufen umgewandelt, vergrößert, wenn es klein ist (Handy-Screenshots und Scans mit niedriger Auflösung profitieren am meisten), und mit weißem Hintergrund versehen, falls es transparent war. Engine und Sprachmodell der gewählten Sprache werden einmalig heruntergeladen – etwa 4 MB plus 1–3 MB pro Sprache – und dann zwischengespeichert; das Bild selbst verlässt Ihr Gerät nie, was bei Ausweisen, Verträgen und medizinischen Unterlagen entscheidend ist.

So verwenden Sie das Tool

Wählen Sie zuerst die Sprache des Textes – sie ist der mit Abstand wichtigste Faktor für die Genauigkeit – und lassen Sie bei chinesischen, japanischen oder koreanischen Dokumenten mit lateinischen Wörtern „Auch Englisch“ aktiviert. Ziehen Sie die Bilder hinein, fügen Sie sie ein oder wählen Sie sie aus. Warten Sie auf den Fortschrittsbalken; beim ersten Durchlauf wird zusätzlich die Engine geladen. Lesen Sie das Ergebnis im Feld: Der Konfidenzwert daneben ist die eigene Schätzung der Engine, und alles unter etwa 80 % verdient einen prüfenden Blick. Bearbeiten Sie den Text bei Bedarf direkt, dann „Kopieren“ Sie ihn oder laden ihn als .txt-Datei herunter; „Alles kopieren“ und „Alle herunterladen“ verarbeiten einen ganzen Stapel (mehrere Dateien kommen als ZIP).

Layout: „Automatisch“ erkennt Spalten und Blöcke und eignet sich für gescannte Seiten und Fotos; „Ein Block“ behandelt das Bild als eine einzige Textspalte und ist bei Screenshots von Chat-Nachrichten, Code und einfachen Listen stabiler. Liegt ein Dokument als PDF vor, führen Sie zuerst PDF in Bild aus und schicken die Seiten mit einem Klick hierher. Schiefe Fotos lassen sich nach Bild drehen und Bild zuschneiden besser lesen.

Häufige Stolperfallen

OCR liest gedruckten Text; Handschrift, Zierschriften und Text auf unruhigem Hintergrund kommen verstümmelt heraus, und daran ändert kein Browser-Tool etwas. Die Genauigkeit hängt vor allem vom Foto ab: Füllen Sie den Rahmen mit der Seite, halten Sie sie flach und gerade, sorgen Sie für gutes, gleichmäßiges Licht, vermeiden Sie Schatten und Reflexionen und verkleinern Sie das Bild vor dem Ablegen nicht – ein 12-Megapixel-Foto einer A4-Seite ist ideal, ein 600-Pixel-Vorschaubild hoffnungslos. Die falsche Sprache ist die andere große Ursache für Unsinn: Eine japanische Seite als Chinesisch gelesen oder eine französische als Englisch ergibt plausibel aussehenden Müll.

Tabellen kommen als Textzeilen ohne Gitter heraus; die Spalten eines zweispaltigen Layouts können sich im Modus „Ein Block“ vermischen – nehmen Sie dafür „Automatisch“. Zahlen mit wenig umgebendem Text (Rechnungen, Zählerstände) werden gut gelesen, sind aber immer eine Kontrolle wert, denn eine 6 und eine 8 sehen auch für eine Maschine ähnlich aus. Die erste Nutzung auf einem Gerät lädt die Engine und ein Sprachmodell herunter und braucht daher einmal eine Netzverbindung; danach funktioniert das Tool offline. Sehr große Stapel auf dem Handy können langsam sein – ein paar Sekunden pro Seite sind normal.

Hintergrund: So wird der Text erkannt

Die aktuelle Engine von Tesseract ist ein neuronales LSTM-Netz, das eine Pixelzeile als Sequenz liest und Zeichen ausgibt – für jede Sprache separat mit Millionen Zeilen gedruckten Textes trainiert. Die Seite wird zunächst auf ihr Layout analysiert – wo Textblöcke, Zeilen und Wörter liegen –, dann wird jede Zeile auf eine feste Höhe normalisiert und dem Netz zugeführt. Die hier verwendeten Modelle sind der tessdata_best-Satz, auf 8-Bit-Ganzzahlen quantisiert: dieselbe Genauigkeit wie die Modelle in voller Präzision bei einem Bruchteil der Größe, was das Selbsthosten aller zwölf Sprachen erst praktikabel macht.

Alles läuft in WebAssembly mit SIMD-Beschleunigung, sofern der Browser sie unterstützt (alle aktuellen Browser tun das), innerhalb eines Workers, damit die Seite reaktionsfähig bleibt. Die Vorverarbeitung findet auf einem Canvas in der Seite statt: Die Graustufenumwandlung entfernt Farbrauschen, und das Hochskalieren kleiner Bilder auf etwa 2000 Pixel an der langen Seite bringt die Buchstaben in den Größenbereich, auf den das Netz trainiert wurde. Es werden keine Pixel irgendwohin gesendet; die Seite funktioniert offline, sobald Engine und Modell zwischengespeichert sind.

Wann Sie Bild-in-Text brauchen

Einen Absatz aus einem Screenshot kopieren, den Ihnen jemand geschickt hat. Ein fotografiertes Whiteboard, eine Folie oder eine Buchseite in Notizen verwandeln. Den Text aus einem gescannten Brief oder einem alten PDF holen, das nur aus Bildern besteht. Eine Adresse, eine Bestellnummer oder eine Seriennummer aus einem Foto extrahieren. Belege und Rechnungen für die Buchhaltung digitalisieren. Eine Speisekarte, ein Schild oder ein Etikett in einer anderen Schrift lesen, um es in einen Übersetzer einzufügen.

Auf dieser Website sieht die Kette so aus: Foto bei Bedarf drehen und zuschneiden, Text hier erkennen, und bei PDFs zuerst über PDF in Bild gehen. Ein aus Fotos bestehendes Dokument lässt sich mit Bild in PDF zusammenstellen, sobald der Text geprüft ist.

Häufig gestellte Fragen