圖片轉文字（OCR）

這個 OCR 工具能做什麼

拖入文件照片、截圖、掃描頁或一張招牌的照片，裡面的文字會以真正可選取的文字出現在圖片下方。可選 12 種語言——繁體中文、簡體中文、英文、日文、韓文、西班牙文、法文、德文、葡萄牙文、俄文、義大利文、越南文——中日韓文件還可勾選「同時辨識英文」，夾雜英文名和數字的中文合約一次讀完。多張圖片可以一起拖入，逐張辨識並顯示進度；結果框可編輯，複製前順手改掉個別錯字。

辨識用的是 Tesseract——HP 和 Google 先後開發的開源 OCR 引擎——編譯成 WebAssembly，在瀏覽器的 Worker 執行緒裡執行。辨識前每張圖會自動整理：轉灰階、小圖放大（手機截圖和低解析度掃描檔受益最大）、透明底鋪白。引擎和你選的語言模型只下載一次——約 4 MB 加每種語言 1–3 MB——之後快取；圖片本身從不離開裝置，這對身分證、合約、病歷很重要。

怎麼用

先選文字的語言——這是影響準確率最大的單一因素——中日韓文件裡有拉丁文字的話保持勾選「同時辨識英文」。拖入、貼上或選擇圖片。等進度條走完；第一次執行還要載入引擎。看結果框：旁邊的信心度是引擎自己的估計，低於 80% 左右的值得檢查一下。需要就地修改，然後「複製」文字或「下載」為 .txt；「複製全部」和「全部下載」處理整批（多個檔案打包成 ZIP）。

版面：「自動」偵測欄和區塊，適合掃描頁和照片；「單欄」把整張圖當作一列文字，對聊天記錄截圖、程式碼和簡單清單更穩。文件是 PDF 的話，先用PDF 轉圖片，一鍵把頁面送到這裡。歪斜的照片先過圖片旋轉和圖片裁切辨識效果更好。

常見地雷

OCR 辨識的是印刷體；手寫、花體字和雜亂背景上的文字會辨識成亂碼，任何瀏覽器工具都改變不了這一點。準確率主要取決於照片：讓頁面填滿畫面、放平、放正，光線均勻，避免陰影和反光，拖入前不要縮小圖片——1200 萬像素拍的 A4 頁最理想，600 像素的縮圖沒有希望。語言選錯是產生亂碼的另一大原因：日文頁面按中文讀、法文按英文讀，都會得到看似合理的垃圾。

表格會變成沒有格線的文字行；雙欄排版在「單欄」模式下可能交錯——這類用「自動」。周圍沒什麼文字的數字（發票、水表讀數）辨識得不錯，但永遠值得核對，因為 6 和 8 對機器來說也很像。裝置第一次使用要下載引擎和一個語言模型，需要連網一次；之後離線可用。手機上處理大批量會慢——每頁幾秒是正常的。

背景知識：文字是怎麼被辨識的

Tesseract 目前的引擎是一個 LSTM 神經網路，把一行像素當作序列讀入、輸出字元，每種語言分別用數百萬行印刷文字訓練。頁面先做版面分析——文字區塊、行、詞在哪裡——再把每一行正規化到固定高度送進網路。這裡用的模型是 tessdata_best 量化到 8 位元整數的版本：準確率與全精度模型相同，體積只有幾分之一，這才讓自託管全部 12 種語言可行。

一切在 WebAssembly 裡執行，瀏覽器支援時啟用 SIMD 加速（目前所有瀏覽器都支援），放在 Worker 裡頁面依然流暢。預處理在頁面的 canvas 上完成：轉灰階去掉顏色雜訊，小圖放大到長邊約 2000 像素，讓字母落入網路訓練時的尺寸範圍。像素不傳送到任何地方；引擎和模型快取後頁面離線也能用。

哪些場景需要圖片轉文字

從別人寄來的截圖裡複製一段話。把拍下的白板、投影片或書頁變成筆記。從掃描的信件或只有圖片的老 PDF 裡取出文字。從照片裡擷取地址、訂單號或序號。把收據和發票數位化做帳。讀出另一種文字的菜單、招牌或標籤，貼進翻譯器。讓錯誤訊息的截圖可以搜尋。從只有照片的論文裡摘引文。

本站的流程是：需要的話先旋轉、裁切照片，在這裡辨識文字；PDF 先過PDF 轉圖片。文字核對完，照片可以用圖片轉 PDF合成文件。

常見問題