图片转文字（OCR）

这个 OCR 工具能做什么

拖入文档照片、截图、扫描页或一张招牌的照片，里面的文字会以真正可选中的文本出现在图片下方。可选 12 种语言——简体中文、繁体中文、英文、日文、韩文、西班牙文、法文、德文、葡萄牙文、俄文、意大利文、越南文——中日韩文档还可勾选"同时识别英文"，夹杂英文名和数字的中文合同一次读完。多张图片可以一起拖入，逐张识别并显示进度；结果框可编辑，复制前顺手改掉个别错字。

识别用的是 Tesseract——HP 和 Google 先后开发的开源 OCR 引擎——编译成 WebAssembly，在浏览器的 Worker 线程里运行。识别前每张图会自动整理：转灰度、小图放大（手机截图和低分辨率扫描件受益最大）、透明底铺白。引擎和你选的语言模型只下载一次——约 4 MB 加每种语言 1–3 MB——之后缓存；图片本身从不离开设备，这对身份证、合同、病历很重要。

怎么用

先选文字的语言——这是影响准确率最大的单一因素——中日韩文档里有拉丁文字的话保持勾选"同时识别英文"。拖入、粘贴或选择图片。等进度条走完；第一次运行还要加载引擎。看结果框：旁边的置信度是引擎自己的估计，低于 80% 左右的值得检查一下。需要就地修改，然后"复制"文字或"下载"为 .txt；"复制全部"和"全部下载"处理整批（多个文件打包成 ZIP）。

版面："自动"检测栏和区块，适合扫描页和照片；"单栏"把整张图当作一列文字，对聊天记录截图、代码和简单列表更稳。文档是 PDF 的话，先用PDF 转图片，一键把页面送到这里。歪斜的照片先过图片旋转和图片裁剪识别效果更好。

常见坑

OCR 识别的是印刷体；手写、花体字和杂乱背景上的文字会识别成乱码，任何浏览器工具都改变不了这一点。准确率主要取决于照片：让页面填满画面、放平、放正，光线均匀，避免阴影和反光，拖入前不要缩小图片——1200 万像素拍的 A4 页最理想，600 像素的缩略图没有希望。语言选错是产生乱码的另一大原因：日文页面按中文读、法文按英文读，都会得到看似合理的垃圾。

表格会变成没有格线的文字行；双栏排版在"单栏"模式下可能交错——这类用"自动"。周围没什么文字的数字（发票、水表读数）识别得不错，但永远值得核对，因为 6 和 8 对机器来说也很像。设备第一次使用要下载引擎和一个语言模型，需要联网一次；之后离线可用。手机上处理大批量会慢——每页几秒是正常的。

背景知识：文字是怎么被识别的

Tesseract 当前的引擎是一个 LSTM 神经网络，把一行像素当作序列读入、输出字符，每种语言分别用数百万行印刷文字训练。页面先做版面分析——文字块、行、词在哪里——再把每一行归一化到固定高度送进网络。这里用的模型是 tessdata_best 量化到 8 位整数的版本：准确率与全精度模型相同，体积只有几分之一，这才让自托管全部 12 种语言可行。

一切在 WebAssembly 里运行，浏览器支持时启用 SIMD 加速（当前所有浏览器都支持），放在 Worker 里页面依然流畅。预处理在页面的 canvas 上完成：转灰度去掉颜色噪声，小图放大到长边约 2000 像素，让字母落入网络训练时的尺寸范围。像素不发送到任何地方；引擎和模型缓存后页面离线也能用。

哪些场景需要图片转文字

从别人发来的截图里复制一段话。把拍下的白板、幻灯片或书页变成笔记。从扫描的信件或只有图片的老 PDF 里取出文字。从照片里提取地址、订单号或序列号。把收据和发票数字化做账。读出另一种文字的菜单、招牌或标签，粘贴进翻译器。让报错信息的截图可以搜索。从只有照片的论文里摘引文。

本站的流程是：需要的话先旋转、裁剪照片，在这里识别文字；PDF 先过PDF 转图片。文字核对完，照片可以用图片转 PDF合成文档。

常见问题