Bild in Text umwandeln

Lesen Sie gedruckten Text aus einem Foto, Screenshot oder Scan aus und laden Sie ihn als .txt-Datei herunter – oder als JSON mit Position und Erkennungssicherheit jedes Textblocks.

Dateien hier ablegen

.jpg, .jpeg, .png, .webp, .bmp, .gif, .avif · bis 100 MB

Dateien auswählen

Sprache des Texts

Weitere Einstellungen

Zweite SpracheSeitenlayoutAusgabeVorverarbeiten (Graustufen und Schwellenwert)

Text extrahieren: So geht’s

1
Bild hinzufügen
JPG, PNG, WebP, BMP, GIF oder AVIF, bis zu 20 Dateien. Das Format wird aus der Datei selbst gelesen. Auch mit falscher Endung landet sie deshalb im richtigen Decoder.
2
Sprache des Texts wählen
Für die meisten Scans genügt eine Sprache. Eine zweite oder dritte fügen Sie hinzu, wenn eine Seite die Sprachen tatsächlich mischt. Jede weitere Sprache kostet einen Download und etwas Genauigkeit.
3
Text extrahieren und .txt herunterladen
Sie erhalten den erkannten Text, die Zeichenzahl und die durchschnittliche Erkennungssicherheit. Brauchen Sie auch Koordinaten, stellen Sie die Ausgabe auf JSON um.

Was OCR im Browser lesen kann und was nicht

Hier arbeitet Tesseract, dieselbe Engine, auf der die meisten Open-Source-Programme für OCR aufbauen. Sie ist nach WebAssembly kompiliert und läuft direkt in Ihrem Tab. Stark ist sie bei gedrucktem Text: Buchseiten, Screenshots, Rechnungen, Schilder, Formulare – alles, was in einer normalen Schrift und in vernünftiger Größe gesetzt ist. Schwach ist sie bei Handschrift, bei stark stilisierten Zierschriften, bei Text über unruhigen Fotos und bei allem, was schräg fotografiert wurde. Die Auflösung zählt mehr als die Dateigröße: Ein scharfer Screenshot eines Absatzes mit 1500 Pixeln Breite liest sich besser als ein Smartphone-Foto mit zehn Megapixeln, das denselben Absatz vom anderen Ende des Raums zeigt. Liegt die durchschnittliche Erkennungssicherheit unter 30, meldet das Tool, dass es nichts Lesbares gefunden hat, statt Ihnen eine Seite plausibel wirkenden Unsinns zu liefern.

Der Schalter „Vorverarbeiten“ und wann er hilft

Mit eingeschalteter Vorverarbeitung wird das Bild in Graustufen umgewandelt und anschließend mit dem Otsu-Verfahren per Schwellenwert in Schwarz und Weiß getrennt. Das Verfahren wählt die Grenze zwischen Schwarz und Weiß anhand des Histogramms des Bildes selbst, nicht anhand einer festen Zahl. Das bringt viel bei abfotografierten Seiten mit ungleichmäßiger Beleuchtung, bei blassen Kassenbons und bei grauen Scans, denn es entfernt die Schattierungen, die die Erkennung sonst zu deuten versuchen würde. Es schadet bei Text, der schon sauber ist, bei Screenshots mit heller Schrift auf dunklem Grund und bei farbigem Text auf farbigem Hintergrund: Dort kann eine harte Schwelle die Buchstaben vollständig löschen. Probieren Sie die Vorverarbeitung aus, wenn der normale Durchlauf Sie enttäuscht, nicht vorher.

Nur Text oder Text mit Koordinaten

Standardmäßig erhalten Sie eine einfache .txt-Datei mit denselben Zeilenumbrüchen, die die Engine gesehen hat. Die JSON-Option liefert stattdessen ein Array von Blöcken, jeder mit dem erkannten Text, seiner Erkennungssicherheit und einem Begrenzungsrahmen aus vier Zahlen: x, y, Breite und Höhe in Pixeln des Bildes, das tatsächlich erkannt wurde. Das brauchen Sie, um Treffer auf dem Original hervorzuheben, ein einzelnes Feld aus einem Formular zu ziehen oder um zu prüfen, welcher Teil der Seite die durchschnittliche Erkennungssicherheit nach unten gezogen hat.

Weder Bild noch Text werden hochgeladen

Die Erkennungs-Engine und die Sprachdaten werden einmal heruntergeladen und dann im Cache Ihres Browsers gespeichert. Alles Weitere läuft lokal: Ihr Bild wird im Tab decodiert, im Tab erkannt, und auch die Textdatei entsteht im Tab. Nichts über den Inhalt wird irgendwohin gesendet – wichtig, wenn Sie gerade einen Vertrag, eine Gehaltsabrechnung oder einen Ausweis auslesen.

Häufige Fragen

Welche Sprachen werden unterstützt?

Englisch, Russisch, Deutsch, Französisch, Spanisch, vereinfachtes Chinesisch, Arabisch und Japanisch. Für wirklich gemischte Seiten können Sie bis zu drei Sprachen gleichzeitig kombinieren, doch eine einzige richtige Sprache ist fast immer genauer als zwei.

Wird mein Bild an einen Server gesendet?

Nein. Die OCR-Engine ist WebAssembly und läuft in Ihrem Browser. Der einzige Netzwerkverkehr ist der einmalige Download der Engine und der gewählten Sprachdaten; das Bild und der erkannte Text bleiben auf Ihrem Gerät.

Warum dauert der erste Durchlauf so viel länger?

Weil beim ersten Durchlauf die Engine heruntergeladen wird, rund 3 MB, dazu die Daten Ihrer Sprache, je nach Sprache zwischen 0,7 und 3 MB. Ihr Browser speichert beides im Cache, deshalb beginnt die Erkennung beim zweiten Durchlauf sofort.

Erkennt das Tool Handschrift?

Nicht zuverlässig. Die Modelle hier sind auf gedruckte Schrift trainiert, und Handschrift kommt entweder falsch oder unterhalb der Schwelle für die Erkennungssicherheit zurück. Sehr saubere Blockbuchstaben funktionieren manchmal, gewöhnliche Schreibschrift nicht. Behandeln Sie jedes handschriftliche Ergebnis als Entwurf, den Sie prüfen müssen, nie als fertige Abschrift.

Was mache ich, wenn kein Text gefunden wird?

Schalten Sie zuerst die Vorverarbeitung ein und versuchen Sie es erneut; das behebt die meisten Fälle mit ungleichmäßiger Beleuchtung. Hilft das nicht, liegt es meist an der Auflösung: Scannen oder fotografieren Sie neu, sodass die Buchstaben mindestens zwanzig Pixel hoch sind. Auch das Zuschneiden auf den reinen Text und die passende Sprache helfen mehr, als man erwartet.

Welche Auflösung brauche ich für ein gutes Ergebnis?

Zielen Sie auf Text, der etwa 20 bis 40 Pixel hoch ist; das entspricht ungefähr 300 DPI bei einem normalen Dokumentenscan. Darunter verschmelzen die Buchstaben, und die Genauigkeit fällt steil ab. Darüber zahlen Sie vor allem mit Zeit: Ein Bild wird nicht lesbarer, weil es 10000 Pixel breit ist, und alles über 12000 Pixel an einer Seite wird vor der Erkennung ohnehin verkleinert.

Kann ich die Position jedes Wortes bekommen?

Sie erhalten die Position jedes Blocks, denn das ist die Einheit, die die Engine meldet: seinen Text, seine Erkennungssicherheit und seinen Begrenzungsrahmen in Pixeln. Wählen Sie die JSON-Ausgabe statt reinem Text, dann ist der Download genau dieses Array und keine flache Textdatei.

Funktioniert das auf dem Handy?

Ja, mit zwei Einschränkungen. Beim ersten Durchlauf müssen mehrere Megabyte über Ihre aktuelle Verbindung geladen werden, und die Erkennung dauert auf einem Smartphone etwa dreimal so lange wie auf einem Laptop. Ein ganzseitiger Scan kann daher eine halbe Minute brauchen. Trotzdem läuft alles lokal.