图片转文字
从照片、截图或扫描件里识别印刷文字，下载为.txt文件，或下载带每个文本块位置和置信度的JSON。
把文件拖到这里
.jpg, .jpeg, .png, .webp, .bmp, .gif, .avif · 最大100 MB
更多设置收起设置
如何提取文字
- 1
添加图片
支持JPG、PNG、WebP、BMP、GIF或AVIF，最多20个文件。格式从文件内容本身读取，所以扩展名写错了，也会交给正确的解码器。
- 2
选择文字的语言
大多数扫描件选一种语言就够了；页面确实混用多种语言时，再加第二种或第三种。每多一种语言，就要多下载一份数据，准确率也会略降。
- 3
点击“提取”，下载.txt
你会得到识别出的文字、字符数和平均置信度。需要坐标时，把输出切换为JSON。
浏览器里的文字识别能读什么，不能读什么
这里用的是Tesseract，也就是大多数开源文字识别（OCR）背后的引擎，它被编译成WebAssembly，在你的标签页里运行。它擅长印刷文字：书页、截图、发票、招牌、表单，以及任何用普通字体、字号适中的内容。它不擅长手写、高度花哨的艺术字、叠在复杂照片上的文字，以及斜着拍的内容。分辨率比文件大小更重要：一段文字清晰的1500像素宽截图，比在房间另一头用手机拍的同一段文字的千万像素照片更好识别。如果平均置信度低于30，工具会直接告诉你没有找到可读的内容，而不是给你一页看似合理的乱码。
预处理开关，什么时候有用
打开预处理后，图片先转为灰度，再用大津法（Otsu）二值化。这种方法根据图片自身的直方图选出黑白分界值，而不是用一个固定数字。对光线不均的翻拍页面、字迹很淡的小票和发灰的扫描件，效果提升很大，因为它去掉了识别器原本会试图解读的阴影。但对本来就很干净的文字、深色背景浅色文字的截图，以及彩色背景上的彩色文字，它反而有害：硬性二值化可能把字母整个抹掉。先不开预处理试一次，结果不满意时再打开。
纯文字，还是带坐标的文字
默认输出是纯.txt文件，换行和引擎看到的一致。选择JSON时，得到的是一个文本块数组，每个块包含识别出的文字、置信度，以及用四个数字表示的边界框：x、y、宽度和高度，单位是实际参与识别的那张图片的像素。想把结果高亮回原图、从表单里取出某个字段，或者查看是页面哪部分拉低了平均置信度时，要的就是这个。
图片和文字都不会上传
识别引擎和语言数据只下载一次，之后由浏览器缓存，后面的一切都在本地运行：图片在标签页里解码、在标签页里识别，文本文件也在标签页里生成。内容的任何部分都不会发送出去。当你要识别的是合同、工资单或身份证件时，这一点很重要。
常见问题
支持哪些语言？
英语、俄语、德语、法语、西班牙语、简体中文、阿拉伯语和日语。页面确实混用多种语言时，最多可以同时选三种，不过选对一种语言几乎总是比选两种更准确。
图片会发送到服务器吗？
不会。文字识别引擎是在你浏览器里运行的WebAssembly。唯一的网络流量，是一次性下载引擎和你所选语言的数据；图片和识别出的文字都留在你的设备上。
为什么第一次运行慢那么多？
因为第一次运行要下载约3 MB的引擎，再加上所选语言的数据，按语言不同在0.7到3 MB之间。浏览器会缓存这两者，所以第二次运行会立刻开始识别。
能识别手写字吗？
不可靠。这里的模型是用印刷字体训练的，手写内容要么识别错，要么低于置信度门槛。写得非常工整的大写印刷体有时可以；普通的连笔字不行。任何手写识别结果都只能当作需要核对的草稿，不能当作准确的转录。
没有识别出文字怎么办？
先打开预处理选项再试一次，大多数光线不均的情况都能解决。如果还是不行，通常是分辨率的问题：重新扫描或重新拍照，让字母至少有二十像素高。把图片裁剪到只剩文字，并选对语言，效果也比很多人想的要好。
分辨率要多高才能识别好？
让文字高约20到40像素，对普通文档扫描来说大约是300 DPI。低于这个值，字母开始粘连，准确率急剧下降。高于这个值，主要是多花时间：图片宽10000像素并不会更好识别，而且任何一边超过12000像素的图片，在识别前都会先缩小。
能得到每个词的位置吗？
能得到每个文本块的位置，这是引擎报告的单位：包括它的文字、置信度和以像素表示的边界框。把输出从纯文字改为JSON，下载的就是这个数组，而不是纯文本文件。
手机上能用吗？
能，但有两点要注意。第一次运行要通过你当前的网络下载好几MB的数据；手机上识别所需时间大约是笔记本电脑的三倍，所以一整页扫描件可能要半分钟。一切仍然在本地运行。
