图像 OCR：100+ 语言里从任何图片抽出文字（2026）
图像 OCR：100+ 语言里从任何图片抽出文字
你拍下一张日文餐厅菜单、德国路牌、手写讲座板、或者会计同事要数字化的那张格式怪异的发票——你想要里面的文字，可复制粘贴，不必手敲。这就是 OCR（光学字符识别）。到了 2026 年，它终于成熟到你可以在手机上、在浏览器里、用 100+ 种语言完成——而源图片不必上传到任何地方。
本文会讲清楚现代 OCR 的工作原理；什么时候用 Ai2Done 的 Image to Text 工具、什么时候用手机内置 OCR、什么时候用云 API；以及为什么对任何你不愿公开的东西——护照、身份证、名片、医疗文件、家谱研究等——OCR 都应该在本地完成的隐私推理。
TL;DR
- 用 Image to Text 工具：源图含敏感信息（证件、合同、医疗）时——100% 在浏览器内运行。
- 用 iOS 实况文本或 Google Lens：手机照片随手一拍一点即用——即时，但数据可能在云端处理。
- 用云 OCR（Google Cloud Vision、AWS Textract）：需要表格结构识别、手写、单次 50+ 页等特殊能力时。
- PDF 用 Extract Text 工具：它会自动判断 PDF 是文本型（无需 OCR）还是扫描型（运行 OCR）。
- 100+ 语言：现代 Tesseract 都支持；质量参差不齐（英中日韩近完美，低资源非洲与南亚文字波动较大）。
为什么这件事比看起来更难
从照片里读文字，对你的眼睛是日常；对计算机要同时解三个互相影响的问题：
- 检测：图像里哪里有文字？平展的文档扫描件答案是"到处都是"；但现实照片（餐厅菜单、斜着拿、日光灯下、半阴影、还压着彩色背景）里文字可能只占 5% 的像素，旋转 12°，还和背景重叠。
- 识别：这个字形是什么字符？大多数字体里大写"I"、小写"l"、数字"1"几乎相同；日文汉字 vs 简化中文是三十年的老难题，因为字形几乎一样、意义不同。
- 版面：字符以什么阅读顺序拼成词、行、段、列？多栏报纸或带表格的发票是一个独立的 ML 问题，与逐字符识别完全不同。
2010 年的朴素 OCR 库在干净的黑白文档上勉强搞定 (2)，在真实照片上 (1) 和 (3) 都失败。现代系统使用端到端深度学习——单个神经网络从图像吐出按阅读顺序排列的文字，隐式处理检测和版面。
浏览器端 OCR 的当前业界水准是 Tesseract 5（开源，由 Google 维护）+ LSTM 识别。支持 100+ 种语言，WebAssembly 下跑得很快，在最常用的 30 种语言上准确度可与商业方案媲美。
方法一：Ai2Done Image to Text（浏览器端、隐私优先）
Ai2Done Image to Text 工具 把 Tesseract.js（Tesseract 5 编译到 WebAssembly）包装成一个干净的 UI：
- 在任何现代浏览器中打开 /tools/image_to_text。
- 选语言——下拉 100+ 选项。多语言文档（如带英文品牌名的中文餐厅小票）可同时选多种语言。
- 上传图片——拖入 JPG、PNG、HEIC、WebP 或 BMP。也接受剪贴板粘贴（截图很方便）。
- 等待 2-15 秒——Tesseract 跑在你本机 CPU 上。首次使用会下载该语种模型（每种约 5 MB）；之后立即可用（缓存在浏览器）。
- 复制或下载——输出为纯文本；也可导出可搜索 PDF：OCR 层不可见但可选中，叠加在原图之上。
全程在你的浏览器里。图片、语言模型、抽取的文字都不接触服务器。对敏感文档（护照、医疗记录、银行流水），这是唯一安全的模式——每一家 OCR-as-a-service 至少出于调试目的保留你上传的图片，往往保留时间更长。
准确度小贴士：
- 源图最好相当于 300 DPI 以上（A4 大约 1500×2000 像素）。
- 能预先校正与裁剪就先做——Tesseract 容忍约 15° 旋转，对齐到位时表现远更好。
- 对低对比度扫描，工具有 "二值化" 开关，用 Otsu 方法转纯黑白——发黄或淡薄页面常能多 10-15% 准确度。
- 多栏版面：勾选 "检测多列"，让 Tesseract 不要横跨栏目读。
方法二：iOS 实况文本 / Google Lens（手机一键）
日常随手 OCR，手机内置的真的很神：
- iOS 实况文本（iOS 15+）：相机对准任何文字，点击取景器右下指示，再像在网页里一样选字。iPhone 11 及更新机型离线工作；更老的设备回退到云端。
- Google Lens（Android、Chrome、Google 相册）：同样流程，语言支持略广，默认云端运行，Pixel 设备上对敏感内容可选"端侧"。
非常适合"把菜单复制进翻译应用"或"从这张白板照片里发我朋友的电话"。对要落到可下载文本文件或 CSV 的场景，体验差——还得手动一段段复制到笔记应用里。
方法三：云 OCR API（需要规模或特殊能力时）
自动化流水线处理上千份文档，或要超出纯文本提取的能力时：
- Google Cloud Vision API——多语言支持出色、手写识别强、每 1000 张 $1.50。
- AWS Textract——表单和表格业界最强（返回结构化的键值对与表格单元格，而非纯文本）；按特性 $1.50-50 / 1000 页。
- Azure Computer Vision——综合扎实，与 Microsoft 365 工作流集成。
代价：每张图都发到第三方服务器、按其数据保留策略留存（一般 30 天调试用途）。非敏感数据的自动化业务流没问题。对护照、医疗记录、合同或任何个人内容，这是你可能不愿迈出的一步。
我们是怎么做的（技术细节）
- Tesseract.js 5.1——Tesseract 5 LSTM 编译到 WebAssembly。核心引擎约 1.5 MB（gzip），每种语言模型 5-20 MB。
- 按需加载语言——我们不发 100 种模型；浏览器只下载你选的语言。模型缓存在浏览器 HTTP 缓存，重载即时。
- Web Worker 线程池——批量 OCR 多张图时按
navigator.hardwareConcurrency - 1派发，UI 保持响应。 - 预处理管线——在交给 Tesseract 前可选地做去偏（Hough 变换）、二值化（Otsu）、对比度归一化。手机拍纸质文档时收益明显。
- 可搜索 PDF 导出——"OCR 叠加" 输出用
pdf-lib把原图与一层位于正确字符位置的不可见文本叠在一起。输出是真正的 PDF，任何阅读器都可打开、搜索、复制。
特别大的图（边长 >4000 px）我们在 OCR 前下采样到 2000 px。多数字体下 Tesseract 准确度在那个分辨率附近饱和，多出来的像素只是减速，并不提升输出。
常见问题
Q：支持手写体吗？ A：有限。Tesseract 5 对英文、阿拉伯文等少数语种有实验性手写模型，但真实手写最多 60-80%。认真做手写 OCR，Google Cloud Vision 或 Microsoft Azure Form Recognizer 仍明显更好。我们在跟踪 Tesseract 6（预计 2026 年末）将大幅升级手写。
Q：能直接 OCR 一份 PDF、不必先把每页截图吗？ A：能——用 Extract Text 工具。它打开 PDF、判断每页是文本型（直接提取）还是图像型（运行 OCR），并产出合并文本。
Q：我的中/日/韩 OCR 偶有奇怪字符替换，为什么？
A：CJK 语种里选对语言模型比欧洲语种重要得多。简繁中文共用许多字符但部分字形风格不同——给繁体文档选 chi_sim 会得到微妙错误的输出。请选具体变体（chi_sim、chi_tra、jpn、竖排日文 jpn_vert、kor）。
Q：实际准确度多少？ A：300 DPI 干净印刷文本、主流语种（英、法、西、德、中、日、韩、俄、阿）下，字符准确度 98-99.5%。常见光线下的手机照片 92-97%。低资源非洲或南亚文字偶有偏低——Tesseract 的训练数据不均衡。
Q：能从视频里抽文字吗？ A：本工具不行——它处理静态图。视频字幕请用 Audio to Text 工具（用浏览器端 Whisper）。要拿特定帧的文字，先截图再 Image to Text。
Q：照片斜拍能 OCR 吗？ A：约 15° 旋转内可以。严重倾斜（横过桌子拍）请打开 "自动去偏"。超过 30° 后效果迅速下降——先在相册应用里校正再做 OCR。
Q：表格结构数据呢——发票、电子表格？ A：Tesseract 返回纯文本、用空白和换行近似版面。要真正的表格单元结构（键值对、多栏财报），AWS Textract 明显更好，目前几乎是唯一合理选项。我们计划 2026 Q4 加浏览器端表格检测。
现在就试
几秒钟从任意图片中抽出文字：
拖入照片、选语言、得到文字。无上传、无注册、无水印。
相关阅读
- HEIC 转 JPG：在每种设备上的正确做法——OCR 前先把 iPhone 照片转格式
- PDF 转 JPG vs PDF 转 PNG——把 PDF 作为图像做 OCR
- Ai2Done 全工具一览
- 浏览全部图片工具与 OCR 工具
最后更新于 2026-06-14。Image to Text OCR 100% 在你的浏览器内通过 Tesseract.js 运行——你的图片永远不会离开设备。我们不收集、不记录、不分析你处理的任何文件。