JPG · PNG · WEBP · BMP，中英文混排OCR（Optical Character Recognition，光学字符识别）把图片里的文字变回可编辑、可搜索、可复制的字符串。本工具基于百度 PaddleOCR 的 PP-OCRv4 中文 mobile 模型，配合微软 ONNX Runtime 的 WebAssembly 后端，在浏览器里全本地完成检测与识别——原图与文字结果绝不发往任何服务器。
工作流程
- 拖入或粘贴图片——支持 PNG / JPG / WEBP / BMP，Ctrl+V 直接读剪贴板里的截图
- 首次需下载约 27 MB 模型（之后浏览器缓存，秒开）
- 检测网络找出所有文本框（DBNet）
- 识别网络逐框做 CTC 解码（CRNN）
- 结果区：图上标蓝框、右侧列出文本，点框 ↔ 点文本互相联动定位
适用与不适用
| 场景 | 准确率预期 |
|---|---|
| 印刷体（书页、文档、海报） | 95%+ |
| 屏幕截图（网页、App、报错） | 92%+ |
| 拍照清晰 + 略倾斜 | 85–92% |
| 拍照模糊 / 反光 / 强阴影 | 50–80% |
| 手写体（楷书工整） | 70–85% |
| 手写体（行/草） | < 50%，不推荐 |
| 艺术字、变形 logo | 不稳定 |
不识别数学公式（LaTeX 结构）、乐谱、条形/二维码——这些走专门工具更靠谱。识别表格会输出文本但不还原行列结构。
隐私与合规
- 不出网：模型权重从同源
/libs/paddle-ocr/加载，断网状态下也能跑（首次缓存后） - 不留痕：图片在浏览器内存里跑完即释放，刷新页面就清空
- 适合敏感场景：合同、票据、医疗单据、身份证扫描件——这些数据按规定不应上传第三方 SaaS
可以在 DevTools Network 面板里勾上”Disable cache”，识别过程中应当 0 个出站请求（首次会有 5 个对 /libs/paddle-ocr/* 的本站请求，之后命中缓存）。
为什么准确率不是 100%
OCR 本质是像素 → 字符的概率推断。模型在以下场景会失手：
- 字符尺寸 < 16 px：检测网络看不见
- 背景花纹与字干扰严重：彩色海报、表情包底图
- 字符变形大：艺术字、特殊字体、3D 立体字
- 字典外的字：模型字典 6622 字（GB2312 一二级 + 常用扩展），生僻汉字、化学符号、emoji 会被替换成形近字
需要更高准确率（如发票字段抽取、身份证 OCR）请用付费云服务（百度/腾讯/阿里云 OCR），它们有针对发票、身份证等垂直场景的专门模型 + 后处理校验。本工具定位是通用、隐私安全、零成本。
已知限制
- 单线程 WASM 后端，不开 WebGPU——长截图（>2000 px）可能 5–15 秒
- 不带方向纠正——大角度倾斜（>15°）请先用截图工具拉正
- 不返回坐标信息的 JSON 导出——v1 仅支持复制文本，导出 JSON/SRT 等需求请反馈
📍使用场景
- 把图片里的中文字搬出来拍下的合同/书页/海报截图，需要把里面的文字摘出来编辑或翻译，传统选中复制不可行，用 OCR 一键提取。
- 截图里的代码报错信息朋友丢来一张报错截图，把报错信息复制到搜索引擎前要先转成文字。框选定位还能确认是哪一行。
- 处理含敏感信息的合同/票据发票、身份证、合同扫描件含敏感字段，规避公网 OCR 服务上传风险，本工具浏览器内推理不出网。
- 提取表情包/海报里的金句看到一句喜欢的话只有图片，OCR 出来作为引文或转发文字版，比手敲快也避免抄错。
❓常见问题
识别准确率怎么样？
中等偏上。使用百度 PaddleOCR 的 PP-OCRv4 中文 mobile 模型，常见印刷体、屏幕截图、清晰拍照可达 90%+ 字符准确率。手写、艺术字体、严重模糊或反光会明显下降。中英文混排、繁体、数字符号一并支持，但不识别公式、乐谱。
为什么首次要下载 27 MB？
模型权重 + ONNX 运行时是真正干活的二进制：检测模型 4.5 MB、识别模型 10.3 MB、字符表 26 KB、ONNX wasm 12 MB。完成后浏览器会长期缓存这些静态文件，下次打开秒开，不再重新下载。
图片真的不上传吗？
不上传。模型权重从本站静态目录加载，推理在浏览器 WebAssembly 里跑，原图、文字结果完全不离开你的电脑。可以打开 DevTools Network 面板验证：识别过程中无任何对外请求。适合处理含敏感信息的合同、票据、身份证。
为什么有的字识别错了？
常见原因：(1) 字太小——文字高度建议 ≥ 20 px，太小可先放大或裁切；(2) 反差不够——白底黑字最佳，复杂背景或彩色底字易丢；(3) 倾斜/扭曲——大角度倾斜先用截图工具拉正；(4) 罕见字/异体字——字典外的字（如部分繁体、化学符号）会被识别成形近字。同一段先排除前三类，再考虑字符集问题。
为什么处理一张图要好几秒？
检测 + 识别两段流水线在主线程上跑：检测找出所有文本框（约 0.5–2 秒），识别再逐框抽字符（每框约 50–200 ms，框越多越慢）。500 字以内通常 2–5 秒完事；超大全屏长截图可能十几秒，建议先截切到关注的区域。我们没用 GPU/WebGPU 加速以保证 Safari 兼容性。
为什么有的图识别完一片空白？
检测网络一个文本框都没找出来。常见情况：(1) 字太小（< 16 px）；(2) 字与背景对比度太低（淡灰底浅灰字、半透明水印）；(3) 整张图远小于 320 px 短边——模型检测分辨率是 640 × N，太小会被先放大、噪声放大盖过文字。先用图片放大 2 × 再扔进来通常就好了。