如何使用图片转文字 - 完整 OCR 指南

欢迎使用我们图片转文字功能的综合指南。这个强大的 OCR(光学字符识别)工具允许您从图片中提取文本而无需翻译,非常适合转录、数据录入和文本数字化任务。

概述

图片转文字功能专为需要快速准确地从图片中提取可读文本的用户设计。与翻译功能不同,此工具专注于纯文本提取,由 Google 先进的 Gemini AI 模型驱动,支持多种语言,并根据您的质量和预算需求提供灵活的模型选择。

功能概览

• 先进的 OCR 技术:由 Google Gemini AI 模型驱动,准确度高
• 多语言支持:提取 Gemini 模型支持的任何语言的文本
• 三种模型等级:在 Flash Lite、Flash 和 Pro 模型之间根据质量和成本选择
• 灵活的积分定价:根据模型选择每张图片 1-3 个积分
• 多种上传方式:拖放或文件浏览器上传
• 即时结果:快速文本提取并提供详细统计信息
• 复制到剪贴板:一键快速复制提取的文本
• 处理元数据:关于 OCR 置信度和性能的详细信息

---

了解模型选项

在提取文本之前,了解三种可用的 Gemini 模型以及何时使用每种模型非常重要:

模型对比

何时选择每种模型

Flash Lite(1 个积分):

• 干净背景上的打印文本
• 收据和简单表单
• 街道标识和基本标签
• 成本效率优先时
• 非关键任务的快速文本提取

Flash(2 个积分) - 推荐默认选项:

• 混合内容(文本 + 图片)
• 带格式的文档
• 产品标签和包装
• 大多数通用 OCR 任务
• 质量和成本之间的平衡

Pro(3 个积分):

• 手写文本
• 复杂的多列布局
• 低质量或模糊的图片
• 密集文本带小字体
• 关键准确性要求

---

分步使用指南

步骤 1:配置 OCR 设置

第一步卡片允许您配置语言和模型偏好。

1.1 选择输出语言

图标:Languages 图标

目的:选择提取文本输出的语言

使用方法:

1. 点击"输出语言"下拉菜单
2. 浏览可用语言
3. 选择您首选的语言

重要说明:

• 输出语言自动与您的网站语言设置同步
• 您可以手动覆盖此选择
• 输出语言决定文本的格式化和呈现方式
• 这不会翻译文本 - 它仅影响文本格式

可用输出语言(16 种语言):

• 阿拉伯语(ar)
• 德语(de)
• 英语(en)
• 西班牙语(es)
• 法语(fr)
• 意大利语(it)
• 日语(ja)
• 韩语(ko)
• 波兰语(pl)
• 葡萄牙语(pt)
• 俄语(ru)
• 简体中文(zh)
• 等等...

1.2 选择 OCR 模型

图标:带模型信息的 Sparkles 图标

目的:选择最适合您需求的 AI 模型

使用方法:

1. 查看显示为卡片的三个模型选项
2. 每张卡片显示:
   • 模型名称:Gemini 2.5 Flash Lite / Flash / Pro
   • 积分成本:每张图片 1、2 或 3 个积分
   • 速度指示器:快、更快、最快
   • 质量指示器:好、更好、最佳
3. 点击卡片以选择您首选的模型
4. 您的选择用蓝色边框高亮显示
5. 积分成本清楚地显示

模型选择技巧:

• 从 Flash 开始:中间层级(2 个积分)适用于大多数用例
• 升级到 Pro:当准确性至关重要或图片质量较差时
• 降级到 Flash Lite:对于干净背景上的简单、清晰文本
• 先测试:在一张图片上尝试 Flash Lite,看看质量是否满足您的需求

积分成本显示:

• 在模型卡片下方显示积分成本(例如 "2 个积分每张图片")
• 当您更改模型选择时实时更新
• 帮助您在处理前预算积分使用

模型偏好保存:

• 您的模型选择保存到浏览器本地存储
• 下次访问时,您首选的模型已预选
• 输出语言始终与网站语言同步(不保存)

---

步骤 2:上传图片

第二步卡片为您的图片提供灵活的上传选项。

2.1 上传方法

方法 A:拖放(推荐)

图标:Upload 图标

上传图片的最快方式:

1. 选择图片:

   • 打开文件浏览器
   • 找到您想要提取文本的图片文件
   • 将文件拖到上传区域

2. 放置区行为:

   • 当您将文件拖到上传区域时,该区域会高亮显示
   • 放下文件以添加它
   • 文件立即验证并显示预览

提示:拖放区域很大,易于定位。

方法 B:点击浏览

图标:Upload 图标

传统的文件选择方法:

1. 点击上传区域的任何位置
2. 文件浏览器打开
3. 导航到您的图片文件
4. 点击"打开"以上传

上传限制

• 最大文件大小:每张图片 7MB
• 文件格式:PNG、JPG、JPEG、WebP、HEIC、HEIF
• 单张图片:一次一张图片(无批量处理)

错误处理:

• 不支持的格式会被拒绝,并显示清晰的错误消息
• 超大文件会显示大小信息和允许的最大大小
• 文件验证在上传前进行

格式说明:

• HEIC/HEIF 支持:支持 iOS 照片
• WebP 推荐:现代格式,压缩效果最佳
• JPG/PNG:通用兼容性

---

步骤 3:查看上传预览

上传后,您将看到图片的预览以及文件信息。

3.1 预览卡片

显示:

1. 图片缩略图:上传图片的可视预览
2. 文件名:上传文件的名称
3. 文件大小:以 MB 为单位的大小(例如,"3.45 MB")
4. 格式徽章:文件类型指示器

3.2 替换图片

图标:X(关闭)按钮

使用方法:

1. 点击预览右上角的 X 按钮
2. 图片被删除
3. 上传区域重新出现
4. 如有需要可上传不同的图片

用例:如果您上传了错误的文件或想尝试不同的图片,请替换图片。

---

步骤 4:开始文本提取

上传图片并配置设置后,提取文本。

4.1 启动 OCR 处理

按钮:"开始 OCR"带 Sparkles 图标

使用方法:

1. 确保您已:

   • 选择输出语言
   • 选择 OCR 模型(Flash、Flash Lite 或 Pro)
   • 上传图片

2. 查看按钮下方显示的积分成本:

   • 显示根据所选模型的积分数量
   • 例如:Flash 模型为"每张图片 2 个积分"

3. 点击"开始 OCR"按钮

4. 处理流程:

   阶段 1 - 上传图片(2-5 秒)

   • 您的图片被安全上传到云存储
   • 进度指示器显示上传状态
   • 按钮文本变为"上传中..."带加载器动画

   阶段 2 - 使用 AI 处理(5-15 秒)

   • Gemini AI 模型分析图片
   • 检测并提取文本区域
   • 保留布局和格式
   • 按钮文本显示"处理中..."带加载器动画

处理时间:

• Flash Lite:5-8 秒(最快)
• Flash:8-12 秒(中等)
• Pro:10-15 秒(最彻底)

积分使用: 每次 OCR 操作根据模型消耗 1-3 个积分:

• Flash Lite:1 个积分
• Flash:2 个积分
• Pro:3 个积分

处理期间会发生什么:

1. 图片上传到安全的 R2 存储
2. Gemini AI 模型接收图片
3. OCR 分析检测文本区域
4. 提取文本并带置信度分数
5. 结果被格式化并返回
6. 您被重定向到结果视图

---

步骤 5:查看提取的文本结果

处理完成后,您将看到一个综合结果视图,包含提取的文本和详细统计信息。

5.1 提取的文本显示

主内容区域:

卡片元素:

1. 提取的文本框:

   • 白色背景,排版清晰
   • 等宽字体,准确表示文本
   • 为长文本内容启用滚动
   • 保留换行符和间距
   • 只读文本区域

2. 文本信息:

   • 字符数:提取的字符总数
   • 单词数:单词总数(以空格分隔)
   • 行数:行总数

文本格式:

• 保留原始换行符
• 尽可能保留间距和缩进
• 多列布局转换为线性文本
• 尊重文本方向(LTR/RTL)

5.2 处理统计信息

图标:Clock 图标、Star 图标、Badge 图标

显示的指标:

1. 处理时间:

   • 图标:Clock
   • 显示 OCR 所用时间(例如,"3.2秒")
   • 简单图片的时间更快

2. 使用的模型:

   • 图标:Sparkles
   • 显示处理图片的 Gemini 模型
   • 例如:"Gemini 2.5 Flash"

3. 输出语言:

   • 图标:Languages
   • 显示选定的输出语言
   • 例如:"English"或"简体中文"

4. 使用的积分:

   • 图标:Star
   • 显示此操作的积分成本
   • 例如:Flash 模型为"2 个积分"

其他元数据(如果可用):

• OCR 置信度分数
• 检测到的文本区域数量
• 处理的图片尺寸

---

步骤 6:对结果采取行动

6.1 复制提取的文本

按钮:"复制文本"带 Copy 图标

使用方法:

1. 点击"复制文本"按钮
2. 所有提取的文本被复制到您的剪贴板
3. 按钮文本变为"已复制!"带勾号图标
4. 2 秒后返回"复制文本"
5. 将文本粘贴到您需要的任何位置(Ctrl+V 或 Cmd+V)

用例:

• 粘贴到文档(Word、Google Docs、Notion)
• 导入到电子表格进行数据录入
• 转移到翻译工具
• 保存到文本文件
• 通过电子邮件或消息应用发送

键盘快捷键:您也可以手动选择文本并使用 Ctrl+C(Windows)或 Cmd+C(Mac)复制

6.2 下载原始图片

按钮:"下载图片"带 Download 图标

使用方法:

1. 点击"下载图片"按钮
2. 下载原始上传的图片
3. 文件名格式:ocr-source-[时间戳].webp

用例:

• 存档源图片
• 与提取的文本进行比较
• 与团队成员共享原件
• 保留已处理图片的记录

文件格式:WebP(高质量,小文件大小)

6.3 提取新图片

按钮:"提取新图片"带 RefreshCw 图标

使用方法:

1. 点击"提取新图片"按钮
2. 您返回上传表单
3. 您的设置(模型和语言)被保留
4. 上传区域被重置
5. 开始新的 OCR 操作

用例:

• 顺序处理多张图片
• 使用相同设置尝试不同的图片
• 跨图片比较 OCR 结果
• 批量处理工作流程(一次一张)

---

高级功能

图片质量优化

为获得最佳 OCR 结果,请考虑以下图片质量因素:

分辨率和大小

• 最小:1000 像素宽
• 推荐:1500+ 像素宽
• 最大文件大小:7MB
• 最佳格式:文本用 PNG,照片用 JPG

照明和对比度

• 良好照明:确保文本清晰可见
• 高对比度:浅色背景上的深色文本(反之亦然)
• 避免眩光:文本上没有反射或亮点
• 均匀照明:整个图片的一致照明

文本清晰度

• 清晰对焦:避免模糊或失焦的图片
• 直线对齐:尽可能水平对齐文本
• 无失真:最小化倾斜、旋转或透视失真
• 干净背景:删除文本区域周围的杂乱

支持的文本类型

效果最佳

• 打印文本:印刷文档、书籍、屏幕
• 产品标签:包装、标签、贴纸
• 街道标识:交通标识、商店标识、横幅
• 收据:购买收据、发票、表单
• 屏幕截图:软件界面、网页
• 扫描文档:PDF、办公文档

具有挑战性的场景

• 手写文本:使用 Pro 模型获得最佳结果
• 艺术字体:装饰性或风格化字体可能准确度较低
• 小文本:放大或使用更高分辨率的图片
• 重叠文本:分离的文本区域效果更好
• 垂直文本:某些语言处理垂直文本比其他语言更好

语言支持

OCR 引擎支持提取 100+ 种语言的文本,包括:

拉丁文字:

• 英语、西班牙语、法语、德语、意大利语、葡萄牙语
• 荷兰语、波兰语、土耳其语、捷克语、罗马尼亚语
• 以及更多欧洲语言

亚洲语言:

• 中文(简体和繁体)
• 日语(汉字、平假名、片假名)
• 韩语(韩文)
• 泰语、越南语、印尼语

其他文字:

• 阿拉伯语、希伯来语(RTL 语言)
• 俄语、乌克兰语、希腊语(西里尔和希腊文字)
• 印地语、孟加拉语、泰米尔语(印度文字)

多语言检测:

• 自动检测一张图片中的多种语言
• 从混合语言内容中提取文本
• 保留语言边界

---

工作流程示例

示例 1:收据数据录入(Flash Lite 模型)

场景:从超市收据中提取文本用于费用跟踪

步骤:

1. 配置:

   • 输出语言:简体中文
   • 模型:Gemini 2.5 Flash Lite(1 个积分)
   • 原因:收据有清晰的打印文本

2. 上传:

   • 用智能手机拍摄收据照片
   • 转移到计算机或直接上传
   • 文件大小:~2MB(远低于 7MB 限制)

3. 处理:

   • 点击"开始 OCR"
   • 处理时间:~6 秒
   • Flash Lite 完美处理清晰的打印文本

4. 结果:

   • 提取的文本显示:
     • 商店名称和地址
     • 购买日期和时间
     • 带价格的明细列表
     • 付款方式
     • 总金额

5. 操作:

   • 点击"复制文本"
   • 粘贴到费用跟踪电子表格
   • 验证金额与收据匹配
   • 存档收据图片以供记录

结果:以 1 个积分准确提取文本,非常适合日常数据录入。

---

示例 2:书页转录(Flash 模型)

场景:数字化印刷书籍的一页用于记笔记

步骤:

1. 配置:

   • 输出语言:简体中文
   • 模型:Gemini 2.5 Flash(2 个积分)
   • 原因:书籍有密集的文本和各种格式

2. 上传:

   • 扫描或拍摄书页
   • 确保良好的照明和对焦
   • 文件大小:~4MB

3. 处理:

   • 点击"开始 OCR"
   • 处理时间:~10 秒
   • Flash 模型处理多列布局

4. 结果:

   • 提取的文本包括:
     • 主体段落
     • 标题和子标题
     • 脚注和页码
     • 字符数:~2,500
     • 单词数:~450

5. 操作:

   • 点击"复制文本"
   • 粘贴到笔记应用(Notion、Evernote)
   • 格式化和组织笔记
   • 添加个人注释

结果:以 2 个积分获得高质量转录,保留文本流程。

---

示例 3:手写笔记(Pro 模型)

场景:从手写会议笔记中提取文本以与团队分享

步骤:

1. 配置:

   • 输出语言:简体中文
   • 模型:Gemini 2.5 Pro(3 个积分)
   • 原因:手写需要最高准确度

2. 上传:

   • 拍摄手写笔记
   • 使用良好的照明和稳定的相机
   • 确保手写清晰易读
   • 文件大小:~3MB

3. 处理:

   • 点击"开始 OCR"
   • 处理时间:~14 秒
   • Pro 模型的先进识别处理手写

4. 结果:

   • 提取的文本捕获:
     • 会议议程项目
     • 行动项目和负责人
     • 关键讨论要点
     • 日期和截止日期
   • 不清楚的手写预计会有一些错误

5. 操作:

   • 点击"复制文本"
   • 粘贴到共享文档
   • 手动审查和纠正任何误识
   • 与团队成员分享

结果:以 3 个积分获得最佳手写识别,建议进行人工审查。

---

示例 4:多语言文档(Flash 模型)

场景:从双语产品手册中提取混合中英文文本

步骤:

1. 配置:

   • 输出语言:简体中文(或英语,不影响提取)
   • 模型:Gemini 2.5 Flash(2 个积分)
   • 原因:混合语言需要强大的模型

2. 上传:

   • 扫描带有两种语言的手册页
   • 文件大小:~5MB

3. 处理:

   • 点击"开始 OCR"
   • 处理时间:~11 秒
   • Gemini 自动检测两种语言

4. 结果:

   • 提取的文本包括:
     • 英文说明
     • 中文翻译
     • 产品规格
     • 两种语言的警告标签
   • 语言按原始布局顺序保留

5. 操作:

   • 复制文本用于翻译验证
   • 将提取的文本与原始文本进行比较
   • 用于本地化质量保证

结果:以 2 个积分准确提取多语言。

---

获得最佳结果的技巧

图片准备

1. 使用高分辨率:

   • 至少 1000 像素宽
   • 小文本首选 1500+ 像素
   • 更高分辨率 = 更好准确度

2. 确保良好照明:

   • 自然光效果最佳
   • 避免文本上的阴影
   • 无刺眼眩光或反射
   • 整个图片的一致照明

3. 拉直图片:

   • 尽可能保持文本水平
   • 最小倾斜或旋转
   • 如果使用智能手机,使用网格对齐

4. 干净背景:

   • 拍照时删除杂乱
   • 纯色背景效果最佳
   • 避免文本后面的繁忙图案

5. 清晰对焦:

   • 使用相机自动对焦
   • 点击聚焦文本区域(智能手机)
   • 避免运动模糊
   • 使用三脚架或稳定表面

模型选择策略

1. 从 Flash(默认)开始:

   • 质量和成本的良好平衡
   • 适用于 80% 的用例
   • 每张图片 2 个积分

2. 降级到 Flash Lite:

   • 当文本非常清晰和简单时
   • 干净背景上的打印文本
   • 当处理许多图片且积分有限时
   • 先测试一张图片以验证质量

3. 升级到 Pro:

   • 当 Flash 结果不令人满意时
   • 用于手写文本
   • 用于复杂布局(表格、多列)
   • 用于关键准确性要求
   • 当图片质量较差时

4. 测试和迭代:

   • 首先在一张图片上尝试 Flash Lite
   • 如果质量不足,升级到 Flash
   • 仅在 Flash 不够准确时使用 Pro
   • 这样可以节省积分同时保持质量

文本提取优化

1. 审查提取的文本:

   • 始终通读提取的文本
   • 检查缺失的部分
   • 验证数字和日期是否准确
   • 查找误识字符

2. 处理错误:

   • 常见误识:0/O、1/I/l、5/S
   • 手动更正关键信息
   • 注意错误模式以便将来改进图片

3. 策略性地使用复制:

   • 首先复制所有文本
   • 粘贴到编辑器进行更正
   • 保留原始图片以供参考
   • 直观比较以发现错误

4. 批量处理工作流程:

   • 逐一处理多张图片
   • 在图片之间使用"提取新图片"按钮
   • 保持模型设置一致
   • 跟踪哪些图片已处理

---

故障排除

常见问题和解决方案

问题:"未检测到文本"

可能原因:

• 图片不包含可读文本
• 文本太小或模糊
• 图片质量非常低
• 使用 Flash Lite 的手写文本

解决方案:

1. 验证图片实际包含文本
2. 检查文本对人眼是否清晰可见
3. 尝试更高分辨率的图片
4. 对于具有挑战性的文本,升级到 Flash 或 Pro 模型
5. 确保良好的照明和对焦

问题:"文件大小太大(最大 7MB)"

可能原因:

• 来自相机的高分辨率照片
• 未压缩的图片格式
• 非常大的图片尺寸

解决方案:

1. 上传前压缩图片:
   • 使用在线工具(TinyPNG、Squoosh)
   • 将尺寸调整为合理大小(1500-2000px 宽)
   • 转换为 JPG 或 WebP 格式
2. 从图片中裁剪不必要的区域
3. 稍微降低图片质量(通常 90% 质量就足够了)

问题:"不支持的文件格式"

可能原因:

• 文件不是图片格式
• 使用 PDF、TIFF 或其他文档格式

解决方案:

• 仅使用支持的格式:PNG、JPG、JPEG、WebP、HEIC、HEIF
• 使用图片转换器转换不支持的格式
• 如果需要,截图 PDF 页面(然后处理截图)

问题:"提取的文本乱码或不正确"

可能原因:

• 对复杂文本使用 Flash Lite
• 使用不足模型等级的手写文本
• 低图片质量(模糊、低对比度)
• 不寻常的字体或艺术文本
• 语言检测不正确

解决方案:

1. 升级到 Flash 或 Pro 模型
2. 使用更高质量的图片:
   • 更好的照明
   • 更高分辨率
   • 更清晰的对焦
3. 对于手写文本,始终使用 Pro 模型
4. 验证图片方向是否正确
5. 裁剪以聚焦主要文本区域

问题:"提取的文本缺少部分"

可能原因:

• 图片边界外的文本区域
• 未检测到非常小的文本
• 低对比度文本(白色上的灰色)
• 被阴影或眩光遮挡的文本

解决方案:

1. 确保整个文本区域在图片中可见
2. 提高图片分辨率
3. 改善照明以获得更好的对比度
4. 尝试 Pro 模型以获得更好的区域检测
5. 如有需要,分别处理各个部分

问题:"处理非常慢"

可能原因:

• 大图片文件大小
• 使用 Pro 模型(自然较慢)
• 高服务器负载

解决方案:

1. 将图片压缩到较小的文件大小
2. Flash Lite 比 Pro 处理更快
3. 在非高峰时段重试
4. 检查您的互联网连接速度

问题:"积分不足"

解决方案:

• 访问定价购买更多积分
• 订阅具有每月积分的计划
• 免费套餐提供 10 个积分/月
• 考虑日常任务使用 Flash Lite(1 个积分)

问题:"布局/格式丢失"

说明:

• OCR 提取纯文本,而不是格式
• 多列布局变为线性文本
• 表格转换为文本序列
• 视觉间距可能无法完美保留

解决方案:

• 提取后手动重新格式化文本
• 对于复杂布局,考虑:
  • 分别处理各个部分
  • 使用专用表格 OCR 工具
  • 手动重建结构

---

OCR 的积分系统

积分工作方式

• Flash Lite 模型:每张图片 1 个积分
• Flash 模型:每张图片 2 个积分
• Pro 模型:每张图片 3 个积分

积分套餐

免费套餐:

• 10 个积分/月
• 访问所有三个模型
• 适合偶尔使用

专业计划:

• 专业计划:800 个积分/月
• 企业计划:2,000 个积分/月
• 包括其他平台功能

一次性积分购买:

• 可用于按需付费用户
• 积分永不过期
• 从定价页面购买

积分效率技巧

1. 先使用 Flash Lite 测试:

   • 在一张图片上尝试 Flash Lite(1 个积分)
   • 如果质量好,对类似图片使用它
   • 与其他模型相比节省 50-66% 的积分

2. 匹配模型到任务:

   • 不要对简单收据使用 Pro
   • 不要对手写使用 Flash Lite
   • 正确的模型 = 更好的结果,更少的重试

3. 首先优化图片:

   • 良好的图片质量意味着需要较低的模型等级
   • 一次 Pro 尝试(3 积分)vs. Flash(2 积分)+重拍 = 相同成本
   • 投资时间在图片质量上以节省积分

4. 跟踪您的使用:

   • 在标题中监控积分余额
   • 注意哪个模型适用于哪个任务
   • 为您的工作量计划积分购买

---

对比:OCR vs 翻译

何时使用图片转文字(OCR)

• 目的:仅提取文本,无翻译
• 最适合:
  • 数据录入和数字化
  • 印刷材料的转录
  • 文本存档
  • 复制粘贴工作流程
  • 文本分析和处理
  • 从图片创建可搜索文本

何时使用图片翻译

• 目的:提取和翻译文本
• 最适合:
  • 外语文档
  • 漫画和连环画
  • 国际产品标签
  • 多语言标识
  • 跨语言内容适配

功能对比

工作流程集成

典型工作流程:

1. 先 OCR,然后翻译:

   • 使用图片转文字提取文本
   • 复制提取的文本
   • 粘贴到翻译工具进行编辑
   • 当您需要在翻译前编辑时最佳

2. 直接翻译:

   • 使用图片翻译器获得即时翻译的图片
   • 当布局保留至关重要时最佳
   • 非常适合漫画、标识、营销材料

---

获取帮助

文档

• 单张图片翻译器:首页指南
• 批量翻译器:批量翻译器指南
• 漫画翻译器:漫画翻译器指南

支持渠道

• 常见问题:定价和常见问题
• 联系:联系页面
• 社区:加入我们的 Discord 获得同行支持

---

下一步是什么?

现在您已经掌握了图片转文字功能,探索我们的其他工具:

• 图片翻译器:在保留布局的同时翻译图片中的文本
• 批量图片翻译器:同时处理最多 1000 张图片
• 漫画翻译器:专门用于漫画和连环画的工具(100 张图片)

开始轻松从图片中提取文本,简化您的数字化工作流程!