要点速览
- 识别效果取决于图片清晰度、角度与文字占比
- 截图和扫描件识别效果最好，斜拍照片需要校正
- 支持中英文及中英混排内容
- 数字、英文单词、生僻字是校对重点
支持的图片格式与识别参数
| 项目 | 说明 |
|---|---|
| 支持格式 | PNG、JPG、JPEG、BMP、WebP |
| 单文件上限 | 10MB |
| 参考耗时 | 约 5 秒 |
| 识别语言 | 中文、英文 |
| 输出方式 | 复制到剪贴板、导出 TXT |
| 需先转换 | HEIC、TIFF、GIF 需另存为 PNG 或 JPG |
OCR 是怎么"看"图片的
OCR 识别图片文字的流程，可以粗略理解为三步。第一步是找出图片里哪些区域像文字，把文字块从背景中分离出来；第二步是切分单字，判断每个字的形状特征；第三步是结合语言规律，从候选字里挑出最合理的一个组合。
理解这个流程有助于判断哪些图片识别不好。文字和背景对比度低，会影响第一步的区域检测；文字粘连、笔画相接，会影响第二步的切分；内容全是生僻词和专业术语，会影响第三步的选字判断。
提升识别效果的实操方法
- 保证对比度：深色文字配浅色背景最容易识别，浅灰字、彩色字识别率偏低
- 保持水平：拍摄时让文字行与画面边缘平行，减少倾斜
- 避免反光：调整角度或光源位置，让文字区域没有高光斑
- 提高有效分辨率：让文字在画面里占更大比例，而不是整体拍很大一张
- 减少干扰元素：裁掉水印、边框、装饰图形后再上传
不同内容的识别难点
| 内容类型 | 难点 | 处理建议 |
|---|---|---|
| 纯中文正文 | 难度低 | 识别后简单校对即可 |
| 英文与技术文档 | 易混淆形近字母 | 重点核对 l/I、0/O、rn/m |
| 数字与表格 | 列对齐容易丢 | 识别后手动重建表格结构 |
| 中英混排 | 空格与标点易错 | 统一中英文之间的空格规范 |
| 公式与符号 | 专业符号覆盖有限 | 公式建议人工录入 |
识别结果为什么要校对
机器识别追求的是"整体最可能"，不是"逐字正确"。一句话里如果某个字识别错了但整体更通顺，引擎可能倾向于保留这个错误。所以识别结果整体可读性很高，但局部细节需要人工确认。
校对时有个效率技巧：不要逐字读，而是快速扫读找出"读起来卡顿"的地方。人对语义不通顺的地方很敏感，卡顿处往往就是错字所在，这样定位比逐字比对快得多。
需要引用到正式文档的识别结果，务必核对数字、日期、金额、人名和机构名。这几类内容错一个字，含义可能完全不同。
和其他提取方式配合使用
实际工作中，素材经常是混合的。文档拍照用图片识别，会议录音用录音转文字，产品演示视频用视频转文字，三者在拾文雀的同一个工作台里切换标签即可，输出格式统一，整理起来不用来回转换。
识别质量的自检方法
拿到识别结果后，有个快速判断质量的办法：看数字。数字出错最容易发现，如果结果里的数字基本都对，说明这张图的整体识别质量不错；如果数字错得很多，说明图片本身存在问题，其余内容也要仔细核对。
第二个办法是看专有名词。产品名、机构名、人名这些词，OCR 一旦认错往往错得很离谱，因为它们不在常见词库的优先序列里。这类词错得多，说明图片里的文字形态偏离了常规印刷体。
第三个办法是看段落连贯性。如果整段话读起来通顺，说明大部分字识别正确；如果频繁出现读不通的地方，那不是识别错误，是图片本身文字太模糊。
常见问题
识别图片文字和扫描全能王这类工具有什么区别？
核心能力都是 OCR。区别在于使用方式：拾文雀在浏览器里打开即用，不需要安装客户端，适合临时、零散的处理需求。
彩色文字或渐变文字能识别吗？
可以尝试，但准确率低于纯色文字。文字与背景的对比度越低，识别效果越差。必要时可以先把图片转成灰度再上传。
识别结果里的错别字多，是什么原因？
最常见的原因是原图清晰度不足、存在透视倾斜，或者字体属于艺术化设计。建议重新拍摄清晰、正对的图片再试。
能识别竖排文字吗？
竖排文字识别难度较高，古籍、书法类竖排内容建议人工录入。常规横排文字识别效果稳定得多。