跳转至

OCR 引擎

OCR 用于从图像中读取文本 — 既在提取文本 页面，也作为文档翻译内的后备，当页面被扫描（无文本层）或当你打开 翻译嵌入图像时。

你可以从三个 OCR 引擎中选择。

Tesseract（推荐默认）

免费、快速、离线。需要系统安装。

brew install tesseract tesseract-lang

sudo apt install tesseract-ocr tesseract-ocr-all

tesseract-ocr-all 带来所有支持的语言。要节省磁盘空间，只安装 你需要的（例如 tesseract-ocr-fra 用于法语）。

sudo dnf install tesseract tesseract-langpack-eng tesseract-langpack-fra

从 UB Mannheim 的 Tesseract 发布 下载安装程序。运行它，接受默认值 — 语言包已捆绑。

验证：

tesseract --version
tesseract --list-langs

在桌面应用中：设置 → OCR → OCR 方法 = Tesseract。完成。

EasyOCR

免费，离线。非常适合非拉丁文字（中文、韩文、日文、泰文）。模型在首次 使用时下载（总共约 1 GB）。

uv sync --extra easyocr

在桌面应用中：设置 → OCR → OCR 方法 = EasyOCR。

第一次为某语言使用它时，相关模型会下载到 ~/.EasyOCR/。后续运行很快。

Google Cloud Vision

云端，付费（每月 1,000 次免费请求）。最高准确度，特别是在嘈杂 / 手写 / 多脚本内容上。

  1. 创建 Google Cloud 项目
  2. 启用 Vision API
  3. 创建 API 密钥
  4. 在桌面应用中：设置 → 服务 → Google Cloud API 密钥 → 粘贴
  5. 设置 → OCR → OCR 方法 = Google Cloud OCR

如果你也启用这些 API，相同的 Google Cloud API 密钥可以驱动 Vision OCR、Speech-to-Text 和 Text-to-Speech。

比较准确度

设置 → OCR 选项卡有一个内置的小比较表 — 语言覆盖、在线/离线、 成本、准确度。每次想要切换时重新阅读它。

OCR 何时使用

地方 行为
提取文本页面（方法 = OCR 时） 对放下的图像进行直接 OCR
翻译文档 → PDF 在仅扫描页面（无文本层）上的 OCR 后备
翻译文档 → Office 启用翻译嵌入图像时 在每个嵌入图像上进行 OCR + LLM 视觉

提示

选择源语言

大多数 OCR 引擎在你告诉它们要期待什么语言时准确得多。字幕 / 文档 / 提取文本页面都将你的源语言选择器转发到 OCR 引擎。

Tesseract 对清洁印刷文本足够

在 Tesseract / EasyOCR 实际上在你的内容上失败之前不要伸手去 云 OCR。它们是免费的、快速的，而且出奇地好。