图片转文字（OCR）

OCR 到底做了什么，以及它为什么那样出错

识别引擎分阶段工作。图片先被转成黑白，这个阈值必须猜出“纸在哪里结束、墨在哪里开始”；深色形状被归成行、再归成词、再归成字符；一个神经网络——LSTM，用数百万行扫描文本训练过——在上下文字符的帮助下读每个字符；最后一轮词典会往真实单词上轻轻推一把。这条链里没有一环涉及“理解”。识别器不知道一个词是什么意思，所以它发现不了 “reciept” 是错的，并且会乐于返回一个读起来通顺、意思却完全不同的句子。

这也正是它的失败模式如此可预测的原因。手写抛掉了模型训练时见过的字形，所以基本不在范围内——干净的印刷体大写字母有时能用，连笔字几乎不行。斜着拍的一页会让行定位器苦战。低对比度、阴影、手机闪光灯、细字体、文字压在照片上、以及低于约十个像素高的印刷字，都以同样的方式损失准确率：在神经网络看到之前，字母已经无法区分了。

结果里的置信度数字是识别器对整张图片自己的估计，值得一看：90 以上通常意味着干净印刷体被正确识别，六十多通常意味着某个地方很难——它是一个警告，提示你去核对文字而不是相信它。这里不会对返回结果做更正、拼写检查或整理，因为一个悄悄改写你文档的工具，比一个给你看它真正看到了什么的工具更糟。

那几兆字节，以及为什么由本站提供

识别器不是公式，而是训练出来的模型，而模型就是数据。在浏览器里运行的识别核心是 2.8 MB（服务器压缩后在网络上约 1.1 MB），模型是另外几兆已经压缩过的数据：英文 2.8 MB、简体中文 1.6 MB。加上配套文件，英文一共约 4.2 MB，第一次在这里读图时下载，之后再也不会见到——浏览器会把模型存在本地，所以第二张图片和第二次访问都立刻开始。

这些文件由本站提供，而不是 CDN，这是有意的选择。用 CDN 对我们更省、对你更快，但也意味着这个站点上的一个页面会在你使用工具的那一刻悄悄联系第三方——而在一个全部承诺就是“你的文档属于你”的站点上，这不行。所以模型由本站自己的地址提供、随页面一起发布，你可以查看浏览器发出的请求列表，确认识别过程中的每个请求都是同源的。

带哪份模型是一个选择，也是这个工具里唯一一处「下载多大取决于你」的地方。英文单独一份是默认、也是最省事的；中文单独一份更小，因为它的模型只有 1.6 MB；组合模型的数据翻倍，但读一份夹着英文人名的合同时不必靠猜。如果一张图片的语言不在已加载模型的训练范围里，它会返回自己以为看到的词——识别器被要求去读一门没学过的语言时，就是这样。

版面模式，以及读到胡话时第一个该试的东西

识别引擎必须被告知它大致在看什么样的页面，这个设置叫页面分割（在本页面板里叫「版面模式」）。“自动”让它自己找出区块和分栏，适合扫描页或书本。“整块文字”把图片当成一个段落，是对标签、车牌或消息截图最准确的模式。“单行”用于序列号或收据抬头。“稀疏文字”到处找词，不假设段落，适合标牌、包装和界面截图。

设错模式是一张完全可读的图片返回乱码最常见的原因：字母被正确读取了，但行分析把它们重新排列了。所以排查顺序是：先换模式，然后把它摆正、调亮，再放大。裁到只剩文字比什么都管用，因为它去掉了识别器必须判断为“忽略”的那些部分。

什么能提高准确率，按帮助大小排序

第一步几乎总是裁剪：识别器必须判断哪些部分是文字、哪些不是，所以去掉边距就是缩小它的工作范围。接下来是摆正和调亮，因为行定位器会在倾斜的页面上出错，阈值会在偏暗的页面上出错。

分辨率同样重要——眼睛能读的、十二个像素高的字，通常已经超出识别器的能力，把页面放大一倍就是“没结果”和“有结果”的差别。这些都不保证干净的识别，因为 OCR 是估计，但“裁剪、摆正、调亮、放大”修好的图片比表单上任何设置都多。