如何提高截图 OCR 的识别准确率(2026)
OCR 不是魔法。引擎读的是像素,而你交给它的像素决定了后续一切的上限。松垮的裁剪、过小的字、选错的语言包,无论引擎多好都会产出令人失望的结果——大多数糟糕的结果,在识别开始之前就已经注定了。
VKT SnapOCR 在 Chrome、Edge 和 Firefox 上运行打包在扩展内的 Tesseract WebAssembly 引擎。它识别你给出的裁剪图,并不会增强图像。所以提升空间在你的截图习惯里。
质量在截图之前就决定了
工作流很短:在页面任意区域拖一个框,本地引擎识别,文字落入可编辑的结果框,你复制走。画选区时页面是冻结的,框下的像素不会在拖动中途滚走——你框住什么,引擎就收到什么。
下面所有技巧,都是在给引擎一个更好的矩形:更紧、更大、语言正确、一次一块。
框紧一点:只框文字区域
识别会读取矩形里的一切。背景渐变、装饰边框、相邻栏和浏览器界面,都会变成引擎必须解读的噪声,而误读正是从噪声里来的。
- 只框你真正想要的那段文字或那块内容,不要连带整个页面。
- 留一点小边距,别让边缘字符被切掉一半,但也仅此而已。
- 如果需要几个分散的块,就一个一个截,而不是画一个巨大的框。
先放大,再截图
小字是乱码输出的最常见原因。抓取的是截图,所以屏幕上的尺寸就是输入的尺寸——而 SnapOCR 按显示器真实的设备像素(devicePixelRatio)裁剪,保住 HiDPI 细节而不是丢弃。这意味着页面缩放真的能给裁剪图增加像素。
先放大页面(Ctrl++ / Cmd++),直到文字对你来说清晰易读,再画框。如果文字让你看得费劲,引擎也一样费劲。图片里的文字同样适用:先把图片打开到大尺寸,或放大页面,再选区。
选对语言
语言包告诉引擎该期待哪套字符集,选错会明显降低质量——重音符号变成乱码,形近字符被互换。开始前先在弹窗里设好语言。
- 免费:英语和简体中文内置,完全离线可用。
- Pro($14.99,一次性):再加七种——繁体中文、日语、韩语、俄语、法语、德语、西班牙语。每个语言包下载一次后,就像内置语言一样离线工作。
没有授权就选 Pro 语言,会在识别开始前被拒绝。混排内容按主语言选:一段以英语为主、夹杂几个外语人名的文字,用英语识别比用那个少数语言更好。
一次只截一栏
选区是一个矩形,不是版面解析器。在多栏页面、带旁注的表格、图注与正文交错的版面上,引擎可能把跨栏的行合并,打乱阅读顺序。
把每一栏或每个表格块分开截,再到你的编辑器里拼装。多拖两三次框,胜过事后解开一团乱麻。这是 OCR 的通用行为,不是 SnapOCR 的怪癖。
对比度与字体影响很大
引擎是在普通渲染的文字上训练的:浅底深字、常规字重、标准字体。黑底白字的主题、低对比度的灰字、花体和艺术字,识别效果都会更差。
SnapOCR 不会增强或预处理图像,所以有选择时,请截正常渲染的版本:截文章页面而不是风格化海报,截浅色主题而不是深色主题。如果只有风格化版本存在,那就放大、框紧,并准备好在结果框里多修几个字符。
在结果框里修错字,别反复重跑
结果是可编辑的。如果二十个字里错了一个,就在框里改好再复制。重跑同一张裁剪图通常返回同样的错误,还多花一次识别。
这在免费档上很要紧:每天 20 次识别,本地午夜重置。只有引擎跑完的运行才计数——用 Esc 取消的选区或注入失败都不消耗,但引擎处理了却没读出文字的裁剪仍然计数。编辑不消耗次数,重跑要消耗一次。
最近的结果会留在本地历史列表里——免费最近 10 条,Pro 200 条——点击条目即复制。想把文字留成文件时,Pro 还提供 TXT 导出。
什么时候 OCR 是错的工具
- 手写体。引擎为印刷体而生。去找打字的源文件。
- 极小的低清文字。放大一张已经马赛克的原图不会凭空变出细节。去找更高分辨率的版本。
- 艺术 logotype。手动敲出那几个风格化字符,比跟引擎较劲更快。
- 可选中的文字。页面里有真实文字就直接选中复制——永远精确,无需识别。
OCR 找回的是像素里已有的东西;它无法重建从未存在的信息。
FAQ
按 Esc 取消选区会消耗一次免费识别吗?
不会。只有引擎真正跑完的识别才计数。你用 Esc 取消的选区、扩展无法注入的页面,都不消耗任何次数。一个例外:引擎确实处理了、却没读出文字的裁剪仍然计数,因为这次运行跑完了。免费额度是每天 20 次,在你本地的午夜重置。
为什么截图前先放大页面真的有用?
因为抓取的是截图,而 SnapOCR 按显示器真实的设备像素(devicePixelRatio)裁剪,保住 HiDPI 细节而不是缩小丢弃。放大页面会让文字以更多像素渲染,并进入引擎读取的裁剪图。每个字符的像素越多,可供识别的形状信息就越多。
除了英语和中文,还能识别其他语言吗?
可以,需要 Pro。英语和简体中文内置且免费。授权($14.99,一次性)增加七种语言:繁体中文、日语、韩语、俄语、法语、德语、西班牙语。每个语言包下载一次后即可离线使用。没有授权就选择 Pro 语言,会在识别开始前被拒绝。
我的截图会被上传到任何地方吗?
不会。识别在本地运行,用的是打包在扩展内的 Tesseract WebAssembly 引擎。截图只存在于内存中,结果窗口关闭即销毁;什么都不会上传。这也是内置语言完全不需要联网的原因。
更多指南见 VKT 博客;问题反馈:[email protected]。
