Konwerter obrazu na tekst: wyciągnij słowa i wracaj do roboty
Build się wywala. Błąd to czterdzieści linii stack trace'a w terminalu na maszynie, z której nie da się kopiować — zdalna konsola, zablokowana maszyna wirtualna, zrzut ekranu od kolegi wklejony na czacie. Odczytać potrafisz go bez problemu. Tylko nie możesz go zaznaczyć, a ręczne przepisywanie ścieżki pakietu Javy to najlepszy sposób na wyprodukowanie literówek.
Właśnie po to jest ta strona. Wgraj zrzut ekranu, a tekst z niego zostaje rozpoznany i zwrócony jako zwykły tekst, który możesz wkleić do wyszukiwarki, asystenta albo zgłoszenia. Prawdziwy OCR na pikselach, a nie opis pliku. Czyta JPG, JPEG, PNG, GIF, BMP, TIFF, TIF i WebP. Za darmo, bez rejestracji, 50 MB na plik, nic nie jest potem przechowywane. To darmowy OCR online w najbardziej dosłownej postaci: wkładasz obrazek, wyjmujesz słowa.
Pętla: zrzut ekranu → pole wyszukiwania
Najczęstszy powód, dla którego ludzie chcą wyciągnąć tekst ze zrzutu ekranu, jest taki, że chcą ten tekst włożyć w miejsce, które przyjmuje tylko tekst. Wyszukiwarki nie biorą obrazków. Nie bierze ich też wyszukiwarka twojego issue trackera, agregator logów ani okienko, w które wkleiłbyś wyjątek, żeby zapytać model, co znaczy.
Pętla wygląda więc tak: zrzut ekranu, konwersja, wklejenie. Dziesięć sekund, a różnica jest realna — asystent, który dostał dokładną klasę wyjątku i numery linii, daje konkretną odpowiedź, a ten, który dostał mglistą parafrazę, daje generyczną checklistę. To samo dotyczy okien z błędami, wyjścia CI, komunikatów bazy danych i raportów z crashów. Jeśli coś pojawiło się na ekranie jako znaki, a nie dało się tego zaznaczyć — to jest sposób na obejście problemu.
Zwykły tekst czy Markdown? Szczera odpowiedź
Większość stron wymyśliłaby tu dramatyczną różnicę. Prawda jest mniej dramatyczna. Na prostym obrazie — zrzucie akapitu, oknie terminala, notatce — zwykły tekst i Markdown wracają w praktyce identyczne. Rozpoznany tekst przychodzi jako linie, a w bloku prozy nie ma ukrytej struktury, którą Markdown mógłby dodać. Wybierz którykolwiek i nic nie tracisz.
Znaczenie zaczyna to mieć wtedy, gdy obrazek pokazuje coś, co ma kształt: tabelę, formularz, stronę dokumentu z nagłówkami. Markdown potrafi przenieść ten układ; płaski tekst może go tylko zasugerować odstępami. W takich przypadkach lepszą stroną jest obraz na Markdown. Do całej reszty — a „cała reszta" to większość zrzutów ekranu — zwykły tekst jest czystszym artefaktem, bo nie ma znaków składni do usunięcia, zanim trafi do skryptu, indeksu czy diffa.
Przełącznik formatu u góry przełącza między obydwoma i zachowuje już wybrany plik, więc wypróbowanie obu kosztuje jeden upload, a nie dwa.
Codzienne zadania, które to po cichu załatwia
- Wyjście z terminala i logi. Wynik polecenia z sesji, której nie da się przewinąć wstecz, albo okno logów uchwycone, zanim się zrotowały. Zamień to na tekst, a możesz to grepować, diffować albo o to pytać.
- Zrzuty czatów i maili. Rozmowy przesyłane dalej jako obrazki zamiast tekstu — czyli większość z nich. Przekonwertuj raz i masz coś, co da się cytować i przeszukiwać.
- Szyldy, etykiety i opakowania. Zdjęcie tabliczki z numerem seryjnym, etykiety przewodu, panelu ze specyfikacją produktu. Niewygodne do przepisania, trywialne do konwersji.
- Notatki odręczne. Warte próby, ale z realistycznymi oczekiwaniami — staranne pismo drukowane czyta się o wiele lepiej niż szybką kursywę i zawsze trzeba sprawdzić wynik z oryginałem.
- Kod, który możesz tylko zobaczyć, nie skopiować. Fragment w klatce wideo, na slajdzie albo w zablokowanym dokumencie. Wyciągnij go jako tekst, a potem zestaw ze swoim repozytorium GitHub jako tekstem albo projektem GitLab, żeby asystent widział fragment i twoją bazę kodu razem.
- Cokolwiek, co zescreenshotowałeś ze strony internetowej. Nawyk wart oduczenia — Web2Txt pobiera stronę bezpośrednio i zachowuje linki, a HTML na Markdown obsługuje zapisaną stronę. Sięgnięcie do źródła zawsze wygrywa z czytaniem pikseli.
Gdzie rozpoznawanie działa, a gdzie nie
Jedna zasada tłumaczy każdy wart poznania tryb awarii: OCR działa na pliku obrazu, który wgrywasz, a nie na obrazach zakopanych w innych plikach. Obrazek jadący wewnątrz większego kontenera jest pomijany, bo konwerter czyta kontener.
- Skanowany PDF nie zwraca nic. PDF złożony z samych obrazów nie ma w sobie tekstu, a OCR nie sięga przez opakowanie PDF do pikseli. Napraw to u źródła: otwórz go w Acrobacie, Podglądzie na macOS albo niemal dowolnym nowoczesnym czytniku PDF i uruchom „rozpoznaj tekst", żeby zrobić z niego przeszukiwalny PDF, a potem użyj PDF na tekst albo PDF na Markdown. To właściwy dom dla zeskanowanych dokumentów.
- Obrazy w ZIP-ie są wymieniane, nie czytane. Konwersja archiwum daje ci nazwę pliku i nic więcej. ZIP na tekst to właściwe narzędzie dla folderu dokumentów; obrazki wypakuj i wgraj każdy z osobna.
- Obrazy osadzone w Wordzie, PowerPoincie, RTF, EPUB czy mailu nie są czytane. Przechodzą jako placeholder obrazu w wyniku. DOCX poskładany ze zrzutów ekranu konwertuje się przez Word na Markdown do otaczającego tekstu z dziurami tam, gdzie były obrazki. Zapisz obrazy osobno i przekonwertuj je tutaj.
Noś ten model ze sobą, a nigdy nie zmarnujesz uploadu: żeby przeczytać obrazek, podaj obrazek.
Praca na dużą skalę i karmienie maszyn
Zwykły tekst to format, którego chcesz, gdy wynik nie jest przeznaczony dla człowieka. Rozpoznany tekst ze stosu obrazów skleja się czysto, tnie przewidywalnie i wektoryzuje bez wnoszenia szumu formatowania do wektora — czyli dokładnie to, czego potrzebujesz, budując indeks wyszukiwania nad stertą zrzutów ekranu albo zamieniając sfotografowane materiały archiwalne w coś przeszukiwalnego.
Praktyczna droga to jeden obraz na upload — archiwa pomijają obrazy — więc planuj pętlę, a nie jedną paczkę. Licznik tokenów pod wynikiem jest tu przydatny: mówi, ile każda konwersja faktycznie kosztuje, zanim zaczniesz układać strony w jeden prompt albo budżetować strategię chunkowania. Do mieszanych korpusów — dokumenty obok obrazków — File2Txt obsługuje każdy wspierany format z jednego miejsca, a konwersja katalogu lokalnego spłaszcza tekstową stronę projektu za jednym podejściem.
Ułatw życie rozpoznawaniu
Dokładność podąża za jakością obrazu na tyle blisko, że kilka nawyków zmienia wyniki bardziej niż jakiekolwiek ustawienie:
- Rób zrzut ekranu, a nie zdjęcie ekranu. Bez odblasków, bez kąta, bez rozmycia, bez mory z wyświetlacza.
- Kadruj ciasno do tekstu, który cię interesuje. Więcej pikseli na znak to cała gra — a przy okazji wynik nie zapełnia się elementami interfejsu, o które nie prosiłeś.
- Trzymaj obraz właściwą stroną do góry i mniej więcej na wprost. Przekrzywione linie czyta się trudniej niż proste.
- Unikaj trudnych przypadków, gdzie się da: przechwycenia w niskiej rozdzielczości, tekst na fotografiach, kroje pisane i ozdobne oraz wszystko na wpół w cieniu. To może działać, ale to tam kumulują się błędy.
- Sprawdzaj wszystko, co ma znaczenie. Źle odczytana cyfra w numerze referencyjnym jest cicha i kosztowna, a pięciosekundowy rzut oka na wynik ją wyłapuje.
Najczęstsze pytania
Jak przekonwertować JPG na tekst?
Upuść obraz w konwerterze powyżej. OCR działa na faktycznych pikselach, a rozpoznane słowa wracają jako zwykły tekst, który możesz zaznaczać, przeszukiwać i wklejać. Za darmo, bez rejestracji, 50 MB na obraz. To dosłowny przypadek zamiany zdjęcia na tekst — obrazek na wejściu, słowa na wyjściu, nic do instalowania.
Czy działa z PNG i innymi formatami obrazów?
Tak: JPG, JPEG, PNG, GIF, BMP, TIFF, TIF i WebP — wszystkie działają. PNG to format, w którym przychodzi większość zrzutów ekranu, i to najlepszy przypadek dla OCR, bo zrzut to wyrenderowany tekst, a nie fotografia papieru — bez rozmycia aparatu, bez zagiętej kartki, bez nierównego oświetlenia do obejścia.
Czy odczyta notatki pisane odręcznie?
Słabo — załóż, że nie. Modele OCR są trenowane w przytłaczającej większości na piśmie drukowanym; kursywa i pospieszne wersaliki dają wynik, który wygląda wiarygodnie i jest błędny dokładnie w tych miejscach, których nie przyszłoby ci do głowy sprawdzić. Staranne drukowane litery na papierze w linie czasem przechodzą. Wszystko inne wymaga korekty z oryginałem, co zwykle kosztuje więcej niż przepisanie.
Dlaczego mój obraz wrócił z błędnymi znakami?
Prawie zawsze rozdzielczość. OCR potrzebuje odpowiednika mniej więcej 300 DPI, żeby rozdzielić podobne kształty — poniżej tego rn zapada się w m, 1 i l się zamieniają, a 0 staje się O. Zdjęcie telefonem z bliższej odległości albo zrzut ekranu w pełnym rozmiarze okna, a nie przeskalowany, naprawia większość z tego.
Czy wyciągnę tekst ze zdjęcia strony dokumentu?
Tak, i działa to lepiej, niż ludzie oczekują — ale najpierw wyprostuj kartkę. Trzymaj aparat równolegle do papieru, a nie pod kątem, zadbaj o równe światło bez cienia w poprzek tekstu i wypełnij kadr stroną. Zdjęcia z perspektywą trapezową albo z cieniem gubią całe linie, a OCR nie zgłasza przy tym żadnego błędu.
Czy obraz jest gdzieś przechowywany po konwersji?
Nie. Jest wysyłany do rozpoznania, przetwarzany i odrzucany po zwróceniu tekstu — nie jest archiwizowany, nie służy do trenowania, nie jest indeksowany. Nie jest z nim związane żadne konto i po naszej stronie nie zostaje żadna kopia.
Cała reszta
Obrazy stoją obok dwunastu innych obsługiwanych formatów, wszystkie dostępne z File2Txt. Jest też dłuższy tekst o przygotowywaniu plików dla LLM-ów, jeśli wolisz ogólny argument zamiast tego obrazkowego.
Repo2Txt tworzy i utrzymuje v12hero, niezależny deweloper budujący natywne i webowe aplikacje z poszanowaniem prywatności.