用 AI 从图片中提取文字（OCR）：完整指南

一张手写便条、一张纸质收据、截图里的英文、照片中的招牌——你有多少次一边在键盘上重新敲完这些内容，一边想着「要是能直接复制粘贴就好了」？到了 2026 年，这些重新敲字的活儿几乎都不再需要了。用手机拍张照，交给 AI，几秒钟后它就以文本的形式返还给你——哪怕是手写的、倾斜的、表格，或是竖排文字。

先说结论。如果你只是想把「数量不算少、但偶尔才用」的图片转成文本，把它们粘贴进 ChatGPT、Gemini 或 Claude 这类通用聊天 AI，是最快也最聪明的路线——因为即便字形潦草，AI 也能从上下文正确推断出来。另一方面，如果你每月要处理数百份表单、数据不能发送到组织外部，或者想把表格按原结构无损导入，那么专用 OCR 工具或 API 方案更合适。本文将围绕这个抉择展开，包含工具对比、具体步骤与提示词、各场景的最佳选择、准确率技巧——以及 AI 特有的陷阱。

* 本文中的基准测试数字与准确率数据，引用自厂商公布值及第三方对比（截至 2026 年）；在真实条件下（图像质量、专业术语、版面）会有出入。在采用前请用你自己的数据测试。

1. 「AI OCR」与传统 OCR 有何不同

OCR（光学字符识别）是一项把文字图像转换为文本数据的技术，历史已有数十年，长期内置于办公复印机和扫描应用之中。那么如今人人都在谈的「AI OCR」，新在哪里？一句话概括：它从「逐字判断」转变为「把整页当作一幅图来理解，连含义一起读」。

传统 OCR 的工作方式是切出字符轮廓、对字形做模式匹配。这让它擅长处理清晰的印刷体，但一旦遇到难题——手写、倾斜、低画质，或复杂版面（同一页上既有印刷体、又有手写、印章和表格）——就立刻崩溃。相比之下，像 ChatGPT 或 Gemini 这样的多模态 AI 经过训练，能把图像和文本同等对待，将一页内容解读为一个完整的「视觉场景」。正因如此，它能从上下文补出缺失的字符、把表格转成 Markdown、把名片转成 JSON——并让你直接指定输出的形态。

所以这并非孰优孰劣的问题——而是各司其职。如果你每天要处理一万张干净的发票，传统 OCR（或下文的专用 OCR 模型）在成本上仍然无可匹敌。但如果你想「聪明地」读懂夹杂着手写的潦草纸张，那就是 AI 的天下。实践中，2026 年的主流越来越多地采用混合方案：先用传统 OCR 又快又便宜地读，再把失败的部分单独交给 AI。这一点我们稍后还会回来谈。

2. 该用什么：三种选择

上一节我们说「各司其职」。那么下一个问题就是——在你的具体场景下，到底该打开哪个？用 AI 把图片变成文本的方式，大致可以归为三类。

就我个人看法，90% 的人应该从 A 开始。你现在就能上手，零额外成本，用你手机里已经装好的 ChatGPT 或 Gemini 应用即可。只有当你撞上瓶颈时——「每月量超过几百页」「内容机密、不能外发」「表格连一个像素都不能错位」——才该考虑 B 或 C。一开始就搭 API 流水线，多数情况下属于过度设计。

3. 主流工具与模型对比

那就来具体对比一下各家的旗舰。下面的准确率数字是各类基准测试／第三方对比的公布值（在最佳条件下）；请不要把它们当作绝对排名，而要看作「大致趋势」。OCR 里没有「一招通吃的冠军」——赢家随场景而变，这就是 2026 年的现实。

* 模型名称、版本和定价均截至 2026 年。各厂商更新频繁，请以官方信息为准。「准确率」取决于条件，即便是同一模型，也会因图像质量、语言和版面而差异巨大。

纵览各份基准测试报告，大致趋势如下（均为公布的、取决于条件的数值）。在手写方面，GPT 系列评价很高（某份第三方基准报告称手写准确率约 95%）。在表格和复杂版面的结构化提取方面，Claude 系列准确率高（有报告引用在复杂版面上提取准确率达 97% 以上）。要一次读取多页文档，Gemini 的长上下文就能派上用场。而单论纯 OCR 准确率，存在一些基准测试中 GLM-OCR、PaddleOCR-VL 这类专用模型胜过前沿 LLM。简而言之，「先用你已经有的聊天 AI；不够用再转向专用模型」才是正确的判断。

4. 实战：用聊天 AI 把图片变成文本

既然对比的结论指向「先用通用聊天 AI」，那实际怎么操作呢？简单得几乎让人扫兴。

真正拉开差距的是 STEP 3 的提示词。只说「把这个变成文本」也能得到结果，但要压制 AI OCR 最大的弱点（后文会讲的「捏造」）并得到你想要的形态，指令就很关键。下面是按场景可直接套用的提示词。

原样转写（不破坏、不捏造）

# 转写图片
请准确转写这张图片中所写的文字，保留换行和段落。

规则：
- 只转写图片中存在的字符。不要靠猜测补充或捏造内容
- 读不出的地方标记为 [illegible]
- 原样再现错别字和遗漏（不要擅自更正）
- 不要解释或开场白。只返回转写出的文本

无损导入表格

# 提取表格
请把这张图片中的表格输出为 Markdown 表格。
- 不要破坏行列对应关系。空单元格保持为空
- 数字按图片原样保留，包括逗号和单位
- 读不出的单元格标记为 [?]

从收据／名片／表单中提取字段（转为 JSON）

# 字段提取（结构化）
请从这张收据图片中提取以下字段，输出为 JSON。
图片中不存在的项目用 null；不要靠猜测填充。

{
  "store": ...,
  "date": ...,
  "total": ...,
  "items": [{ "name": ..., "amount": ... }]
}

关键在于，每一条提示词都包含「不要靠猜测填充／不要捏造／读不出就说读不出」。这是在实际工作中使用 AI OCR 时最重要的一个习惯。原因将在第 7 节详述。

5. 各场景的最佳选择（手写／收据／PDF／表格／竖排文字）

为了回答「那么对我的情况该用什么？」，下面按常见场景做个梳理。作为基准，当你拿不准时，在手边的聊天 AI 里试一下最快。在此前提下，以下是各场景的最佳选择。

关于某些文字特有的脾性，补充一点。根据多份对比，手写识别由 ChatGPT 读取，可靠性相当高，而 Gemini 有时会悄悄漏掉句子里的某些词。反过来，对于字迹破碎的白板或会议记录，Gemini 借助周围上下文进行推断的能力又能发挥优势。对于竖排文字、古字形和历史拼写（例如近世文学），大意能站得住脚，但专有名词、助词和助动词仍会留有误读和遗漏——现实评价是「若默认需要校对，则足以实用」。简而言之，诀窍是不要指望一次到位的完美，并根据场景决定插入多少人工核对。

6. 提升准确率的六个技巧

同样一个 AI，结果会因输入和指令而变得惊人地不同。下面按影响力排序，列出让重新敲字趋近于零的技巧。

这六条里，效果压倒性突出的是 ① 图像质量。无论你怎么打磨提示词，从一张昏暗、倾斜的照片里也得不出准确的文本。当你觉得「AI 老是搞错」时，先重拍。仅此一项就能改变体验。

7. 最大的陷阱：凭空捏造与漏字

到目前为止我们一直在称赞它的便利，但 AI OCR 带有一种性质不同、传统 OCR 所没有的危险。它会把读不出的地方，不是留空，而是用「看似合理的字符」填上——也就是所谓的幻觉（看似合理的捏造）。

传统 OCR 失败时会以乱码或空白的形式明显地暴露出来，而 AI 则从上下文生成一个自然的词，并把它当作自己已正确读出的内容输出。其棘手之处在于，输出流畅且「看起来没问题」，因此错误很难被察觉。金额的数字、日期、姓名、型号——恰恰是这些「能从上下文猜出来」的字段，最容易被换成一个根本不存在的值。前面的提示词反复强调「不要靠猜测填充／读不出就说读不出」，正是为了压制这种事故。

说实话，我认为这种「看似合理的捏造」是 AI OCR 唯一也是最大的弱点。换个角度说：只要守住一条规则——「重要的数字由人来核对」——AI OCR 立刻就成为一件可投入生产的实用工具。事故往往在你陶醉于便利、跳过核对的那一刻发生。就这么简单。

8. 隐私、版权与注意事项

除了准确率，另一个重要却容易被忽视的角度是「这张图片到底该不该交给 AI？」

• 机密／个人数据会去往何处：当你把图片粘贴进聊天 AI 时，该图片会被发送到外部服务器。对于包含他人个人数据、内部机密资料、政府证件号码或银行信息的文档，请先确认你公司的规定以及各服务的条款／数据处理政策。如有顾虑，请选择可本地运行的开源方案（PaddleOCR-VL 等），或选择不会把你的输入用于模型训练的企业版套餐。
• 确认「是否用于训练」：免费版和企业版对数据的处理方式往往不同。用于工作时，务必确认该套餐／设置是否会把你的输入排除在训练之外。
• 版权：把整本书、报纸或付费文章 OCR 后再分发，可能构成侵权。不要超出私人参考和引用的界限。
• 不要过度信任：如第 7 节所述，输出并非已确认的值。尤其在风险高的场合——金额、合同、医疗——要在设计上保留人工的最终核对。
• 符号和特殊字符乱码：带圈数字、表格线、特殊符号和复杂公式，可能在模型里或你粘贴的目的地处出错。如果重要，请保留原件。

这里举一个具体例子。2023 年 4 月，据报道有一名 Samsung 工程师把内部源代码和会议内容粘贴进了消费者版 ChatGPT，导致机密信息外泄。OCR 也是一样——「粘贴一张图片」这个动作，就是「把它的内容发送到外部」的动作。在便利的背后，要时刻意识到你交出去的是什么。

总结

到了 2026 年，AI 对图片的转写已经达到「抹去重新敲字」的实用水平。要点如下。

• 从通用聊天 AI 开始（ChatGPT/Gemini/Claude），把图片粘贴进去——对 90% 的人而言这是最快也最好的路线。图片越潦草、越是手写，AI 的推断就越能帮上忙。
• 没有绝对的冠军。手写 → GPT 系列；表格结构化 → Claude 系列；多页 → Gemini 的长上下文；纯 OCR 准确率 → 专用模型。把工具与任务匹配起来。
• 仅仅在提示词里加上「不要捏造／读不出就说读不出／用这种格式」，准确率和可用性就会飞跃。
• 图像质量占准确率的八成。重拍一张昏暗、倾斜的照片，是最快的改善手段。
• 对于大批量、机密、固定格式的表单，转向专用 OCR（Mistral OCR 等）、本地开源方案或 API 方案。
• 金额、日期和姓名必须由人来核对。看似合理的捏造，才是唯一真正的敌人。

归根结底，AI OCR 已经从「识别字符的机器」进化为「理解字符含义的助手」。但能够理解，也就意味着能够「用想象去填补未知」。所以最后再说一次：你可以交给 AI 的，只有「读」这件事。确认「这是对的」，永远最好由你来做——那个亲眼看过原件的人。

FAQ