博客

为什么 OCR 不报错，却给出一个错字

作者 InSnap · 发布于 2026年10月29日 · OCR, 文字识别, 准确率, 截图

文字识别很少说「我失败了」。它交回来的是一整句通顺的话，只有一个字是错的——偏偏就是关键的那个。本文说明这种情况从哪来、该怎么发现。

从截图里复制文字通常都能成，问题也正出在这里。它失败的时候，很少失败得明显：没有红色波浪线，没有「无法识别文字」，也没有空白的框。交回来的是一句读起来完全通顺的话——只有一个字不对，而这一个字改变了意思。

所以人们会贴出一个少了一位的订单号、一个字母写错的配置项、一句文档里凭空多出来的字。识别没有崩，它只是很有把握地猜错了。

识别是分类器，不是解析器

先搞清楚引擎到底在做什么，会好理解得多。文字识别先把图像切成行，再切成一个个字符形状的区域，然后让每个区域过一个分类器，返回最可能的那个字符。这个分类器从不说「我不知道」，它永远返回它找得到的最近匹配。

输入质量好的时候，这个最近匹配几乎处处都对。质量差的时候，最近匹配就是另一个碰巧长得很像的字符：可能是 o 的 a，可能是 l 的 1，或者是一个和邻居共用偏旁、很容易认错的中文字。引擎根本不知道它错了。

什么样的输入算「差」

大致按这个顺序，有四件事起作用：

1. 文字的高度（像素）。 字越小，可供分类的像素越少。这是最主要的因素。
2. 字符集。 中日韩文字笔画密集，丢掉几个像素，形状和身份都会变。拉丁字母结构简单，能撑得更久。
3. 抗锯齿和缩放。 每一次缩放都会把每一笔的边缘糊开。缩一次还行，连缩三次形状就没了。
4. 对比度和背景。 白底灰字、深底浅字都会削弱边缘；文字背后的渐变和照片也一样。

绝大多数「识别失败」的报告都来自第一条，而解决办法通常是多抓些像素，而不是「再努力一点」。

InSnap 没有单独的准确率设置。它就在你框出的那块像素上工作：密排界面的一张 1x 截图，每一行的高度就是屏幕画出来的那个高度；2x 的 Retina 截图则有一倍之多。对同样一段文字来说，这两者的差距，常常就是「正确」和「读得通但是错的」之间的差距。

实际的边界在哪里

与其凭感觉猜边界，不如搭一个小而可重复的测试：把同一句话按几种不同的字高渲染出来，逐一识别，再和原文逐字比对。下面两张图就是这么做的，用的是本地引擎的真实输出，不是编出来的示例。

中文行和英文行各按五个高度渲染，每次重新识别。红色标出与原句不同的字符。

可以得出两点。第一，一行要么对、要么突然不对：没有渐变的过程，只是低于某个尺寸就冒出错的字。第二，两种文字断掉的位置不一样。这里拉丁字母反而先撑不住，中文坚持得更久——这与大多数人从「中文更难」得出的预期正好相反。

如果把同一句话放到更小的尺寸去识别，输出就变成另一种错法：不是空白，也不是乱码，而是一句真实的句子，里面是真实存在、但并不正确的字：

第二张图才是有用的那张。它展示了错误结果真实的样子：不够明显，以至于容易被忽略；也没虚弱到可以当作没发生。

怎么在它进入文档之前发现

识别没法告诉你它没把握，所以凡是错一个字代价很大的地方，都得自己核。

• 核对带数字或标识符的内容。 订单号、许可密钥、版本号、发票金额。在上下文里错一位数字完全看不出来，到了下游却是致命的。
• 核对长度。 两个字符的标识符回来变成三个，或者反过来，都是明确的出错信号。
• 核对特殊字符。 竖线、空格、不间断空格、西里尔字母和拉丁字母的混淆。如果内容是代码，粘进等宽视图里一眼就能看出来。
• 核对首尾。 行首和行尾的字符在检测阶段最先被切掉。如果一行结束得很突然，看看最后一两个字符。
• 放大重新截，而不是把图放大。 把模糊的一行放大并不会产生细节，也基本修不好错字；把同一块区域按 2x 重截、或者截之前先把页面放大，才行。

由此得出的实用推论是：选区宽一点、分辨率高一点的截图，比一张裁得很紧的小图更容易识别。裁剪能减少噪声，缩小却会减少信息，而信息正是分类器的食粮。

哪些可以放心

诚实地说：

InSnap 的本地识别对中文、英文和拉丁字母语言（含带重音符号的字符）处理得很好，对日文假名、韩文和俄文不可靠。这是随包模型的属性，不是一个设置项，所以对这几类文字，诚实的做法是复制出来的东西都核一遍。

常见问题

文字识别会告诉我它没把握吗？

不会。字符分类器永远返回一个最佳猜测，界面在复制时也没有单独的置信度提示。稳妥的假设是：它返回的每个字符都只是「最可能」，不是「保证正确」。

再识别一次能把错字改对吗？

通常不能，因为输入没变，而模型对同样的像素是确定性的。办法是换输入：把同一区域按更大的尺寸重新截，或者在截之前先把页面放大，然后再识别。

为什么同一个页面，一张截图能识别、另一张就不行？

最常见的原因是文字在像素上的大小，而它取决于显示缩放，以及截图是 1x 还是 2x。同一个页面换个缩放比例、或换块屏幕，就可能跨过那条尺寸线。

它能否识别图片和照片里的文字？

只有当文字够大够清楚、背景又平坦时才行。文字压在照片、渐变或复杂插画上，正是错字最常出现的地方。

需要联网才能用吗？

不需要。识别在本机运行，复制这一步也是。什么都不会上传，离线时准确率也一样。

博客里的更多文章