Bild zu Text (OCR)

Ziehen Sie ein Bild auf diese Seite, und die Wörter darin erscheinen im Feld daneben, bereit zum Kopieren. Einen Screenshot können Sie auch direkt aus der Zwischenablage einfügen, was meist schneller geht, als ihn vorher zu speichern. PNG, JPEG, WebP und BMP werden gelesen.

Wie genau ist das?

Das hängt fast nur am Bild. Screenshots und saubere Scans gedruckter Seiten werden sehr gut erkannt, weil die Buchstaben scharf auf gleichmäßigem Untergrund stehen. Handyfotos sind schwieriger: Schatten, gewelltes Papier, Verwacklung und Spiegelungen kosten Genauigkeit, und eine schräg fotografierte Seite kommt schon mal mit durcheinandergewürfelten Zeilen zurück. Handschrift geht gar nicht, denn die hier verwendete Engine kennt nur Druckschrift. Wenn ein Ergebnis unbrauchbar aussieht, hilft ein neues Foto von vorn und mit mehr Licht mehr als jede Einstellung.

Das Sprachmenü in der Kopfzeile des Textfelds startet auf automatischer Erkennung: Das Werkzeug liest das Bild, prüft das Ergebnis und liest es mit dem passenden Modell erneut, wenn die Wörter auf eine der sieben anderen Sprachen deuten. Das Menü selbst springt dann auf die Sprache um, bei der es gelandet ist. Die automatische Erkennung hat aber Grenzen. Sehr kurze Schnipsel geben ihr zu wenig Material, und Text in einem anderen Schriftsystem überfordert sie völlig: Ein Modell für lateinische Schrift liefert bei Japanisch nur Rauschen, mit dem der Detektor nichts anfangen kann. Wählen Sie die Sprache in solchen Fällen selbst. Eine falsche Wahl ruiniert das Ergebnis stillschweigend, denn ein Modell in der falschen Sprache erfindet lieber Wörter, als einen Fehler zu melden. Ein Wechsel liest das bereits geladene Bild erneut.

Wird mein Bild irgendwohin hochgeladen?

Nein. Die Erkennung läuft in Ihrem Browser mit Tesseract, nach WebAssembly kompiliert und über tesseract.js angesteuert. Das Bild landet in einem Canvas auf Ihrem Rechner, und der Text kommt aus einem Worker-Thread auf demselben Rechner zurück. Es ist kein Server beteiligt, also kann niemand Ihre Rechnungen, Ausweisscans, Arztbriefe oder was auch immer protokollieren. Sie können die Seite laden, die Netzwerkverbindung trennen und weiterarbeiten, sobald das Modell im Cache liegt.

Warum dauert der erste Durchgang so lange?

Jede Sprache braucht ein trainiertes Modell von etwa einem bis drei Megabyte, dazu die Erkennungs-Engine selbst. Der Browser lädt das beim ersten Lesevorgang herunter und legt es in IndexedDB ab, sodass das zweite Bild fast sofort startet. Ein Wechsel zu einer Sprache, die Sie noch nicht benutzt haben, löst einen weiteren Download für genau diese Sprache aus. Bilder mit einer sehr langen Kante werden vor dem Lesen verkleinert, was bei einem 12-Megapixel-Foto etliche Sekunden spart, ohne bei normalen Schriftgrößen Genauigkeit zu kosten. Wo dieser Cache liegt, erklärt die MDN-Seite zu IndexedDB.

Typische Fälle: einen Code oder eine Adresse aus einem Screenshot übernehmen, Zitate aus einer eingescannten Buchseite holen, einen Kassenbon in eine Tabelle übertragen und Text aus einem zugeschickten Bild retten, wenn das Originaldokument bei niemandem mehr liegt.