【多媒體 AI 工具實戰】#02（共 3 篇）｜難度：L2-進階
前置：基本 Python 與命令列、已讀過本系列 #01（熟悉「最小範例＋驗收」的閱讀節奏）

一句話說明

把圖片裡的文字「認」出來，變成你可以複製、搜尋、再處理的純文字。

OCR = Optical Character Recognition（光學字元辨識）。你手上有一張截圖、掃描的合約、拍照的菜單，眼睛看得到字，但電腦只當它是一堆像素。OCR 就是那個「幫電腦把像素翻譯成文字」的步驟。Unlimited-OCR 是這類工具的一個代表，特色是不限頁數/字數、支援多語言、可以吐出純文字或帶座標的版面結果。

Unlimited-OCR 是什麼、什麼時候用它

先建立正確的期待，這樣你才驗收得動 AI 交出來的東西。

它吃什麼（輸入）：

它吐什麼（輸出）：

• 純文字：整張圖的文字接成一串字串，最常用。
• 含座標的結構：每一段文字 + 它在圖上的位置（bounding box）+ 信心分數。要做「只抓某個欄位」「重建表格」時才需要。

什麼時候「不」該用 OCR：如果你的資料本來就是可選取文字的 PDF 或 HTML，直接抽文字就好，不要繞去 OCR。OCR 是「只剩圖片、沒有原始文字」時的救援手段，它一定會有錯字率。

30 秒最小範例

先看一段「載入圖片 → 執行辨識 → 印出文字」的最小可執行程式。不同 OCR 套件 API 名字略有差異，但骨架都長這樣。

# 安裝（示意；實際套件名以工具文件為準）
uv add unlimited-ocr pillow
Code language: PHP (php)

from unlimited_ocr import OCR          # 匯入 OCR 引擎
from PIL import Image                  # Pillow：讀圖片用

ocr = OCR(lang="ch")                   # 建立引擎，指定語言（中文）
image = Image.open("receipt.png")      # 讀入一張圖片
result = ocr.read(image)               # 執行辨識，這是最耗時的一步
print(result.text)                     # 印出辨識到的純文字
Code language: PHP (php)

這段代碼做了什麼：

1. 載入 OCR 引擎，並告訴它「這張圖大概是什麼語言」。
2. 把圖片檔讀進記憶體。
3. 跑辨識（ocr.read），回傳一個結果物件。
4. 從結果裡拿出 .text（純文字）印出來。

跑完你應該在終端機看到收據上的文字被印出來。這就是驗收的第一關：有沒有東西出來。

逐行翻譯

ocr = OCR(lang="ch")           # 開一台「辨識機器」，設定它主要認中文；認英文常用 "en"
image = Image.open("x.png")    # 把圖片從硬碟讀進來，變成程式能處理的物件
result = ocr.read(image)       # 把圖片餵進機器，等它回傳結果（慢的話是正常的）
result.text                    # 結果裡的「全部文字接成一串」
result.lines                   # 結果裡的「一行一行」，通常還帶位置與信心分數
Code language: PHP (php)

看到 lang="ch" 就知道語言是要指定的。這點很關鍵——下面紅旗會講，語言設錯是常見坑。

核心概念翻譯

AI 最常這樣用

用法 1：辨識前先做影像前處理（提高準確率）

照片/掃描件常常歪、暗、有雜訊。AI 通常會先「洗一下圖」再辨識。

from PIL import Image

img = Image.open("photo.jpg")
img = img.convert("L")                    # 轉灰階：去掉顏色干擾
img = img.point(lambda p: 0 if p < 140 else 255)  # 二值化：非黑即白，讓字更清楚
result = ocr.read(img)
Code language: PHP (php)

翻譯：辨識前先把圖片「洗乾淨」——轉灰階、拉高對比，字跟背景分得更開，OCR 會認得更準。歪掉的圖還會加一步旋轉校正（deskew）。

用法 2：批次處理整個資料夾

一次跑幾十張圖，AI 常寫成迴圈。

from pathlib import Path

for path in Path("scans").glob("*.png"):   # 抓 scans 資料夾裡每一張 png
    result = ocr.read(Image.open(path))    # 逐張辨識
    out = path.with_suffix(".txt")         # 對應的輸出檔名，例如 a.png -> a.txt
    out.write_text(result.text, encoding="utf-8")  # 把文字存成同名 txt
    print(f"{path.name} 完成")
Code language: PHP (php)

翻譯：把資料夾裡每張圖都跑一遍 OCR，各自存成一個 .txt。encoding="utf-8" 很重要，中文沒設它容易變亂碼。

用法 3：只要高信心的結果 / 拿座標重建版面

for line in result.lines:                  # 一行一行看
    if line.confidence < 0.6:              # 信心太低的先標記出來，人工複查
        print("可疑：", line.text, line.box)
Code language: CSS (css)

翻譯：把引擎「沒把握」的行挑出來給人看。做表格或多欄版面時，還會用 line.box 的座標，依上到下、左到右重新排序，避免文字順序錯亂。

🚩 紅旗

AI 交出來的 OCR 程式「看起來都會動」，以下四種要特別警覺。

🚩 1：直接信任辨識結果，完全沒驗證

text = ocr.read(image).text
save_to_database(text)   # 🚩 一個字都沒比對就存進資料庫 / 拿去計算
Code language: PHP (php)

OCR 一定有錯字率（把 0 認成 O、把「日」認成「曰」）。用在金額、帳號、身分證這種地方，一個字錯就是事故。

跟 AI 這樣說：「幫我在存檔前，把 confidence 低於 0.8 的行標記出來，並印出總行數和低信心行數，方便我人工抽驗。」

🚩 2：圖片解析度過低還硬跑

img = Image.open("tiny_screenshot.png")  # 只有 80px 高的模糊小圖
result = ocr.read(img)                    # 🚩 圖太小太糊，出來的字幾乎是亂猜
Code language: PHP (php)

字的高度太小（一般建議每個字至少 20~30 像素高），OCR 會亂認。放大一張已經糊掉的圖救不回細節。

跟 AI 這樣說：「這張圖解析度很低，先幫我檢查圖片尺寸，如果字高不足就提醒我改用更高解析度的原圖，不要硬辨識。」

🚩 3：沒有任何前處理，直接丟原始照片

result = ocr.read(Image.open("skewed_dark_photo.jpg"))  # 🚩 歪的、暗的、反光的原圖直接丟
Code language: PHP (php)

手機拍的照片常常是斜的、光線不均。不做灰階/二值化/旋轉校正就辨識，準確率會掉很多，而且你不會知道是「圖爛」還是「OCR 爛」。

跟 AI 這樣說：「幫這段加上基本前處理：轉灰階、旋轉校正（deskew）、二值化，並讓我可以存出前處理後的圖檢查效果。」

🚩 4：多欄/表格版面，文字順序被打亂

print(result.text)   # 🚩 兩欄的文件，左右兩欄的字被交錯接在一起，讀起來像亂碼
Code language: PHP (php)

result.text 預設可能只是「由上到下」硬接，遇到雙欄排版、表格，順序會錯亂，語意整個跑掉。

跟 AI 這樣說：「這是雙欄/表格版面，不要直接用 text。請用每行的 box 座標，先分欄再由上到下排序後輸出，並保留欄位對應關係。」

Vibe Coder 驗收檢查點

不用會寫 OCR，但這幾件事你一定做得到：

• [ ] 拿一張真實截圖跑一次：用你自己的圖跑最小範例，確認終端機真的印出文字，而不是空字串或報錯。
• [ ] 逐字比對錯字率：把辨識結果跟原圖並排看，數一下 100 個字裡錯幾個。金額/帳號類文件錯字率要接近 0 才能收。
• [ ] 確認欄位/行順序正確：多欄或表格文件，檢查輸出的文字順序跟原圖一致，沒有左右欄交錯。
• [ ] 檢查中文沒亂碼：存檔那行有沒有 encoding="utf-8"；打開 .txt 看中文是否正常。
• [ ] 問 AI 有沒有驗證機制：貼程式碼問「這段有沒有處理辨識信心太低的情況？低信心的結果會被標記還是直接用掉？」
• [ ] 換一張爛圖測 robustness：故意丟一張歪的或糊的圖，看程式是報錯、警告、還是默默給你一堆錯字（默默給錯字最危險）。

看不懂就這樣問 AI

把程式碼整段貼給 AI，然後問：

「用白話一行一行解釋這段 OCR 程式在幹嘛，我是初學者。特別告訴我：它有沒有做圖片前處理？辨識結果有沒有驗證？語言參數設對了嗎？」

要驗收品質時可以問：

「假設這張是手機拍的、有點歪的合約照片，這段程式最可能在哪裡出錯？幫我列出 3 個風險點和對應的檢查方式。」

延伸：知道就好（遇到再查）

• PDF → 圖片：OCR 不直接吃 PDF，通常先用 pdf2image 或 PyMuPDF 把每頁轉成圖再辨識。
• 表格還原：有專門的 table recognition 功能，把辨識結果重建成 Markdown/CSV 表格，比自己排座標省事。
• 繁簡與多語混合：同一張圖中英夾雜時，語言參數怎麼設會影響結果，多數工具支援多語模型。
• GPU 加速：大量圖片時，OCR 引擎能用 GPU 跑快很多，這是效能問題不是正確性問題，量大再研究。