图片文档一键转文字·截图海报表格文字提取在线OCR工具
图片与文档 · 一键转文字
截图里的段落要抄、海报上的文案要复用、票据上的金额要录进表、
PDF 里的一段要引 —— 本质上都是同一件事:把图里的字和文档里的信息,变成可复制的文本。
两条路,按输入选,别混用。 图片走视觉大模型直读(连版式一起看懂),
文档走平台的文档解析接口(一次能问 8 份)。不用装 OCR 程序、不用下模型权重、不用显卡。
| 你最关心 | 答案 |
|---|---|
| 多少钱 | 按 Token 计费(文档问答输入 2,600 点/百万 Token),1 元 = 100 点;一次问答典型 0.1~0.3 元 |
| 要多久 | 图片与文档问答都是同步返回,一般几秒到十几秒 |
| 要装什么 | 什么都不用装。图片用 curl 或任意 OpenAI SDK;文档用包里自带的零依赖客户端 |
| 支持什么 | 图片任意常见格式;文档 PDF / DOC / DOCX / TXT / MD 等 |
| 能商用吗 | 可以。生成内容的使用与合规责任由使用者承担 |
一、两条路,先分清楚
| 你的输入 | 走哪条 | 接口 | 为什么走这条 |
|---|---|---|---|
| 图片:截图、海报、票据、照片、商品标签、扫描图 | 模型网关(OpenAI 兼容) | POST /api/v1/chat/completions | 视觉大模型直接看图,连版式、表格、手写体一起理解 |
| 文档:PDF、DOC、DOCX、TXT、MD | 文档解析问答 | POST /api/v1/apps/file_qa/chat | 平台先把文档解析好,再交给大模型问答、摘要、抽字段 |
诚实说明:
file_qa是文档解析 + 大模型抽取能力,
吃的是公网文档地址(一次 1~8 个),不是本地 OCR 引擎。
图片上的文字请走第一条路(视觉大模型),那条路才是为图片设计的。
二、图片转文字 · 三分钟跑通
第一步:拿到你自己的 Key
到 api.a7w.cn 注册,在控制台创建一个 API Key(形如 sk-...),
填进环境变量:
export A7W_API_KEY=sk-你的key # Windows: $env:A7W_API_KEY="sk-你的key"
第二步:把图片交给视觉模型
content 数组里同时放文字指令和图片 URL:
curl -sS -X POST "https://api.a7w.cn/api/v1/chat/completions" \
-H "Authorization: Bearer $A7W_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "Qwen3-VL-30B-A3B-Instruct",
"messages": [{
"role": "user",
"content": [
{"type": "text", "text": "把这张图里的所有文字按阅读顺序提取出来,保留原始换行,不要翻译、不要解释、不要补全。"},
{"type": "image_url", "image_url": {"url": "https://你的存储/截图.png"}}
]
}]
}'
文本在 choices[0].message.content 里,直接取用。
第三步:按需要换指令
| 你要什么 | 指令怎么写 |
|---|---|
| 纯文字 | 按阅读顺序提取全部文字,保留换行,不要翻译、不要解释 |
| 表格 | 把图中的表格转成 Markdown 表格,列名原样保留,空单元格留空 |
| 票据字段 | 提取开票日期、发票号码、金额合计、销售方名称,输出 JSON,缺失字段给 null |
| 结构化清单 | 提取所有商品名称与价格,输出 JSON 数组,每项含 name 与 price |
| 翻译 | 先提取文字,再逐段给出中文翻译,用「原文 / 译文」两列对照 |
指令越具体,越不需要二次整理。 想要 JSON 就明确要 JSON,并说清缺字段怎么办。
可用的视觉模型
| 模型编码 | 适合 |
|---|---|
Qwen3-VL-30B-A3B-Instruct | 通用首选,中文图、表格、截图表现稳 |
PaddleOCR-VL-1.5 | 文字密集的图(扫描件、说明书、长截图) |
ERNIE-4.5-Turbo-VL | 图文混排、需要理解语义的图 |
qwen3.6-plus | 一边看图一边推理、要写文案的图 |
gpt-5.6-* / gpt-image-* 系列 | 需要更强通用理解时的国际模型线 |
模型清单会变。调用前先跑
GET /api/v1/models拿当期的准确清单,
别照抄文档里的名字。
三、文档转文字 · 三分钟跑通
file_urls 放公网文档地址(一次 1~8 个),question 放你要什么:
curl -sS -X POST "https://api.a7w.cn/api/v1/apps/file_qa/chat" \
-H "Authorization: Bearer $A7W_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"file_urls": ["https://你的存储/报告.pdf"],
"question": "把全文整理成结构化文本:保留标题层级与列表,表格转成 Markdown 表格,不要概括、不要漏段。",
"stream": false
}'
返回里 data.result.answer 就是整理好的文本,data.result.usage 是 Token 用量,data.usage.points_cost 是本次真实扣费。
常见问法:
| 你要什么 | question 怎么写 |
|---|---|
| 全文文字化 | 把全文整理成结构化文本,保留标题层级、列表与表格,不要概括 |
| 摘要 | 用 300 字总结核心内容,再列出 5 条关键结论 |
| 字段抽取 | 提取合同编号、签订日期、双方名称、金额、有效期,输出 JSON |
| 多份对比 | 一次传 2~8 个 file_urls,问 对比这几份文档的差异,用表格呈现 |
| 会议纪要 | 按「议题 / 结论 / 待办」三段整理,待办要带负责人和时间 |
mode传async或task时返回task_id,用GET /api/v1/tasks/{task_id}
取结果,适合超长文档。
四、包里有什么
sanjianke-image-to-text/
├── SKILL.md 本文件
├── README.md
├── LICENSE.md
├── references/
│ ├── 转文字指南.md 两条路径怎么选、提示词模板、批量做法、精度提升要点
│ ├── api-file_qa.md file_qa/chat 与 parse 的完整参数与返回
│ ├── api-模型网关.md chat/completions 的调用方式与视觉模型清单
│ ├── getting-started.md 注册、领 Key、配置
│ └── 通用说明.md 权限、异步机制、错误码、计费口径
└── scripts/
└── a7w.py 零依赖客户端(库 + 命令行,只用 Python 标准库)
零安装用法
文档问答走包里的客户端:
export A7W_API_KEY=sk-你的key
# 看这个插件有哪些接口与参数
python3 scripts/a7w.py schema file_qa
# 问一份公网文档(同步返回)
python3 scripts/a7w.py call file_qa chat \
--body '{"file_urls":["https://你的存储/报告.pdf"],"question":"把全文整理成结构化文本,表格转 Markdown,不要概括"}'
图片转文字走模型网关(客户端只需换成 curl 或任意 OpenAI SDK):
python3 - <<'PY'
import json, os, urllib.request
body = {"model": "Qwen3-VL-30B-A3B-Instruct",
"messages": [{"role": "user", "content": [
{"type": "text", "text": "按阅读顺序提取全部文字,保留换行"},
{"type": "image_url", "image_url": {"url": "https://你的存储/截图.png"}}]}]}
req = urllib.request.Request("https://api.a7w.cn/api/v1/chat/completions",
data=json.dumps(body).encode, method="POST",
headers={"Authorization": "Bearer " + os.environ["A7W_API_KEY"],
"Content-Type": "application/json"})
print(json.load(urllib.request.urlopen(req))["choices"][0]["message"]["content"])
PY
五、素材要求
| 要求 | 说明 |
|---|---|
| 图片格式 | JPG / PNG / WebP 等常见格式;必须是公网可访问的 URL |
| 文档格式 | PDF / DOC / DOCX / TXT / MD 等;同样必须是公网 URL |
| 数量 | 文档一次 1~8 个;图片一次建议 1 张,多图分次问更准 |
| 清晰度 | 原图越清晰、越正、越少倾斜,识别越稳 |
| 本地文件 | 先传到对象存储 / 图床拿到公网直链,接口不吃本地路径、不吃 Base64 |
六、常见坑
| 坑 | 表现 | 怎么避 |
|---|---|---|
| 拿本地路径当入参 | 报参数错误 | 一律用公网可访问的 URL |
把图片塞进 file_qa | 拿不到图上的字 | 图片走 chat/completions 的视觉模型,file_qa 是给文档的 |
| 模型名照抄旧文档 | 报模型不存在 | 先跑 GET /api/v1/models 拿当期清单 |
| 没说要 JSON | 返回一段自然语言,还得自己拆 | 指令里明确「输出 JSON」并说明缺失字段怎么办 |
| 一次塞太多图 | 结果串行、漏读 | 一次一张图;多张就分多次问 |
| 文档超长用同步 | 等很久 | mode 传 async,拿 task_id 再查 |
拿 code == 0 判断成功 | 明明成功却判成失败 | 应用接口成功码是 1;模型网关看有没有 choices |
七、批量转文字
做数据录入、合同归档、票据整理时经常一次几百份。思路是:
先把文件全部上传拿到公网 URL 清单,再逐条调用,并控制并发。
- 图片:一个循环,每次换
image_url,把返回文本追加写进一个 JSONL。 - 文档:先用
--no-wait批量提交file_qa/chat(mode=async),
记下 task_id 与文件名,再统一收结果。
references/转文字指南.md 里给了批量脚本的写法、并发建议和精度提升要点。
需要更贴合你流程的批量方案,加微信聊。
八、计费
| 动作 | 口径 | 折合 |
|---|---|---|
文档问答 file_qa/chat | 输入 2,600 点/百万 Token(租户价) | 一次 2,492 Token 的问答实测 16.55 点 ≈ 0.17 元 |
| 图片视觉识别 | 按所选模型的 Token 计费规则扣点 | 以返回的 usage 为准 |
file_qa/parse 结构化解析 | 同上(按 Token) | — |
查询任务 GET /api/v1/tasks/{id} | 免费 | — |
1 元 = 100 点。按实际用量扣点,没有月费。
平台同时给出标准价与租户价字段(
tenant_*,平台侧报价),两者都未必等于实际结算价;以返回里的data.usage.points_cost为准。
每次返回的data.usage.points_cost就是本次真实扣费。
九、权限与边界
| 能力 | 是否申请 | 用途 |
|---|---|---|
| 网络访问 | 申请 | 调用 api.a7w.cn 的模型网关与文档接口(本 Skill 唯一的联网行为) |
| 读取文件 | 仅读取你指定的输入文件 | 上传到公网存储后作为素材入参 |
| 写入文件 | 仅在传入 --out 时 | 保存返回的 JSON |
| 凭证 | 读取你自己提供的 API Key | 从环境变量或 ~/.a7w/config.json 读取 |
不内嵌任何密钥。 请求只发往 api.a7w.cn,不发送到其他任何地址。
- 不提供 Key、不代付费用:Key 必须你自己在 api.a7w.cn 申请
- 不替代人工校验:金额、编号、专有名词等关键字段,上线前请抽样复核
- 不替代授权审查:处理他人文档与图片前,请自行确认授权
关于这个 Skill
作者亲测实操后发布,下载后可直接使用,自用商用都可以。
所有 AI 能力都走 算力集市 api.a7w.cn —— 一把 API Key 打通
大模型、语音、图像、视频、数字人等全部算力,注册即送点数,按量计费、没有月费。
| 你可能想问 | 答案 |
|---|---|
| 要不要额外部署 | 不用。下载本包即可使用,不必去别处找源码 |
| 怎么开始 | 到 api.a7w.cn 注册领 Key → 填进 A7W_API_KEY → 一条命令跑起来 |
| 能不能商用 | 可以 |
| 遇到问题找谁 | 见文末「联系我们」,作者本人答疑 |
使用中碰到任何问题 —— 报错、效果不理想、想省钱、想批量 —— 都欢迎加微信聊。
加好友时说一下是从哪个 Skill 找过来的,直接给你配套的示例。
联系我们
- 技术微信:9872659 —— 加好友时说一下是从哪个 Skill 找过来的,直接给你配套的 API Key 与能跑的示例。
- 要算力 / 要 API Key:算力集市 · 注册领 API Key —— 一个 Key 调用全部 AI 算力,注册、充值、创建 Key 都在这里。
- 更多 AI 插件与接口:AI 插件市场。
相关链接
| 链接 | 地址 | 说明 |
|---|---|---|
| 算力集市 · 注册领 API Key | api.a7w.cn | 一个 Key 调用全部 AI 算力;注册、充值、创建 Key 都在这 |
| AI 插件市场 | aigc.a7w.cn | 浏览全部 AI 插件与接口说明 |
| 三剪客 · 一句话批量出片 | ks.a7w.cn | 短剧二创 / 影视解说 / 矩阵号批量混剪桌面客户端 |
| 视频超清 · 在线批量超分 | vr.a7w.cn | 网页版视频超分,批量处理,最高 4K |
| 0人公司 · AI Agent 平台 | a7w.cn | 主站,了解整套 AI Agent 生态 |