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 Keyapi.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

同类文章