文档中心

AI MediaKit

图像工具

图像文字识别（OCR）

AI MediaKit 图像文字识别（OCR）工具，能够快速、准确地识别图片中的印刷体文字（中英文），并返回每个文本块的可编辑内容、位置坐标及置信度，适用于从文档扫描件、屏幕截图、海报或自然场景图片中提取文本信息等多种场景。本工具提供两个版本：

本篇开发指南将引导您快速体验通过一次 API 调用完成图像文字识别。

快速体验：一键识别图中文字

图像文字识别是一个同步任务，您发起的请求会直接在响应中返回识别结果，无需轮询。

准备工作

获取访问凭证：在开始之前，访问 AI MediaKit 控制台 API Key 管理页面，创建并获取 AI MediaKit API Key（用于媒体处理功能鉴权）。

操作流程

您只需调用提交图像文字识别（OCR）任务 API，即可在 API 的响应体中直接获取识别出的文字信息。

步骤 1：提交任务并获取结果

可直接复制以下 cURL 命令，提交一个文字识别任务。

说明

步骤 2：查看响应

由于是同步接口，请求成功后，您会立即收到包含最终结果的响应。识别出的所有文本信息都包含在 result.ocr_result 数组中。

进阶使用

选择识别版本（tool_version）

您可以在提交任务时通过 tool_version 参数选择识别版本：

版本	tool_version 值	能力说明
标准版	standard（默认）	支持简体中文和英文印刷体的通用文字识别，返回文本块内容、坐标及置信度。
加强版	max	相比于标准版，识别精准度更高，且适用范围更为广泛。具体说明如下：除通用文字识别外，还支持关键词匹配识别，可按您指定的关键词从图片中检索并返回匹配文本。支持印刷体和手写体识别。支持 100+ 语种，其中中英文识别效果最优，其次为德语、法语、土耳其语、越南语、韩语、马来语、葡萄牙语、俄语、西班牙语、印尼语、泰语、意大利语、日语等 13 种常见语种。

confidence（置信度）字段仅标准版返回。

示例：使用加强版进行关键词匹配识别

当您仅需从特定类型的图片（如票据、证照）中提取固定字段时，可将 task_type 设为 keyword，并通过 max_keywords 传入待检索的关键词列表。识别结果通过 result.keyword_result 返回。

以下示例演示了如何从一张营业执照图片中提取关键信息：

关键词匹配识别的响应示例如下：

参考信息

应用场景

纸质文件内容电子化：将书本、论文、档案、PPT 等印刷文件内容快速电子化。识别并整理纸质文件中的文本，可方便学校、图书馆、企事业单位等进行资料录入，进而提高内容整理的效率。

使用限制

限制项	说明
输入图像来源	支持公网 HTTP/HTTPS URL、本地上传 (mediakit://)、火山引擎对象存储 (tos://) 三种输入协议。关于各协议的具体说明和使用示例，请参阅多源媒体输入与本地上传。
支持格式	支持 .png、.jpg、.jpeg、.webp、.tiff、.bmp 和 .heic。
支持语言	标准版：支持简体中文和英文。加强版：支持 100+ 语种，其中中英文识别效果最优，其次为德语、法语、土耳其语、越南语、韩语、马来语、葡萄牙语、俄语、西班牙语、印尼语、泰语、意大利语、日语等 13 种常见语种。
图像大小	单张图片不得超过 10 MB。
图像输入分辨率	短边不得超过 2160 px 长边不得超过 3840 px
图像质量建议	为保证最佳识别效果和性能，请注意：图像方向：避免使用旋转角度超过 30 度的图片，以防识别效果不佳或处理超时。文字密度：对于文字密度过高的图片（例如整页密排的文档），建议将其切分后再提交识别，以规避因处理内容过多而导致超时。