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： * 标准版：支持简体中文和英文印刷体的通用文字识别，返回每个文本块的内容、坐标及置信度。 * 加强版：相比于标准版，识别精准度更高，且适用范围更为广泛。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 1. **获取访问凭证**：在开始之前，访问 AI MediaKit 控制台 [API Key 管理页面](https://console.volcengine.com/imp/ai-mediakit/settings)，创建并获取 **AI MediaKit API Key**（用于媒体处理功能鉴权）。 2. **准备图像文件**：准备一张包含文字的图片，并将其上传至公网可访问的服务器或[视频点播服务](https://www.volcengine.com/docs/4/2834?lang=zh)中，以获取可供 API 调用的 URL。 ### 操作流程您只需调用[提交图像文字识别（OCR）任务 API](https://docs.volcengine.com/docs/6448/2464628)，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。 ```Bash curl -X POST 'https://mediakit.cn-beijing.volces.com/api/v1/tools-sync/image-ocr' \ --header 'Content-Type: application/json' \ --header 'Authorization: Bearer {Your_API_Key}' \ --data '{ "image_url": "https://example.com/screenshot_with_text.jpg" }' ```

说明

将 {Your_API_Key} 替换为您的有效 API Key。

将 image_url 替换为您真实的图片地址。

#### 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。 ```JSON { "success": true, "task_id": "amk-tool-image-ocr-1716290500", "request_id": "20240521184140AABBCCDDEEFF112233", "result": { "ocr_result": [ { "content": "AI MediaKit", "confidence": 0.998, "top_left_x": 100, "top_left_y": 50, "bottom_right_x": 350, "bottom_right_y": 100 }, { "content": "图像文字识别", "confidence": 0.985, "top_left_x": 102, "top_left_y": 120, "bottom_right_x": 348, "bottom_right_y": 170 } ] } } ``` ## 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： ```Bash curl -X POST 'https://mediakit.cn-beijing.volces.com/api/v1/tools-sync/image-ocr' \ --header 'Content-Type: application/json' \ --header 'Authorization: Bearer {Your_API_Key}' \ --data '{ "image_url": "https://example.com/business_license.jpg", "tool_version": "max", "task_type": "keyword", "max_keywords": [ "法定代表人", "经营场所", "资质类型", "注册日期", "统一社会信用代码", "经营范围", "核准日期", "注册资本", "公司名称", "营业期限", "打印日期" ] }' ``` 关键词匹配识别的响应示例如下： ```JSON { "success": true, "task_id": "amk-tool-image-ocr-1716290600", "request_id": "20240521184240AABBCCDDEEFF223344", "result": { "keyword_result": { "公司名称": "火山引擎科技有限公司", "统一社会信用代码": "91120116MA07C5B112", "法定代表人": "张三", "注册资本": "1000万元人民币", "注册日期": "2023年01月01日" } } } ``` ## 参考信息 ### 应用场景 * **资质审查**：在银行、信贷、零售和电商等行业中，识别并核验营业执照、商标注册证等证件。这有助于节省人力成本、提高审核效率，并有效降低业务风险。 * **内容审核与管理**：在社交、电商等平台，识别图片中的违规文字，例如不文明用语、涉黄、涉暴等内容。这有助于快速定位问题图片并进行审核，从而有效规避业务风险。 * **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](https://docs.volcengine.com/docs/6448/2536893)。 | |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。 | ## 相关 API 文档 * [提交图像文字识别（OCR）任务 API](https://docs.volcengine.com/docs/6448/2464628)