Mac 上的文字识别

文字识别能从屏幕上读到什么

屏幕能显示的一切。文字长在图片里、视频里，还是在一个关掉了复制的应用里，hop 都不在意——它读的是像素，不是文件。

• 一张网络研讨会的幻灯片，或者通话里别人共享屏幕的某一帧
• 一份连一个词都不让你选中的 pdf
• 别人在聊天里发来的一张截图
• 某个应用弹出的、拒绝被复制的报错
• 一份文件、一张小票、一页书的照片
• 你从「访达」里拖进窗口的一张图

实况文本已经能做什么，又在哪里到头

macOS 自带实况文本，而且它够得比大多数同题文章愿意承认的要远。「照片」里的一张相片、网页上的一张图、「预览」里的一页——文字就像在文稿里一样直接选。它免费，已经在你的 Mac 上，如果它覆盖得了你的情况，你什么都不用再装。

视频也在覆盖范围里，从 Ventura 起就是。在 Safari、QuickTime 播放器或「快速查看」里把片子暂停，那一帧就会被当成图片来分析：文字变成可选的。谁要还跟你说 Mac 没法从暂停的视频上复制文字，那是落后了三个大版本。

这个行为在 Apple 自己的文档里有名字：播放器视图会「在你暂停播放时尝试找出其中的物体、文字和人物」，从 macOS 13 起默认开启（英文页面）： AVPlayerView.allowsVideoFrameAnalysis

它够不到的地方

边界就落在那句话里：这套分析属于 Apple 的播放器视图。自己画视频画面的软件永远拿不到它——Chrome、Firefox、VLC。压根不是图片的窗口也一样：一个对话框、安装程序里的一串许可证密钥、一个连复制按钮都没做的工具里的表格。通话里的屏幕共享，是别人的像素以视频的形式送过来，那里同样没有什么可选。

这个缺口就是这个模块存在的理由。视频系统自己处理得很好；它不肯做的是读任意一个矩形。而一旦你读的是一个矩形，像素是谁画的就不再重要了。

躺在硬盘上的扫描版 pdf 又是另一件事、另一个模块：它不在屏幕上，而且你要的是整个文件，不是眼前看得见的那一块。 转换器能把 pdf 里的文字取出来

那从图片里取文字到底需不需要这个

如果这些像素属于 Apple 认得的东西——一张相片、一页 pdf、在 Safari 或 QuickTime 里暂停的一段片子——用实况文本，这一页剩下的都可以跳过。简单的情况在像素换了人画的那一刻结束，从那之后，免费的路子就不再是「选中、复制」，而变成了「先截图、打开截图、选中复制、再把文件删掉」。

每一次识别同时落进剪贴板历史，所以一小时前取出来的那段文字仍然在，你不必为了留住它而先粘到什么地方去。 剪贴板历史是怎么工作的

在 Mac 上怎么从图片里取出文字

在屏幕上框出一块

在屏幕上你要的那一块外面框一下——和截图是同一个动作——文字会出现在一个窗口里，而不是直接进剪贴板。那个窗口才是关键：你读一遍，把字体害它认错的那个字改掉，然后整段复制，或者只复制你真正需要的那一行。

快捷键、它读得懂哪些语言、结果落在哪里——手册那一侧，中文的： 说明书里的文字识别

或者把图片拖进来

图片本来就是个文件的时候，再去框屏幕就是绕路。从「访达」把它拖进窗口，或者用 ⌘V 粘一张进来——识别是同一套，交回文字的窗口也是同一个。

换行留得住

大多数识别交回来的是一长条词。表格变成一锅粥，代码片段直接不能用，你修结果花的时间比重新打一遍还长。

hop 把它找到的换行保留下来。表格还是表格，代码片段还是代码片段，地址还是三行而不是一行。这件事小得不值一提，直到你第一次粘进一张十二行的表格、而且一个字都不用动。

码和文字一次读完

码是跟文字一起读出来的——没有单独的模式，也不用切到第二个应用。识别结果如果是一个网址，旁边会多一个「打开链接」的按钮。只有网址才有：扫出来的码是不可信的输入，所以电话号码、Wi-Fi 密码或者一张联系人卡片都只是纯文本，不会自己跑去做任何事。

从屏幕上读码是另一件事，有它自己的理由和自己的坑——二维码在你点进去之前，是没法用眼睛检查的。 怎么在 Mac 上扫二维码

同一个引擎，你自己也够得着

这个模块里有一样东西根本不是我们的。识别用的是 Apple 的 Vision，也就是实况文本底下那套框架，而它并没有藏在任何应用后面——十几行 Swift 就能在终端里调到它，装个 Command Line Tools 就行，不需要 Xcode。

写这一页的时候我们跑过：macOS 26.6.2，没装 Xcode。围着 VNRecognizeTextRequest 写的十五行代码读了一张测试图，按原顺序交回了三行，换行完好。同一个调用还会报出引擎接受多少种语言：三十种，什么都不用下载。

这个请求从 macOS 10.15 起就是公开 api，所以这里没有任何取巧的成分（英文页面）： VNRecognizeTextRequest

所以这个模块的价值不在识别。引擎每台 Mac 上都有，免费，谁愿意写那个文件并把它收好，谁就能用。脚本答不上来的是「往哪儿瞄」：它收的是文件，而整个问题恰恰是文字在屏幕上、不在文件里。hop 做的是瞄准，不是识别。

什么都不会离开你的 Mac

识别在本地跑，用的就是那个 Vision 引擎。没有图片被上传，没有服务器看得见你的屏幕，关掉 Wi-Fi 也照样能用——这一点在这里比平时更要紧，因为人们框起来的往往是发票、合同和别人的幻灯片。

hop 没有账号、没有画像、不收集任何使用数据。它唯一会发出去的，是检查更新时报上自己的版本号。

框一块区域意味着要读取框里的内容，所以 macOS 第一次会问你要权限。并不是每个跟屏幕打交道的工具都需要：取色走的是系统放大镜，它只交回一个像素，什么权限都不用。 取色器，以及它为什么什么都不问

frequently asked questions

macOS 自己能从图片里提取文字吗？

能——实况文本在「照片」「预览」「快速查看」和 Safari 里都能做，从 Ventura 起，在 Apple 自家播放器里暂停的视频上也能做。它止步于像素是别人画的地方：Chrome、Firefox、VLC，或者一个压根不是图片的应用窗口。

这和实况文本有什么不一样？

实况文本作用在系统认定为图片或正在播放的媒体上。hop 框的是屏幕上任意一个矩形，所以底下是什么——Chrome 里的视频、一个对话框、一次屏幕共享——都不再重要。

没有网络也能用吗？

能。识别在你自己的 Mac 上完成，用的是 Apple 的 Vision 引擎。什么都不上传，什么都不需要联网。

它认得哪些语言？

系统引擎认得的那些——这份名单来自 macOS，不是来自我们。在 macOS 26.6.2 上它报的是三十种，覆盖主要的欧洲和亚洲文字，而且不用下载任何东西。

我能不能直接在「终端」里用 Apple 的 Vision？

可以。围着 VNRecognizeTextRequest 写的一个短 Swift 文件，只装 Command Line Tools 就能跑。不过它读的是文件——要让它对准屏幕上的一个矩形，那一部分得你自己做。

真的免费吗？

完全免费。没有试用期、没有专业版、没有什么需要解锁。hop 是开源的，文字识别模块对所有人也一样敞开。

需要录屏权限吗？

框区域需要，macOS 第一次会问。什么都不会被录下来，什么都不会被存下来——那一帧读完就丢。把文件拖进窗口则完全不需要权限。

other tools in hop

• qr code scannerread the code where it sits on screen — no reaching for your phone.
• keyboard lockwipe the keyboard clean without shutting the Mac down.
• vpn switcherevery vpn your Mac knows about, one switch each.