LSTM 深度神经网络引擎
告别传统模板匹配，全面拥抱深度学习。长短期记忆（LSTM）网络结合字符级语义上下文，大幅提高复杂背景与中英文混排识别率。
Tesseract 5.5.3 — 最新稳定版
全球最受推崇的免费开源
OCR 文字识别引擎
Tesseract OCR 是工业界公认的开源光学字符识别标准引擎。 采用 LSTM 神经网络，可从图片和扫描文档中识别 100 多种语言的文字；对清晰的印刷页面，字符准确率通常超过 99%。完全离线运行。
60k+
GitHub 星标
100+
支持的语言
40年
发展历史
99%
清晰印刷文本准确率
$0
费用 — 永久免费
$ tesseract invoice.png output -l chi_sim+eng --psm 3 pdf hocr
初始化 Tesseract OCR v5.5.3 (LSTM 神经网络引擎)...
加载 Leptonica 图像处理库: invoice.png (300 DPI, 2480x3508)
加载语言模型: chi_sim.traineddata, eng.traineddata
执行页面布局版面分析 (PSM 3: 全自动页面分割)...
执行 LSTM 深度字符识别... 耗时 0.76 秒
✓ 成功生成 output.txt (纯文本提取)
✓ 成功生成 output.pdf (双层可搜索可复制 PDF)
✓ 成功生成 output.hocr (包含边界框坐标与置信度的 XML)
Tesseract 工作原理
从原始图像到可搜索文档的 5 步专业 OCR 识别流水线
01
图像预处理 (Leptonica)
自动执行自适应二值化（Otsu算法）、倾斜校正、噪点去除和分辨率标准化，确保文字特征最清晰。
02
版面布局分析 (PSM)
检测多栏排版、段落结构、表格及非文字区域，智能确定各文本块的自然阅读顺序。
03
基准线检测与切分
追踪每行文本的基线曲率，并将连体字与复杂字符块精准拆分为待识别图元。
04
LSTM 神经网络识别
双向循环神经网络结合上下文语言概率模型，对中英文字符进行高精度解码识别。
05
多格式结构化输出
将识别成果输出为纯文本、双层可搜索 PDF、hOCR (HTML)、ALTO XML、TSV 数据表格等。
浏览器演示
试用在线 OCR →
在线试用 Tesseract — 无需安装
在浏览器中把扫描图片和 PDF 转换为可编辑文本或可搜索 PDF。文件不会被上传。
📥 安装 Tesseract OCR
在 Windows、macOS、Linux、WSL2、Docker 或 Conda 上安装引擎、添加语言数据并验证是否可用 —— 详见完整的分步指南。
⚡ 常用命令速查表
日常 OCR 工作中最常用的 Tesseract 命令行命令。
基本文字提取
把图片中的文字提取到 .txt 文件。
tesseract image.png output
指定语言
使用 -l 参数指定语言（例如德语）。
tesseract image.png output -l deu
多种语言
用 + 组合多种语言，处理混合语言文档。
tesseract image.png output -l eng+fra
输出为 PDF
生成带有隐藏可选文字层的可搜索 PDF。
tesseract image.png output pdf
提取单词坐标（hOCR）
以 HTML 结构获取每个识别单词的精确坐标。
tesseract image.png output hocr
自定义版面分析
使用 --psm 6 将图片视为单个统一的文本块。
tesseract image.png output --psm 6
列出可用语言
显示系统中已安装的所有语言模型。
tesseract --list-langs
导出为 TSV（表格）
导出逐词的详细数据和置信度分数。
tesseract image.png output tsv
核心功能特性
深受全球数百万开发者与科研机构青睐的开源利器
支持 100+ 种全球语言
原生支持简体中文、繁体中文、英文、日文、韩文、阿拉伯文、俄文等世界各种书写体系，支持多种语言并行识别。
直接生成可检索 PDF
扫描件无需重排，自动在图像底层叠加透明文字层，生成具备完整搜索、高亮和复制特性的标准 PDF 文档。
100% 离线与隐私安全
纯本地运算，无需网络连接，不产生任何第三方云端数据传输，完全满足金融、医疗与企业级合规保密要求。
结构化数据输出 (hOCR / TSV)
提供字符级别的坐标边界框（Bounding Box）及置信度分值，为自动化表格抽取与版面重建提供坚实基础。
性能与准确率参考
Tesseract 5 在不同分辨率和图像质量下的典型准确率与速度参考。
| 输入 DPI | 字符准确率 | 处理速度 | 推荐用途 |
|---|---|---|---|
| 150 DPI | ~85–90% | 快 | 仅用于草稿/预览 |
| 300 DPI | ~98–99% | 最佳 | 标准文档 |
| 600 DPI | ~99% | 慢 | 高保真归档 |
| 语言 | 典型准确率（300 DPI） | 说明 |
|---|---|---|
| 英语（拉丁字母） | ~99% | 训练数据最丰富；清晰印刷几乎完美 |
| 西班牙语 / 葡萄牙语 / 德语 / 法语 / 意大利语 | ~97–99% | 重音和变音符号需要正确的模型 |
| 俄语 / 西里尔字母 | ~96–98% | 有成熟的 LSTM 模型 |
| 中文 / 日文 / 韩文 | ~92–97% | 字符集庞大；版面影响较大 |
| 阿拉伯语 / 天城文 | ~90–96% | 字形变化和连字会影响结果 |
| 引擎 | 许可证 | 优势 | 不足 |
|---|---|---|---|
| Tesseract 5 | Apache 2.0 | 100 多种语言、CPU 友好、完全离线、可调参数多、生态庞大 | 手写和噪点很多的扫描件效果较弱 |
| EasyOCR | Apache 2.0 | 深度学习精度、80 多种语言、Python API 简单 | 偏重 GPU，CPU 上较慢，可调项少 |
| PaddleOCR | Apache 2.0 | 版面与表格分析能力强，难以识别的扫描件表现好 | 依赖较多，需要 PaddlePaddle 运行时 |
关于这些数字：它们是使用标准 LSTM 模型处理清晰的白底黑字印刷文本时的大致典型值，并非正式基准测试。实际结果取决于扫描质量、字体、版面和语言。请用您自己的文档进行测量，并参阅项目的测试说明。
建立在数十年研究之上
Tesseract 的发展记录在多篇同行评审论文中，是现代文字识别技术的基础之一。
- Ray Smith (2007): "An Overview of the Tesseract OCR Engine" — 介绍 Tesseract 引擎设计的经典论文。
- Ray Smith (1994): "A Comparison of Tesseract and Other OCR Systems" — 对早期 Tesseract 与其他 OCR 系统的历史性比较评测。
真实应用场景
Tesseract 不只是识别文字，还能让各行各业的数据流程实现自动化。
$42.50
{ "total": 42.50 }
费用报销自动化
从小票照片中自动提取总金额、日期和明细，导入记账或报销应用。
XYZ-1234
车牌识别
为停车场管理或交通监控构建开源的自动车牌识别（ANPR）系统。
身份核验（KYC）
从护照和驾照中程序化提取姓名和证件号码，简化用户核验流程。
PDF
大规模数字化
把无法搜索的档案或企业 TIFF 文件批量转换为可搜索的 PDF。
100+ 种语言
Tesseract GUI 桌面工具推荐
无需使用命令行，开箱即用的图形界面免费软件
gImageReader
基于 GTK/Qt 的优秀图形化前端。支持 PDF/图片批量处理、OCR 区域手动框选及后处理校对。
查看 gImageReader →OCRmyPDF
自动化 PDF 双层可搜索化神器。具备自动旋转纠偏、图像去噪及高质量 PDF/A 归档生成功能。
查看 OCRmyPDF →VietOCR
基于 Java/.NET 打造的跨平台经典 GUI 工具，支持批量 OCR 转换和内置拼写检查功能。
查看 VietOCR →页面分割模式 (PSM) 详解
根据文档类型选择恰当的 PSM 模式以获得最高识别准确率
| PSM 参数 | 模式描述 | 最佳适用场景 |
|---|---|---|
--psm 3 |
全自动页面分割 (默认) | 标准多段落普通文档、书籍或整页扫描件。 |
--psm 6 |
单个统一文本块 | 发票、小票、收据、单一排版的文本块。 |
--psm 7 |
单行文本 | 车牌号码、条形码下方文本、截取的单行标题。 |
--psm 8 |
单个单词或独立词组 | 验证码、徽标文字、独立商品编码。 |
--psm 11 |
无特定顺序的稀疏文本 | 名片、海报、传单、表格中散落的数据项。 |
关于 Tesseract OCR 的常见问题
Tesseract OCR 在实际中能做什么？
它能把包含文字的图片（如扫描的发票、小票和旧书）转换为可搜索、可编辑的文本，是大量数据录入自动化工具、数字档案和扫描应用背后的识别引擎。
Tesseract OCR 可以免费商用吗？
可以。Tesseract 采用 Apache 2.0 开源许可证，个人、学术和商业项目都可以免费使用，无需支付任何授权费或 API 费用。
2026 年 Tesseract OCR 还好用吗？
好用。自第 4 版引入 LSTM 神经网络（第 5 版进一步优化）以来，Tesseract 在印刷文字识别上依然能与付费 OCR API 竞争，而且完全离线运行，隐私更有保障。
Tesseract OCR 属于人工智能吗？
属于。旧版本（v3）依赖传统的模式匹配，而 v4 及以后版本使用 LSTM（长短期记忆）循环神经网络，这是一种专门处理文本行等序列数据的深度学习架构。
Tesseract v4 和 v5 有什么区别？
Tesseract 5 保留了高精度的 LSTM 模型，同时速度明显快于第 4 版，修复了许多内存泄漏，并更新了训练工具。目前生产环境推荐使用第 5 版。
Tesseract 有图形界面吗？
没有。Tesseract 主要是 C/C++ 库和命令行程序。如果需要图形界面，可以使用基于 Tesseract 的第三方应用，例如 gImageReader 或 NAPS2。
Tesseract 能在浏览器中运行吗？
可以。tesseract.js 等项目把 C++ 代码编译为 WebAssembly，因此无需后端服务器即可在浏览器中运行 OCR。本站的在线 OCR 工具就是这样实现的。
如何用自定义字体训练 Tesseract？
使用 tesstrain 仓库。它基于 Makefile，能自动完成真值数据准备、训练以及对现有 .traineddata 模型的微调。
为什么 Tesseract 的输出有时是乱码？
Tesseract 需要清晰、高对比度的图片。如果图片模糊、对比度低或背景复杂，请先用 OpenCV 或 ImageMagick 进行二值化、纠偏等预处理。
Tesseract OCR 支持哪些图片格式？
通过 Leptonica 图像库，Tesseract 原生支持 PNG、JPEG、TIFF、BMP、PNM、GIF 和 WebP。为了获得最佳准确率，建议使用 300 DPI 以上的 TIFF 或 PNG 等无损格式。
Tesseract OCR 的准确率有多高？
对于清晰的高分辨率扫描文档，Tesseract 5 的字符准确率通常超过 95%，标准印刷文本经常超过 99%。低质量扫描、手写、艺术字体或嘈杂背景会降低准确率。
Tesseract OCR 可以离线使用吗？
可以。Tesseract 完全在本地运行，不会把图片发送到任何外部服务器，非常适合医疗记录、法律文件或金融数据等不能使用云端 OCR 的场景。
Tesseract 与 Google Cloud Vision API 该选哪个？
Tesseract 免费、开源且完全离线，适合注重隐私、大批量处理和内网环境。Cloud Vision API 在复杂图片和手写上开箱即用的准确率更高，但按次收费并需要把图片发送到 Google 服务器。
如何提高 Tesseract OCR 的准确率？
图片质量是关键：放大到 300 DPI 以上、转为灰度并二值化、纠正倾斜、去除噪点，并为版面选择合适的 PSM（例如 --psm 6）和正确的语言模型（例如 -l chi_sim+eng）。
Tesseract 有哪些现代深度学习替代方案？
PaddleOCR 是基于深度学习的 OCR 框架，擅长复杂版面、弯曲文字和表格识别。Docling 是开源文档转换引擎，可把 PDF 和图片转换为 Markdown 和 JSON，并调度底层 OCR 引擎。
开始提取文字吧
从一条命令到完整的自动化 OCR 流程。
$ tesseract scan.png stdout -l chi_sim