OCR 是图片翻译的地基。译文再好,也不可能好过识别出来的原文——识别错一个字,后面整条链路都在翻译一个错误的输入。所以选引擎这件事,值得先看清楚公开评测都测出了什么。
先说清楚:下面的数字不是我们自己测的。我们没有自研 OCR 引擎,PicTranslate 的识别与翻译由上游模型服务提供。本文是对公开评测的整理,每个结论都标了出处,你可以自己去核对。
印刷体:商业 API 之间差距已经很小
对干净的印刷文本,主流商业 API 的准确率都已经进入高位区间,彼此的差别小于「图片质量」带来的差别。2025 年 11 月的一份横向整理把 Azure Document Intelligence 排在首位,GPT-5、Gemini 2.5 Pro、Google Vision、Amazon Textract 紧随其后,几家都处在很高的准确率水平。
实际含义是:如果你的素材是扫描清晰的文档或印刷包装,选哪家商业 API 都不会成为瓶颈,价格和接入成本反而更值得权衡。
手写体:这是真正拉开差距的地方
开源 Tesseract 在手写体上的表现是断崖式的。一项针对多页手写文档转写的研究发现,Tesseract 基本无法产出有意义的转写结果,而多模态大模型在同类任务上明显更强。这不是调参能弥补的差距,是技术路线的差别。
小语种与低资源语言:别假设覆盖
引擎宣称支持某种语言,和它在那种语言上真的可用,是两件事。一项针对僧伽罗语和泰米尔语的零样本 OCR 对比研究显示,低资源语言的识别质量与主流语言差距很大。如果你的素材是小语种,厂商的语言列表只能当作起点,必须自己用真实素材验一遍。
成本与部署:开源的代价不在授权费
Tesseract 免费且可本地运行,延迟低、数据不出内网。代价是你要自己承担部署、调优和准确率兜底。云 API 按页计费、需要网络往返,但省掉的是工程时间。规模小的时候云 API 几乎总是更划算,规模大到一定程度自建才开始有意义。
对图片翻译来说,最要紧的其实不是准确率数字
通用 OCR 评测衡量的是「认不认得出字」。但图片翻译还需要:判断阅读顺序(日漫竖排右起、条漫超长竖图)、识别气泡和文本块的边界、知道哪段文字属于同一句话。这些在纯 OCR 评测里都不计分,却直接决定译文读起来是否通顺。
所以拿一份 OCR 排行榜去选图片翻译工具,是选错了指标。更实际的做法是拿你自己最难的那几张图,各家都跑一遍,看输出能不能直接用。
怎么选
- 干净印刷文档:任一主流商业 API 都够用,按价格和接入难度选。
- 手写内容:避开 Tesseract,用多模态大模型或专门的手写识别服务。
- 小语种:先用自己的真实素材做一轮验证,别信语言列表。
- 数据不能出内网:Tesseract 或本地部署模型,接受准确率折损。
- 图片翻译:别只看 OCR 指标,看端到端输出能不能直接用。
Sources
