2026 年 OCR 實測對比 — Tesseract、Google Vision、ChatGPT、Apple Live Text（真實準確率資料）
2026-05-22
OCR — Optical Character Recognition，把圖片裡的文字轉成真正可編輯的文字 — 以前體驗很差。我還記得 2008 年掃教科書頁面，軟體輸出的全是亂碼。
到了 2026 年，它好了。有時候好到嚇人。但營銷說辭跟現實對不上，所以我自己跑了一遍 — 100 張真實圖片 × 4 款常用工具的基準測試。這篇文章是我發現的。
參與者
100 張圖片，分 5 類各 20 張：
- 20 張乾淨的印刷文字：書頁、雜誌文章、電腦列印的收據。
- 20 張手寫文字：4 個不同人的筆記（草書和印刷體）。
- 20 張截圖：程式碼、終端輸出、網頁、幻燈片。
- 20 張低光照/模糊照片：昏暗餐廳裡拍的收據、模糊的招牌。
- 20 張多語言：中文、日文、韓文、阿拉伯文、混合語言文件。
參賽工具：
- Tesseract.js — 開源，透過 WebAssembly 在瀏覽器裡跑。這是 ToolKoala 圖片轉文字工具 使用的引擎。
- Google Cloud Vision API — Google 的商業 OCR。每 1000 張圖片 1.5 美元。
- ChatGPT（GPT-4o vision） — LLM 當 OCR 用。按當前定價約每張 0.01 美元。
- Apple Live Text — macOS Sonoma+ 和 iOS 16+ 自帶。硬體支援就免費。
我排除了 ABBYY FineReader（商業，200 美元授權，面向企業）和 Microsoft Azure Vision（按我的經驗跟 Google Cloud Vision 平手）。
測試方法
對每張圖片，我手工錄入了正確答案，然後測量字元錯誤率（CER） — OCR 錯的字元百分比（替換、插入、刪除）。越低越好。CER 低於 5% 一般夠用，低於 1% 優秀。
總體結果（100 張圖，越低越好）
| 工具 | CER | 備註 |
|---|---|---|
| ChatGPT GPT-4o | 2.1% | 總體明顯最好 |
| Google Cloud Vision | 3.4% | 各類別最穩定 |
| Apple Live Text | 4.8% | Apple 生態優秀 |
| Tesseract.js | 6.7% | 最佳免費/隱私選項 |
這個總分有誤導性。按類別細分才能看出每個工具的強弱。
乾淨印刷文字（簡單類別）
| 工具 | CER |
|---|---|
| ChatGPT GPT-4o | 0.4% |
| Google Cloud Vision | 0.6% |
| Apple Live Text | 0.8% |
| Tesseract.js | 1.2% |
實際使用基本看不出差別。只要輸入是乾淨的印刷文字，任何一款都行。按其他標準選（費用、隱私、速度）。
手寫（困難類別）
| 工具 | CER |
|---|---|
| ChatGPT GPT-4o | 4.1% |
| Google Cloud Vision | 8.2% |
| Apple Live Text | 12.5% |
| Tesseract.js | 23.0% |
這裡 LLM 遠遠甩開所有人。ChatGPT 基本就像人一樣"讀"手寫 — 用上下文消除歧義字母。Tesseract.js 做不到這一點，它是字元識別模型，不是語言模型。
如果你的活兒是數字化手寫筆記，ChatGPT 是答案。準確率差距巨大。
截圖和程式碼（有點棘手）
| 工具 | CER |
|---|---|
| Google Cloud Vision | 1.8% |
| ChatGPT GPT-4o | 2.4%（但會加額外評註） |
| Apple Live Text | 2.6% |
| Tesseract.js | 4.5% |
ChatGPT 在這裡有個問題：它有時會"好心"加解釋或修正它認為是的筆誤。我需要明確提示"原樣轉錄，包括筆誤，不要解釋或修正"— 即便這樣，三分之一的嘗試還是會偏。
純轉錄截圖，Google Cloud Vision 最乾淨。Tesseract.js 處理程式碼不錯，但遇到終端輸出裡的特殊字元會卡。
低光照和模糊照片
| 工具 | CER |
|---|---|
| ChatGPT GPT-4o | 3.5% |
| Google Cloud Vision | 5.1% |
| Apple Live Text | 7.2% |
| Tesseract.js | 14.0% |
LLM 再次勝出，因為它們利用上下文。Tesseract 看到"Iotal"就輸出"Iotal"。ChatGPT 看到收據中間的"Iotal"就輸出"Total"。有時有用，有時錯（比如收據裡真實商品名長得像錯讀）。
多語言
| 工具 | English | 簡體中文 | 日本語 | 한국어 | العربية |
|---|---|---|---|---|---|
| ChatGPT GPT-4o | 0.4% | 1.8% | 2.1% | 2.4% | 3.0% |
| Google Cloud Vision | 0.6% | 2.4% | 2.0% | 2.5% | 3.6% |
| Apple Live Text | 0.8% | 3.8% | 3.5% | 5.5% | n/a |
| Tesseract.js | 1.2% | 8.5% | 7.0% | 9.0% | 11.5% |
Tesseract 在 CJK 和阿拉伯文（RTL）上明顯落後。ChatGPT 和 Google Cloud Vision 都不錯，ChatGPT 稍好。
混合語言文件（比如日英幻燈片），ChatGPT 最好，因為它能在文件中間切換語言。Tesseract 需要預選語言組合（我們在 ToolKoala 提供了"English + 簡體中文"這種預設）。
隱私和成本
這裡比純準確率有意思。
| 工具 | 隱私 | 成本（1000 張收據） | 離線？ |
|---|---|---|---|
| Tesseract.js | 僅本地 — 不離開瀏覽器 | $0 | 是 |
| Apple Live Text | 裝置端 | $0 | 是 |
| Google Cloud Vision | 上傳到 Google | 約 $1.50 | 否 |
| ChatGPT GPT-4o vision | 上傳到 OpenAI | 約 $10 | 否 |
每月處理 1000 張收據的小生意：
- ChatGPT API：每月 10 美元，賬單隨影象複雜度上升。
- Google Cloud Vision：每月 1.5 美元，非常便宜。
- Tesseract.js 或 Apple Live Text：每月 0 美元。英文/歐洲語言上 Apple 更準；CJK 選對語言預設的話 Tesseract 更準。
對於隱私敏感內容 — 醫療記錄、身份證掃描、財務文件、公司內部截圖 — 無論準確率多高，ChatGPT 和 Google Cloud Vision 都不能用。選項收縮到 Apple Live Text（Mac/iPhone 上單張處理）或 Tesseract.js（需要批處理 / 非 Apple 平臺）。
該選誰
選 ChatGPT GPT-4o 如果：
- 你數字化手寫，準確率比隱私重要。
- 量小（少於 100 張），不介意付費。
- 內容不敏感。
選 Google Cloud Vision 如果：
- 要便宜地處理 10000+ 張圖片。
- 整合到後端服務。
- 內容不敏感。
選 Apple Live Text 如果：
- 你在 Mac/iPhone 上。
- 一次處理一張，隨手用。
- 文字主要是英文、西班牙文、法文、德文或其他主要拉丁字元語言。
選 Tesseract.js / ToolKoala 如果：
- 你在意隱私（圖片不離開瀏覽器）。
- 需要 CJK 或其他非拉丁字元支援，但不想按次付費。
- 偶爾做批次工作，不想配置 API key。
- 把 OCR 提供給非技術使用者（瀏覽器工具不用裝也不用註冊）。
Tesseract 的弱點（誠實告訴你）
既然我維護一個基於 Tesseract 的工具，這裡是它已知的弱點，你心裡有數：
- 手寫：弱。別用 Tesseract 幹這事。
- 藝術字型：弱。書法、裝飾字型、手繪招牌 — 都有問題。
- 低解析度圖片：弱。文字高度低於 200 px 就吃力。
- 混合方向/曲線文字：處理不好。
- 大幅傾斜的圖片：需要先轉正。
如果你的輸入是上面這些，用 ChatGPT 或 Google Cloud Vision。對於乾淨的印刷文字、零上傳、瀏覽器內跑，Tesseract.js 夠好。
我日常實際用什麼
個人工作流：
- 手機拍的收據和賬單：Apple Live Text（在 Photos 里長按圖片 → 複製文字）。瞬時，裝置端。
- YouTube 教程的程式碼截圖：ToolKoala 圖片轉文字。英文預設。比從壓縮縮圖裡複製貼上乾淨。
- 從書的照片裡引用：ToolKoala 或 Apple Live Text。看哪個手邊方便。
- 手寫筆記（少見）：透過桌面 ChatGPT 應用。貼上圖片，問"原樣轉錄，保留換行"。
- 報稅的批次收據（每年一次）：用 Python 指令碼調 Google Cloud Vision，寫過一次然後忘了怎麼寫。
我從沒付過任何專門的 OCR 服務。"日常用裝置端免費 + 難的用 LLM + 批次用 Google Cloud Vision"的組合就夠了。
總結
2026 年的 OCR 不再是一個類別了。至少分三類：
- 字元識別（Tesseract、Apple Live Text）：快、免費、離線。適合乾淨文字。
- 雲 OCR API（Google Vision、AWS Textract、Azure）：可擴充套件、按圖便宜。適合批次。
- LLM 當 OCR（GPT-4o、Claude vision、Gemini）：貴、慢、但理解上下文。適合困難場景。
按任務選，不按營銷說辭選。如果處理的是不想上傳的東西 — 賬單、身份證、醫療、內部文件、草稿 — 答案在前兩種裝置端選項裡，不在那種當下最被熱炒的 AI 裡。
試試 ToolKoala 的 OCR
如果你現在就想要一個免費、不註冊、不上傳的 OCR 工具，ToolKoala 圖片轉文字 支援：
- 12+ 種語言，包括英文、中文（簡體+繁體）、日文、韓文、西班牙文、法文、德文、俄文、阿拉伯文、葡萄牙文、義大利文
- 混合語言模式（English + 簡體中文、English + 日本語）
- 輸出可就地編輯（複製前修任何 OCR 錯誤）
- 下載為
.txt
開啟 DevTools → Network 面板驗證零上傳。