Text aus einem Bild herausholen
Lege ein Bild ab, wähle es aus oder füge es mit Strg+V ein, entscheide dich für Deutsch oder Englisch und starte die Erkennung. Nach wenigen Sekunden steht der Text in einem Feld, das du direkt korrigieren, kopieren oder als .txt-Datei speichern kannst. Alles läuft in deinem Browser — ohne Upload, ohne Anmeldung.
Wofür eignet sich die Texterkennung?
Gut geeignet sind Vorlagen, bei denen die Schrift gerade steht und sich sauber vom Hintergrund abhebt:
- Screenshots aus Programmen, PDFs, Webseiten oder Videokonferenzen
- Scans von Briefen, Rechnungen, Verträgen und Formularen
- Fotos flacher Vorlagen, frontal aufgenommen und gleichmäßig ausgeleuchtet
Schwerer wird es bei schräg fotografierten Seiten, Schatten quer über dem Text, gewölbten Buchseiten, Bewegungsunschärfe und Text auf gemustertem Hintergrund. Das Werkzeug rückt Bilder nicht automatisch gerade (kein Deskew) — richte die Kamera also lieber gleich sauber aus oder schneide das Bild vorher zu.
Warum ist die Auflösung so entscheidend?
Weil OCR Buchstabenformen vergleicht: Sind zu wenige Pixel je Buchstabe da, verschwimmt rn
zu m, 1 zu l und 0 zu O. Die Tesseract-Dokumentation („Improving the quality of
the output") nennt 300 dpi als praktische Untergrenze für Scans und empfiehlt, Text mit
weniger als etwa 10 Pixel x-Höhe vorher hochzuskalieren.
Praktisch heißt das: lieber ein Scan mit 300 dpi als ein Handyfoto aus der Ferne, und lieber ein Screenshot in Originalgröße als einer, der vorher verkleinert wurde.
Was bedeutet der Konfidenzwert?
Die Engine gibt für die Vorlage einen Mittelwert zwischen 0 und 100 aus. Als grobe Einordnung:
- ab 85 — sieht sauber aus, trotzdem Zahlen und Eigennamen prüfen
- 70 bis 85 — brauchbar, aber mit Fehlern rechnen
- unter 70 — bessere Vorlage besorgen (näher heran, mehr Licht, gerader Winkel)
Wichtig: Der Wert misst, wie sicher sich das Modell ist — nicht, ob es recht hat. OCR irrt sich gelegentlich mit hoher Konfidenz, besonders bei Ziffern. Deshalb ist das Ergebnisfeld bearbeitbar: Korrigieren gehört zum Vorgang.
Deutsch, Englisch oder beides?
Jede Sprache bringt ihr eigenes Modell samt Wörterbuch mit. Ein deutsches Modell liest „Straße" richtig, ein englisches macht daraus schnell „StraBe". Bei gemischten Dokumenten kannst du Deutsch + Englisch wählen; das kostet etwas Tempo und ist je Sprache minimal ungenauer, spart aber zwei Durchgänge.
Warum lädt der erste Start Daten nach?
Weil die Erkennung auf deinem Gerät passiert. Beim ersten Mal kommen der WebAssembly-Kern (rund 3 MB) und das gewählte Sprachmodell (1,3 MB Deutsch, 3 MB Englisch) aus unserem eigenen Verzeichnis — nicht von einem fremden CDN. Danach liegen die Sprachdaten im Browser-Cache und der nächste Lauf startet sofort. Die Größe steht vor dem Start sichtbar da, damit im Mobilfunknetz niemand überrascht wird.
Was passiert mit meinem Bild?
Nichts, was es verlässt. Das Bild wird in ein Canvas gezeichnet, an den Erkennungs-Worker im selben Tab übergeben und danach verworfen. Es gibt keine Upload-Adresse, keine Warteschlange und kein Konto. Das ist der eigentliche Grund für diese Variante: Gehaltsabrechnungen, Arztbriefe und Verträge gehören nicht auf einen fremden Server.
Ehrliche Grenzen
- Keine Handschrift, keine Fraktur — die Modelle sind auf moderne Druckschrift trainiert.
- Kein Layout-Erhalt — mehrspaltige Seiten, Tabellen und Formulare kommen als fortlaufender Text zurück; die Spaltenreihenfolge kann durcheinandergeraten.
- Kein automatisches Geraderücken, keine Belichtungskorrektur.
- Ein Bild pro Durchgang. Für ganze Dokumente gibt es das PDF-Werkzeug „durchsuchbar machen", das jede Seite einzeln erkennt und eine unsichtbare Textebene einbaut.