屏幕取词与图片转文字怎么用？

提到幕析图像，多数人第一反应是"提取视频字幕"。但屏幕上的文字不只视频里有：网页上一段复制不了的引文、PDF 扫描件里的正文、别人发来的表格截图、软件弹窗里一整串报错信息——这些都是同一类麻烦：看得见，拿不走。

这两件事在幕析 AI 版里分别叫"屏幕取词"和"图片识别"。这篇讲它们各自怎么用、边界在哪里，以及最容易选错的那个岔路口。

先弄清楚：四种识别各管一段

幕析 AI 版把识别分成四类，选择依据只有一个——文字在哪儿、会不会变。

要处理的东西	用哪一类	结果形态
本地视频文件里的硬字幕	视频字幕识别	带时间轴的文本，可导 SRT / TXT
正在播放的在线视频、逐句往上滚的字幕	屏幕实时识别	边播边出的连续文本
一张图里的文字：截图、扫描件、照片	图片识别	纯文本，或还原成表格导 CSV
屏幕上此刻显示的一段静态文字	屏幕取词	置顶浮层里的一段文本

顺带说明一个容易误会的地方：表格模式不是一种独立的识别，它只是取词和图片识别的一种输出形式——同一批文字，可以按行取走，也可以按行列结构取走。

屏幕取词：框一次，只认一帧

取词的交互是所有功能里最省动作的：按一次快捷键，框一下，拿结果。

1. 把要取的那段文字显示在屏幕上（网页、PDF、图片查看器、任何软件都行）。
2. 按 Ctrl+Alt+A。软件主界面会自动收起，光标变成框选状态。
3. 拖一个框，把要取的文字罩住，松开即开始识别，只认当前这一帧。
4. 结果显示在一个置顶浮层里，浮层上有「复制」按钮，点一下就进剪贴板，直接去别处粘贴就行。想要认完自动复制，设置里有个「屏幕取词后自动复制到剪贴板」的开关，默认关着——开着会覆盖你原来剪贴板里的东西。

浮层有三个用得上的特点：

• 一直置顶。它压在别的窗口上面，你可以一边翻页一边对照，不用来回切换窗口。
• 可以拖动，还会记住位置。拖到屏幕角落放着，下次取词还在那个位置。
• 可以按表格模式复制。浮层里也能切换，把行列结构一起带走。

这里有个必须讲清的边界：取词认的是"这一帧"，不会连续跟踪，也不带时间轴。所以它适合静态的、一次性的文字。如果你要的是逐句往上滚的字幕、直播间里滚动的评论，那就该用屏幕实时识别——它按设定间隔连续取帧，会把新出现的句子一条条累积下来。

图片转文字：单张、批量，也能直接粘贴

图片识别处理的是"已经存在磁盘上的图"或者"刚截好的图"。

• 支持 7 种图片格式：PNG、JPG / JPEG、BMP、GIF、WebP、TIFF。手机拍的照片、扫描件、微信里收到的图都能直接扔进来。
• 不用先存盘。截图工具截完，直接在输入框里 Ctrl+V 粘贴，图就当附件进去了，省掉"保存—再找文件"这一步。
• 支持批量。一次选多张，按自然顺序排好，结果按每张图分别出卡片，可以逐张复制、逐张导出，也可以合并成一份导出。
• 某一张失败不用整批重来。批量里失败的那张可以单独重跑，其余结果不受影响。

最常见的三种用法：把板书、PPT 拍照转成文字整理成笔记；把聊天记录、公告截图转成可检索的文本；把票据、扫描件里的字段取出来填进表格里。

表格截图还原成表格

这是图片识别里最省人工的一种输出。开启表格模式后，软件会按文字块在图上的位置推断行列，把结果整理成表格，可以复制，也可以导出 CSV——Excel、WPS、飞书表格打开就能用。

不过它对输入是有要求的，先记住几条边界，能少踩坑：

• 列数别太多。大约 12 列以内的规整表格还原得比较好，横向拉得很宽的报表建议左右分两段截。
• 行数太多也建议分段。一整屏塞了几十行的密集表格，截两三次分别识别，比一张超大图一次认更稳。
• 合并单元格、斜线表头、手写内容还原不了。这类结构在图里没有清晰的行列线索，只能识别文字，位置关系还得人工补。
• 截图尽量清晰。缩放太小、字挤成一团的截图，行列推断会一起受影响。

取词浮层同样支持表格模式复制——看到屏幕上有张小表，不用存图，直接框一下就能带走结构。

认完顺手交给 AI

取词和图片识别拿到的是"原始文字"，幕析 AI 版可以接着往下走一步：结果就地交给 AI 校对、翻译、总结，或者直接对话追问。除了这四个内置场景，还能自建最多 6 个自定义场景（名称 12 字以内、提示词 500 字以内），把反复要用的加工口径固定下来，比如存一条"改成小红书口吻"，下次直接点。这套用法为什么"用起来像桌面智能体"、但它不会自己动手，边界在《像桌面智能体一样顺手，但它不自动执行：边界讲清》里说清楚了。

几个实际组合：取词取到一段英文文档 → 翻译；批量图片识别了几十页讲义 → 校对加总结；截图里的表格 → 让 AI 按你要的字段重排。

关于额度，口径要说清楚：识别本身不计费，取词和图片识别随便用；AI 加工是每天 20 次，按东八区日期重置。

数据流向也说明白：识别在本地完成，图片和屏幕内容不上传；只有 AI 加工这一步会把识别出的文字发到服务端大模型处理。

常见问题

取词和屏幕实时识别到底选哪个？

看文字会不会变。屏幕上不动的一段话、一段引文、弹窗里的报错，用取词，一次搞定；正在逐句滚动的字幕、直播评论、滚动公告，用屏幕实时识别，它按间隔连续取帧并把新内容累积下来。

图片识别会支持更多格式吗？PDF 能直接认吗？

目前图片识别接受上面列的 7 种图片格式。PDF 属于文档而不是图片，想识别其中的文字，先把对应页截图或导出成图片——按 Ctrl+V 粘贴截图这条路径其实比转换更快。

这些功能需要额外付费吗？

幕析 AI 版需要登录后使用，识别功能包含在内，不单独计费；只有 AI 加工按每天 20 次的额度走。已经在用专业版且会员有效的用户，同档即可直接登录使用，不需要重复开通。

小结

视频之外的文字，路径其实很简单：屏幕上不动的一段字，按 Ctrl+Alt+A 取词；已经存在的图，走图片识别；图里是表格，就开表格模式导 CSV；要连续跟踪滚动的内容，回到屏幕实时识别。四句话记住，基本不会选错。

现在就下载试试 ↓