用 ChatGPT 从图片提取文字：模糊的地方要留疑问 - AIPlan

图片转文字，最危险的不是漏字，是把一个模糊的 8 认成 3，然后不留痕迹地写进表格。所以转录的第一条规则是：宁可标一个 [?]，也不要替原文做决定。第二条是分区，一张图一次只处理一个区域，逐块核对。 先判断这张图值不值得直接转 三类图可以直接转：手机截图、清晰的扫描件、白底黑字的拍照件。三类图转出来大概率不能用：倾斜超过 10 度的拍照、压过一层灰的自来水扫描、有手写批注覆盖印刷体的单据。 判断方法不用工具：把图放到 100% 大小，眯眼看正文的那一行，能不能分辨"0"和"O"、"1"和"l"、"5"和"S"。分不清，就先做图像处理，或者重新拍。 重拍有三个立竿见影的做法：正面垂直拍、用自然光避免闪光、让纸张铺平没有阴影。这三条能把识别准确率拉上一个台阶，比换任何模型都直接。 官方的表述很克制，要按它来 截至 2026 年 10 月 18 日核对，官方在数据分析问答里写明：ChatGPT 从图片表格、扫描文件、复杂版面的文件里提取精确数值时可能不可靠；当数值必须准确时，应改传表格或文本文件。 同一份文档还写了一条关键限制：除 Enterprise 外，其他档位对 PDF 走的是 text-based retrieval，只抽取数字文字层，不读取文件里嵌入的图片。Enterprise 支持对 PDF 的 visual retrieval。 这两条合起来说明一件事：不要指望它把扫描件里的数字读得比人准。它的价值在于把 40 页的录入时间从 3 小时压到 40 分钟，剩下的核对仍然要做。 图片单张上限是 20 MB，普通账号每 3 小时最多上传 80 个文件，Free 账号每天 3 个。批量转 30 张收据，Free 账号要分 10 天，这是很实际的约束。 分区转录，一次一块 整张图丢进去要"全部文字"，结果通常是把表头和合计行混在一起，中间漏掉几行还看不出来。 我的做法是把图按结构切区块：标题区、表头区、明细区、合计区、签字盖章区。每区单独一条指令，输出单独一段，中间用分隔线隔开。 指令模板是固定的三句： • 只转录图中"明细区"的表格，保持原有行列顺序。 • 看不清的字符用 [?] 代替，不要猜测。 • 转录完成后另起一行，写明你认为有几行几列。 第三句是自检机制。行列数和你肉眼数出来的不一致，直接说明漏了或者串行了。 用固定输出格式锁住结构 自由文本最难核对。要求输出 Markdown 表格，列数和图里一致，缺的单元格留空而不是补 0。 字段 写法要求 原因 日期 原样转录，再在括号里给标准格式 保留原始证据 金额 保留原始千分位和货币符号 便于回查 编号 强制按文本处理，不做数字运算 防止前导零丢失 空值 留空 补 0 会污染合计 金额这一列特别要注意。1,200.00 被转成 1200 之后，你无法从结果判断原图是 1200 还是 12,000。保留原样，再用第二列放标准化数值，两列并存最稳。 编号同理。订单号、发票号、身份证号这类字段，一旦被当成数字，前导零会消失，18 位身份证还会因为精度问题末位变 0。明确要求"按文本处理"。 数字类字段要过的四道核对 转完不是结束，四道核对缺一不可： 第一道，行列对齐。表头 6 列、明细 20 行，转出来也必须是 6 列 20 行。少一列通常是某个单元格里有多行文字，被拆成了新列。 第二道，合计验算。明细列逐行相加，和图里的合计行比。差 0 说明全对；差一个尾数，通常是某一行的分位读错。 第三道，日期合理性。发票日期不该早于合同日期，付款日期不该早于开票日期。跨行的日期错位很常见。 第四道，抽样回看。随机挑 5 行，回到原图放大逐字比对。5 行花不了 3 分钟，能发现系统性错误。 四道里任一道不过，退回重做该区块，不要在结果上手工改。手工改的地方不会有记录，下次同样错。 用手写和盖章的部分单独处理 签字、手写批注、红色印章覆盖的文字，识别率明显低于印刷体。这三类内容不要混在正文转录里。 做法是把它们列成一份单独的"待人工确认"清单：第 3 行签字处有手写字迹，无法确认是"同意"还是"阅"。写清位置和两种可能，比猜一个词有用。 印章同理。章压住的字，让人看一眼就知道，让模型猜十次也未必对。 截图这类特殊来源 手机截图有三个特点：状态栏、通知横幅、缩放导致的半截文字。 上传前裁掉顶部状态栏和底部导航栏，只留内容区。通知横幅要特别注意，它可能盖住正文的一行，那一行在任何模型那里都是缺失的。 长截图（滚动截屏）通常有重复的导航栏和重复的表头。先按内容切成 3 到 5 段，每段单独转，最后合并时去重。 微信里转发过的图片会被压缩，字边缘发糊。能找到原图就别用转发件。 转完之后把结果变成可检索的东西 转录的价值在于后续能查。我会把结果整理成两份：一份是 Markdown 表格，用来放进笔记或文档；一份是 CSV，用来后续统计。 CSV 要多一列 _src_image，记录这张表来自哪张图，以及图里的坐标区域。三个月后有人问"这个 1280 是哪来的"，能立刻定位。 如果图片本身是 PDF 的一页，处理思路和上面的 PDF 读取检查相通，先确认读到了什么再要结论里给了完整顺序。上传失败或者读出来是空白，先看上传成功却读不全的排查顺序。收据、单据里含身份证号和银行卡号时，上传前的字段分级做法需要先走一遍。 截至 2026 年 10 月 18 日核对，图片识别可靠性说明、PDF 检索方式、图片大小与上传配额以 OpenAI 帮助中心《Data analysis with ChatGPT》和《Uploading files and audio to ChatGPT》为准；具体识别表现随模型版本变化，不构成准确率承诺。 参考资料资料核对日期：2026-10-17 • Uploading files and audio to ChatGPT | OpenAI Help Center • Data analysis with ChatGPT | OpenAI Help Center 延伸阅读• 用 ChatGPT 分析 PDF：先确认读到了什么，再要求结论 • ChatGPT 文件上传失败，或者上传后读不全，怎么办？ • 上传文件给 AI 前，先删掉任务不需要的信息