Umi-OCR 實測：免費開源離線 OCR 工具，截圖、批次圖片與 PDF 都能本地辨識

前言

我最近在整理一些截圖、PDF 掃描件和工具文件時，又遇到 OCR 這個老問題：線上 OCR 很方便，但只要文件裡有帳號、發票、公司內部資料，我就會開始猶豫要不要上傳。更麻煩的是，有些工具只適合單張圖片，遇到整份 PDF 或一整包截圖，就變成很多重複操作。

這次我實測的是 Umi-OCR。它是一款免費、開源、可離線使用的 OCR 桌面工具，支援截圖 OCR、批次圖片辨識、PDF 文件 OCR、二維碼掃描/生成，也提供命令列和 HTTP API。我的感覺是：它不是那種追求最花俏排版還原的文檔解析工具，而是很適合日常使用的「本地文字辨識工作台」。

Umi-OCR 是什麼

Umi-OCR 的定位很清楚：把常見 OCR 工作放在本機處理，不需要把圖片或文件傳到雲端。它內建多國語言識別庫，官方目前主要提供 Windows、Linux 與 Docker 部署方式。

它常用的功能大概可以分成幾類：

功能	可以做什麼	我覺得適合的情境
截圖 OCR	框選螢幕區域後辨識文字	複製不能選取的 App 文字、圖片文字、錯誤訊息
批次 OCR	一次匯入多張圖片辨識	整理截圖、掃描圖片、表單照片
PDF 文件 OCR	從 PDF 掃描件提取文字，或輸出可搜尋 PDF	處理掃描文件、舊檔案、報告
二維碼	掃描或生成 QR Code/條碼	快速讀取截圖裡的 QR Code
命令列/API	從腳本或其他工具呼叫 OCR	自動化流程、內部小工具整合

我最喜歡的是它的功能沒有被包成很重的 AI 產品敘事。打開就是工具，選圖片、截圖、辨識、複製結果，整個路線很直接。

下載版本怎麼選

Umi-OCR 主要透過 GitHub Releases 發布。以我寫這篇時看到的最新版本 v2.1.5 來說，Windows 會看到兩個主要版本：Paddle 引擎版和 Rapid 引擎版。

下載可以直接走官方入口：

進到 Releases 頁面後，Windows 使用者會看到 Paddle 和 Rapid 兩種版本。新一點的電腦可以先試 Paddle；如果啟動失敗、OCR 初始化失敗，或電腦比較舊，就換 Rapid。

Windows 下載時可以依照電腦效能選 Paddle 或 Rapid 引擎版

簡單講：

版本	特性	適合誰
Paddle 引擎版	效能好、速度快，但資源占用較高，對 CPU 相容性比較挑	配備較新的電腦、希望辨識速度更快
Rapid 引擎版	速度略慢，但占用較低、相容性較好	低配電腦、舊 CPU、Paddle 版啟動或辨識失敗

官方也特別提醒，如果 Windows 執行 OCR 時遇到 0xc0000142 或 [Error] OCR init fail，很可能是 CPU 不相容 Paddle，這時候可以改用 Rapid 版本。這點很實用，因為很多 OCR 工具的失敗訊息不一定會說清楚問題在哪，Umi-OCR 至少把常見分歧整理得很明白。

它是免安裝工具，下載自解壓或壓縮包後解開，執行 Umi-OCR.exe 就能用。Linux 版本則是下載後先從命令列執行 ./umi-ocr.sh，之後可以在全域設定裡建立桌面或開始選單捷徑。

截圖 OCR：最常用也最直覺

我實測時最常用的是截圖 OCR。開到截圖辨識頁後，可以用快捷鍵框選螢幕上的一塊區域，Umi-OCR 會把圖片送進本地 OCR 引擎處理，右側會留下辨識紀錄。

這種功能很適合幾個情境：

網頁或 App 裡的文字不能直接選取。
教學影片、截圖、錯誤畫面裡有一段想複製的文字。
開發時遇到圖片中的程式碼、命令或錯誤訊息。
想從外語介面快速擷取文字再丟去翻譯。

Umi-OCR 的好處是結果不是只跳一個浮動視窗給你。它會把辨識紀錄保留下來，你可以在右側列表裡編輯、複製，也可以一次選多筆紀錄。左側圖片預覽區也能直接用滑鼠框選複製，這比很多「辨識完就消失」的小工具更適合連續工作。

它也提供 OCR 文本後處理，例如多欄排版、自然段換行、總是換行、無換行、保留縮排等。這點在辨識文章截圖、表格旁的說明文字、程式碼截圖時差很多。原始 OCR 結果通常只是把一堆文字塊丟出來，後處理可以讓結果比較像人能閱讀的段落。

PDF OCR：適合把掃描件變成可搜尋文件

除了截圖，我這次也測了 PDF OCR。Umi-OCR 的文件識別可以處理 PDF 掃描件，提取文字，也可以輸出成可搜尋的雙層 PDF。對於手上有很多掃描檔、合約、報告、舊講義的人來說，這比單純截圖 OCR 更有用。

我覺得它適合的 PDF 任務是：

掃描 PDF 裡原本沒有文字層，想讓它可以搜尋。
想把 PDF 裡的文字抽出來做整理。
想對整份文件跑 OCR，而不是一頁一頁截圖。
頁首、頁尾或浮水印干擾辨識時，需要用忽略區域排除。

Umi-OCR 的文件 OCR 不是為了把 PDF 轉成非常漂亮的 Markdown。它更像是把文字層補上、把內容辨識出來。如果你的目標是「掃描件要能搜尋、能複製文字」，它很合適。

但如果你的需求主要集中在 PDF，而且希望把 PDF 轉成更完整的 Markdown，保留標題層級、圖片、表格、公式，甚至拿去做 RAG 知識庫，那 MinerU 在 PDF 解析方面會更強大。我之前有另外寫過一篇 MinerU 實測：超強開源 PDF 與多格式文檔解析利器，有需要做進階 PDF 解析的人可以參考那篇。簡單說，Umi-OCR 比較像日常桌面 OCR 工具；MinerU 則比較像專門處理 PDF 和多格式文件結構化解析的框架。

批次 OCR 與忽略區域

Umi-OCR 的批次 OCR 可以一次匯入很多圖片，支援常見的 jpg、png、webp、bmp、tif 等格式，輸出則可以選 txt、jsonl、md、csv。如果你手上是一整批掃描圖片，這會比單張單張處理省很多時間。

我覺得批次 OCR 裡最實用的小功能是「忽略區域」。例如圖片上方固定有浮水印、右下角固定有 Logo、頁尾固定有頁碼，你可以先畫出不想辨識的區塊，之後批次辨識時就排除那個區域。

這個功能看起來很細，但實際用起來很關鍵。很多 OCR 後處理麻煩不是因為主要文字辨識錯，而是每張圖都混進同樣的浮水印、頁眉、頁尾。先在來源階段排除掉，比事後再用規則清文字乾淨很多。

QR Code、命令列與 API

Umi-OCR 還內建 QR Code/條碼掃描與生成。這不一定是每天都會用到的功能，但當你手上只有一張截圖，裡面有 QR Code，或要快速生成一張碼圖時，直接在同一個工具裡完成很方便。

進階一點的地方是它也提供命令列和 HTTP API。這代表你可以把 Umi-OCR 接進自己的自動化流程，例如：

截圖工具輸出圖片後自動 OCR。
內部系統上傳圖片後呼叫本機 OCR。
用腳本批次處理資料夾裡的圖片。
把辨識結果交給下一段清理、翻譯或歸檔流程。

如果只是偶爾複製圖片文字，GUI 就夠了。但如果你常常要處理一整批圖片或 PDF，命令列/API 會讓 Umi-OCR 從單純桌面工具變成可以被串接的本地 OCR 服務。

我實測後的優缺點

Umi-OCR 最吸引我的地方是它很務實。它不是把 OCR 包成一個雲端訂閱服務，也不是只給開發者用的模型範例，而是把截圖、圖片、PDF、QR Code、批次處理都放在一個可以日常打開的桌面 App 裡。

我覺得優點很明確：

完全本地處理，隱私感比較好。
免費開源，功能不被帳號或額度綁住。
截圖 OCR 和 PDF OCR 都很適合一般工作流。
Windows 有 Paddle/Rapid 兩種路線，可以依照硬體調整。
有命令列和 HTTP API，進階使用者可以自動化。

但它也不是所有文檔問題的終點：

如果要非常漂亮的 PDF 轉 Markdown，Umi-OCR 不是最適合的工具。
Paddle 版對舊 CPU 可能不相容，需要改用 Rapid。
介面功能多，第一次打開可能需要花幾分鐘理解每個分頁。
複雜表格、公式、跨欄文件仍可能需要更專門的文檔解析工具。

對我來說，Umi-OCR 的定位很像「常駐工具箱」。需要快速從截圖或 PDF 裡拿文字時，它比打開線上 OCR 讓人安心；需要更高階的文件結構化解析時，再把任務交給 MinerU 這類工具。

總結

如果你常常需要從截圖、掃描件、PDF 或圖片裡抓文字，又不想把文件上傳到線上 OCR 服務，Umi-OCR 很值得放進工具箱。它的強項不是華麗，而是離線、直接、功能完整。

我會特別推薦給這幾種人：

常常整理截圖文字的人。
需要處理掃描 PDF 的學生、研究者或辦公室使用者。
想把 OCR 接進自動化流程的開發者。
對文件隱私比較敏感，不想依賴雲端 OCR 的人。

下載時只要記得：Windows 新一點的電腦可以先試 Paddle 版；如果遇到相容性問題或電腦比較舊，就改用 Rapid 版。這樣基本上就能避開大部分初次使用的坑。