Cherry Studio 翻译拖入图片走 OCR，扫描件截图也能直接翻
图片里的文字怎么翻
扫描件、截图、照片里的文字是最常见的"不能直接复制"的场景：合同扫描版、App 界面截图、展会现场拍的资料、英文菜谱照片……以前要么手打出来再翻，要么找专门的 OCR 工具。
Cherry Studio 把 OCR 和翻译整合在一起——拖入图片，自动识别文字，自动翻译。一个工具两步变一步。
操作流程
- 打开 Cherry Studio 翻译页面
- 把图片拖进左栏（或者点击附件按钮选图片）
- Cherry Studio 自动跑 OCR，把识别出的文字显示在输入框里
- 自动检测源语言，选好目标语言，点翻译
- 翻译结果出现在右栏
整个过程全自动——拖进去、等几秒、结果就出来了。
支持的图片格式
| 格式 | 支持情况 |
|---|---|
| PNG | ✅ |
| JPG / JPEG | ✅ |
| WebP | ✅ |
| GIF | ✅（但只识别第一帧的文字） |
单张图片上限 5 MB。多图可以逐张拖，或打包进知识库。
OCR 识别的准确率
准确率取决于几个因素：
| 因素 | 建议 |
|---|---|
| 分辨率 | 图片文字越大越清晰越好；低于 300dpi 可能识别不准 |
| 语言 | 中英混合、日语、韩语等主流语言识别好；小语种可能偏差大 |
| 手写 | 印刷体好，手写体可能识别不准 |
| 排版 | 简单排版好；复杂表格、文字绕排、艺术字可能出错 |
如果识别结果有误（某个字错了、某行漏了），可以在翻译前手动编辑一下输入框里的文字，再点翻译——Cherry Studio 不会自动覆盖你的手动修改。
OCR 走哪个模型
Cherry Studio 的 OCR 能力来自上游模型的多模态能力：
- GPT-4o / Gemini 1.5 Pro：多模态图像理解强，中英日韩等主流语言 OCR 都好
- Claude 3.5 Sonnet：图像理解好，但不支持语音
- DeepSeek V3 普通版：纯文本，不支持图像
想让图片识别准确率高，确保你的翻译模型选的是多模态模型。在模型下拉里选 GPT-4o / Gemini 时，OCR 质量会明显好于选纯文本模型时的降级方案。
批量处理扫描件
有一批扫描合同要翻？建议的流程：
- 先跑一遍 OCR 把所有扫描件转成可搜索 PDF
- 把这些 PDF 批量拖进知识库
- 在对话里让 AI 逐个翻译每个文件，或者用 Agent 自动化批量处理
知识库 + Agent 的组合适合"几十上百份文件需要系统性处理"的场景。
和多模态对话的区别
翻译页面拖图片 OCR 和对话界面拖图片走多模态 图像理解 的区别：
- 翻译页面 OCR：只提取图片里的文字，然后翻译。适合"我知道图里有文字，我要翻这段文字"
- 对话界面多模态：模型直接看图片，能理解图像内容、回答关于图片的问题、帮你修改图片（配合绘画）。适合"这张图是什么"、"这张图里第 3 行写了什么"、"帮我把这张图改一下"
如果只是想翻图片里的文字，用翻译页面更精准；如果想让 AI 理解整幅图，用对话界面。