OCR: Text aus Fotos extrahieren

Von allen visuellen Fähigkeiten von ChatGPT liefert die Textextraktion aus Bildern den schnellsten Mehrwert. Sie benötigen keine dedizierte OCR-App: Machen Sie einfach ein Foto von einem Dokument, einer Unterschrift, einem Etikett oder einem Bildschirm. ChatGPT transkribiert den Text und verarbeitet ihn sofort weiter.

Eine OCR, die versteht, was sie liest

Der Unterschied zu herkömmlichen Tools lässt sich in einem Wort zusammenfassen: Kontext. Eine klassische OCR-Engine erkennt Zeichen und gibt Ihnen eine rohe Textzeichenkette aus, die Sie dann selbst interpretieren müssen. ChatGPT versteht den gelesenen Inhalt und ermöglicht es Ihnen, in einem einzigen Schritt Daten zu extrahieren, zu strukturieren, zusammenzufassen oder zu übersetzen.

Ein Kassenbon veranschaulicht diese Lücke perfekt. Senden Sie ein Foto mit dem Prompt: „Extrahieren Sie alle Artikel und ihre Preise und berechnen Sie dann die Summe.” Das Modell liest jede Zeile, unterscheidet Beschriftungen von Beträgen, organisiert die Daten und führt die Berechnung durch. Überprüfen Sie stets die Gesamtsumme; eine einzige falsch gelesene Ziffer verfälscht das gesamte Ergebnis. Ein klassisches OCR-Tool hätte bei der Transkription aufgehört.

Vier professionelle Anwendungsfälle

Eine Visitenkarte, die Sie auf einer Messe erhalten haben, ist das Lehrbuchbeispiel, hauptsächlich weil diese Karten meist in einer Schublade verschwinden. Fotografieren Sie sie und fragen Sie: „Extrahieren Sie die Kontaktinformationen und formatieren Sie sie für einen CRM-Import (Vorname, Nachname, Unternehmen, E-Mail, Telefon).” Die Ausgabe ist strukturiert und kann direkt eingefügt werden.

Verwaltungsdokumente folgen derselben Logik. Bei einem teilweise ausgefüllten Papierformular digitalisiert der Prompt „Transkribieren Sie die ausgefüllten Felder dieses Formulars in ein Tabellenformat” in einem Durchgang das, was eine manuelle Eingabe viel länger dauern würde. Sie können handschriftliche Meeting-Notizen genauso behandeln: „Transkribieren Sie diese handschriftlichen Notizen, korrigieren Sie eventuelle Fehler und organisieren Sie sie als Aufgabenliste” verwandelt Gekritzel in eine verteilbare Zusammenfassung, sofern die Handschrift lesbar bleibt. Auch das Rechnungswesen profitiert: Bei einem Foto einer Rechnung liefert „Extrahieren Sie Rechnungsnummer, Datum, Nettobetrag, Mehrwertsteuer und Gesamtbetrag” die fünf Felder, die Sie für Ihre Nachverfolgung benötigen.

Extrahieren und Handeln in einem Schritt

Sie müssen Extraktion und Verarbeitung nicht trennen. Ein Schild in einer Fremdsprache kann mit einem einzigen Prompt gelesen und übersetzt werden: „Lesen Sie dieses Schild und übersetzen Sie es ins Englische.” Das OpenAI Help Center weist jedoch darauf hin, dass Text in nicht-lateinischen Schriften, wie Japanisch oder Koreanisch, weniger genau gelesen wird. Überprüfen Sie bei solchen Dokumenten die Transkription, bevor Sie der Übersetzung vertrauen. Ein fotografierter Zeitungsartikel kann gelesen und in drei Kernpunkte zusammengefasst werden. Eine Speisekarte kann gelesen und gefiltert werden – „identifizieren Sie vegetarische Optionen mit ihren Preisen”. Eine gedruckte Tabelle lässt sich direkt in CSV konvertieren.

Machen Sie es sich zur Gewohnheit, das Endziel statt eines Zwischenschritts zu benennen. Die Aufforderung zur Transkription in einer Nachricht und zur Übersetzung in einer zweiten kostet Sie einen zusätzlichen Roundtrip für dasselbe Ergebnis.

Das Foto entscheidet alles

Die Genauigkeit der Extraktion wird im Moment der Aufnahme bestimmt. Kein Prompt kann Informationen wiederherstellen, die dort verloren gegangen sind.

Die Beleuchtung steht an erster Stelle. Ein gut beleuchtetes Dokument ohne Schatten oder Reflexionen lässt sich leicht lesen; diffuses Tageslicht liefert die besten Ergebnisse. Kontraintuitiverweise verschlechtert der Blitz oft die Lesbarkeit, indem er Reflexionen erzeugt, die ganze Textabschnitte auslöschen. Der Winkel ist ebenso wichtig – fotografieren Sie flach und senkrecht, da ein schräger Winkel die Zeichen verzerrt. Verwenden Sie die höchstmögliche Auflösung und widerstehen Sie der Versuchung, das Bild vor dem Senden zu verkleinern; gut gemeinte Kompression zerstört genau die nützlichen Informationen. Schließlich sollte der Bildausschnitt den gesamten Text enthalten, ohne übermäßigen leeren Raum ringsum, da das Modell Bilder besser analysiert, wenn der Inhalt einen signifikanten Teil des Bildes einnimmt.

Schwierige Fälle und der Umgang damit

Mancher Text widersetzt sich der Extraktion. In diesen Fällen gilt es, Unsicherheiten sichtbar zu machen, statt sie zu ignorieren. Bei unordentlicher Handschrift fragen Sie: „Transkribieren Sie diesen Text. Wenn Sie sich bei einem Wort nicht sicher sind, kennzeichnen Sie es in Klammern mit einem Fragezeichen.” So wissen Sie genau, worauf Sie sich bei der Prüfung konzentrieren müssen. Bei Text auf komplexem Hintergrund – etwa einem Poster, bei dem Buchstaben vor einem Foto stehen – schneiden Sie den Bereich auf den reinen Text zu. Bei alten oder beschädigten Dokumenten hilft etwas Kontext beim Lesen: „Dieses Dokument stammt aus dem 19. Jahrhundert; einige Wörter verwenden möglicherweise eine veraltete Schreibweise.”

Zwei Prüfungen bleiben in Ihrer Verantwortung. Erstens Zahlen: Verwechslungen zwischen 0 und O, 1 und l oder 5 und S sind häufig und bleiben oft unbemerkt, also überprüfen Sie Beträge, Ausweisnummern und Daten doppelt. Zweitens Sprachen: Geben Sie bei einem mehrsprachigen Dokument an, welche Sprachen vorhanden sind. Andernfalls kann das Modell einen Abschnitt an die dominierende Sprache angleichen.

Sie sind dran

Testen Sie die Zuverlässigkeit der Extraktion. Stellen Sie dies mit einem echten Dokument auf die Probe – einem Kassenbon, einem Brief, einer Visitenkarte, einer Buchseite oder handschriftlichen Notizen. Verwenden Sie den Prompt: „Extrahieren Sie den gesamten Text aus diesem Bild. Organisieren Sie dann die extrahierten Informationen strukturiert und identifizieren Sie Schlüsseldatenpunkte.” Vergleichen Sie die Ausgabe Zeile für Zeile mit dem Original. Diese Prüfung ist der einzige Weg, die tatsächliche Zuverlässigkeit der Extraktion einzuschätzen.

Offizielle Quellen: ChatGPT Image Inputs FAQ · Does ChatGPT tell the truth? (OpenAI Help Center)

Kernaussagen

• ChatGPT fungiert als fortschrittliche OCR: Es extrahiert, strukturiert und verarbeitet Text in einem einzigen Schritt
• Kombinieren Sie Extraktion mit Handlung (Übersetzung, Zusammenfassung, Neuformatierung), um Zeit zu sparen
• Die Fotoqualität ist entscheidend: gute Beleuchtung, senkrechter Winkel, hohe Auflösung
• Überprüfen Sie stets numerische Daten und Eigennamen in Transkriptionen
• Geben Sie Kontext und Sprache an, um die Genauigkeit bei komplexen Texten zu verbessern