Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

OCR: Szöveg kinyerése fényképekből

3. lecke 14 közül Frissítve 2026. november 5. Középhaladó
Ezen az oldalon
  1. Egy OCR, amely megérti, amit olvas
  2. Négy professzionális felhasználási eset
  3. Kinyerés és cselekvés egyetlen lépésben
  4. A fotó dönt mindent
  5. Nehéz esetek és kezelésük
  6. Rajtad a sor
  7. Főbb megállapítások

A ChatGPT összes vizuális képessége közül a szöveg képekből történő kinyerése hozza a leggyorsabban az eredményt. Nincs szükséged külön OCR-alkalmazásra: egyszerűen készíts egy fotót egy dokumentumról, aláírásról, címkéről vagy képernyőről. A ChatGPT átírja a szöveget, és azonnal feldolgozza azt.

Egy OCR, amely megérti, amit olvas

A hagyományos eszközöktől való eltérés egyetlen szóban ragadható meg: a kontextus. Egy klasszikus OCR-motor felismeri a karaktereket, és egy nyers szövegfüzért ad a kezedbe, rád hagyva, hogy értelmezd azt. A ChatGPT megérti, amit olvas, lehetővé téve, hogy egyetlen lépésben kinyerd, strukturáld, összefoglald vagy lefordítsd az információt.

Egy blokk tökéletesen illusztrálja ezt a szakadékot. Küldj el egy fotót a következő utasítással: „Nyerd ki az összes tételt és azok árát, majd számold ki az végösszeget.“ A modell elolvassa az egyes sorokat, megkülönbözteti a címkéket az összegektől, rendszerezi az adatokat, és elvégzi a számítást. Mindig ellenőrizd az végösszeget; egyetlen félreolvasott számjegy eltorzítja az egész eredményt. Egy klasszikus OCR-eszköz már az átírásnál megállt volna.

Négy professzionális felhasználási eset

Egy vásárban begyűjtött névjegykártya a tankönyvi példa, főleg azért, mert ezek a kártyák általában fiókban végzik. Fényképezd le, és kérdezd meg: „Nyerd ki a kapcsolattartási adatokat, és formázd meg őket CRM-importáláshoz (keresztnév, vezetéknév, cég, e-mail, telefon).“ A kimenet strukturált lesz, és készen áll a beillesztésre.

Az adminisztratív dokumentumok ugyanerre a logikára építenek. Ha egy részben kitöltött papíralapú űrlappal szembesülsz, a „Írd át a kitöltött mezőket ebből az űrlapból táblázatos formátumba“ utasítás egyetlen menetben digitalizálja azt, ami manuális bevitellel sokkal több időt venne igénybe. Ugyanígy kezelheted a kézírással készült jegyzeteket is: „Írd át ezeket a kézzel írt jegyzeteket, javítsd ki a hibákat, és rendezd őket cselekvési pontokká“ utasítás a firkákból distribuálható összefoglalót csinál, feltéve, hogy a kézírás olvasható marad. A könyvelés is profitál belőle – egy számla fotóján a „Nyerd ki a számlaszámot, a dátumot, az adó nélküli összeget, az ÁFA-t és a végösszeget“ utasítás visszaadja azt az öt mezőt, amelyre a nyomon követéshez szükséged van.

Kinyerés és cselekvés egyetlen lépésben

Nem kell szétválasztanod a kinyerést a feldolgozástól. Egy idegen nyelvű tábla elolvasható és lefordítható egyetlen utasítással: „Olvasd el ezt a táblát, és fordítsd le angolra.“ Azonban az OpenAI Súgóközpontja megjegyzi, hogy a nem latin betűs írásrendszerekben (például japán vagy koreai) szereplő szövegek pontossága alacsonyabb. Ezeknél a dokumentumoknál ellenőrizd az átírást, mielőtt megbízol a fordításban. Egy lefotózott újságcikk elolvasható és három fő pontba összefoglalható. Egy étlap elolvasható és szűrhető – „azonosítsd a vegetáriánus ételeket az áraikkal együtt“. Egy nyomtatott táblázat közvetlenül CSV-vé alakítható.

Szoktasd rá magad, hogy a végső célt fogalmazd meg, ne egy közbenső lépést. Ha az átírást egy üzenetben, a fordítást pedig egy másodikban kéred, az egy extra körmenetet costing neked ugyanazért az eredményért.

Sikeres szövegkinyerés Két oszlop. A fotó: szórt fény csillogás vagy vaku nélkül, sík keretezés, szükség esetén nagyított, olvasható szöveg. Az utasítás: végső cél egyetlen lépésben, bizonytalan szavak jelölése zárójelben, jelenlévő nyelvek megadása. OCR Sikeres szövegkinyerés A fotó Fény Szórt, csillogás vagy vaku nélkül Szög Sík, szembenézetből Szöveg Olvasható, szükség esetén nagyítva Az utasítás Cél Kinyerés és cselekvés egyetlen kérésben Kétségek Bizonytalan szavak jelölése zárójelben Nyelvek Add meg a jelenlévőket
Az OpenAI Súgóközpont „ChatGPT Image Inputs FAQ“ című cikke alapján (2026. november).

A fotó dönt mindent

A kinyerés pontossága abban a pillanatban dől el, amikor elkészíted a képet. Semmilyen utasítás nem tudja visszanyerni az ott elveszett információt.

A világítás az első. Egy jól megvilágított dokumentum, amelyen nincsenek árnyékok vagy csillogás, könnyen olvasható; a szórt természetes fény adja a legjobb eredményt. Ellentmondásos módon a vaku gyakran rontja az olvashatóságot azáltal, hogy csillogást hoz létre, amely letörli a szöveg egész szakaszait. A szög ugyanolyan fontos – fényképezz síkban és merőlegesen, mivel a ferde szög eltorzítja a karaktereket. Használd a lehető legnagyobb felbontást, és állj ellen annak a kísértésnek, hogy elküldés előtt átméretezd a képet; a jó szándékú tömörítés pontosan a hasznos információt semmisíti meg. Végül a keretezésnek tartalmaznia kell az összes szöveget anélkül, hogy túlzottan üres hely lenne körülötte, mivel a modell jobban elemzi a képeket, amikor a tartalom a képkeret jelentős részét foglalja el.

Nehéz esetek és kezelésük

Egyes szövegek ellenállnak a kinyerésnek. Ilyen esetekben a cél nem a bizonytalanság figyelmen kívül hagyása, hanem láthatóvá tétele. Ha rendezetlen kézírással szembesülsz, kérdezd így: „Írd át ezt a szöveget. Ha nem vagy biztos egy szóban, jelöld azt zárójelben, kérdőjellel.“ Ez pontosan megmutatja, hová kell összpontosítanod az ellenőrzést. Ha a szöveg komplex háttéren van – például egy poszteren, ahol a betűk egy fotó előtt emelkednek ki –, vágd ki csak a szöveget tartalmazó területet. Régi vagy sérült dokumentumoknál egy kis kontextus segíti az olvasást: „Ez a dokumentum a 19. századból származik; egyes szavak archaikus helyesírást használhatnak.“

Két ellenőrzés továbbra is a te felelősséged. Először is a számok: a 0 és az O, az 1 és az l, vagy az 5 és az S közötti összetévesztések gyakoriak és észrevétlenek, ezért mindig ellenőrizd az összegeket, az azonosítószámokat és a dátumokat. Másodszor a nyelvek: többnyelvű dokumentum esetén add meg, mely nyelvek vannak jelen. Ellenkező esetben a modell egy szakaszt a domináns nyelvre normalizálhat.

Rajtad a sor

Teszteld a kinyerés megbízhatóságát. Próbáld ki valódi dokumentummal – egy blokkal, levéllel, névjegykártyával, könyvlappal vagy kézzel írt jegyzetekkel. Használd a következő utasítást: „Nyerd ki az összes szöveget ebből a képből. Ezután szervezd strukturáltan a kinyert információkat, és azonosítsd a kulcsfontosságú adatpontokat.“ Hasonlítsd össze a kimenetet sorról sorra az eredetivel. Ez az ellenőrzés az egyetlen módja a valódi kinyerési megbízhatóság felmérésének.

Hivatalos források: ChatGPT Image Inputs FAQ · Does ChatGPT tell the truth? (OpenAI Súgóközpont)

Főbb megállapítások

  • A ChatGPT fejlett OCR-ként működik: egyetlen lépésben nyeri ki, strukturálja és dolgozza fel a szöveget
  • Kombináld a kinyerést a cselekvéssel (fordítás, összefoglalás, újraformázás) az idő megtakarítása érdekében
  • A fotó minősége kritikus: jó világítás, merőleges szög, nagy felbontás
  • Mindig ellenőrizd a numerikus adatokat és a tulajdonneveket az átírásokban
  • Add meg a kontextust és a nyelvet a pontosság javítása érdekében összetett szövegeknél