Przejdź do głównej treści
Polski— Wybierz język
Menu

OCR: Wyodrębnianie tekstu ze zdjęć

Lekcja 3 z 14 Zaktualizowano 5 listopada 2026 Średnio zaawansowani
Na tej stronie
  1. OCR, który rozumie, co czyta
  2. Cztery profesjonalne przypadki użycia
  3. Wyodrębnij i działaj w jednym ruchu
  4. To zdjęcie decyduje o wszystkim
  5. Trudne przypadki i jak sobie z nimi radzić
  6. Czas na Ciebie
  7. Kluczowe wnioski

Spośród wszystkich możliwości wizyjnych ChatGPT, wyodrębnianie tekstu ze zdjęć najszybciej przynosi realne korzyści. Nie potrzebujesz dedykowanej aplikacji do OCR: wystarczy zrobić zdjęcie dokumentu, podpisu, etykiety lub ekranu. ChatGPT przepisze tekst i niezwłocznie go przetworzy.

OCR, który rozumie, co czyta

Różnica względem tradycyjnych narzędzi sprowadza się do jednego słowa: kontekst. Klasyczny silnik OCR rozpoznaje znaki i zwraca surowy ciąg tekstu, pozostawiając Tobie zadanie nadania mu sensu. ChatGPT rozumie przeczytaną treść, pozwalając w jednym kroku wyodrębnić dane, ustrukturyzować je, podsumować lub przetłumaczyć.

Paragon doskonale ilustruje tę różnicę. Wyślij zdjęcie z poleceniem: „Wyodrębnij wszystkie pozycje i ich ceny, a następnie oblicz sumę“. Model odczyta każdą linię, rozróżni opisy od kwot, uporządkuje dane i przeprowadzi obliczenia. Zawsze weryfikuj sumę końcową; jeden błędnie odczytany cyfra zniekształca cały wynik. Klasyczne narzędzie OCR zatrzymałoby się na samym przepisaniu tekstu.

Cztery profesjonalne przypadki użycia

Wizytówka zdobyta na targach to podręcznikowy przykład, głównie dlatego, że takie wizytówki najczęściej lądują zapomniane w szufladzie. Zrób jej zdjęcie i poproś: „Wyodrębnij dane kontaktowe i sformatuj je do importu do CRM (imię, nazwisko, firma, e-mail, telefon)“. Wynik otrzymasz ustrukturyzowany i gotowy do wklejenia.

Dokumenty administracyjne podlegają tej samej logice. W obliczu częściowo wypełnionego formularza papierowego, polecenie „Przepisz wypełnione pola z tego formularza do formatu tabeli“ cyfryzuje w jednym przebiegu to, co ręczne wprowadzanie zajęłoby znacznie dłużej. Tak samo możesz postąpić z odręcznymi notatkami ze spotkania: „Przepisz te odręczne notatki, popraw ewentualne błędy i uporządkuj je w listę zadań do wykonania“ zamazuje bazgroły w dystrybuowalne podsumowanie, pod warunkiem że pismo jest czytelne. Księgowość również na tym korzysta – na zdjęciu faktury polecenie „Wyodrębnij numer faktury, datę, kwotę netto, VAT i kwotę brutto“ zwraca pięć pól potrzebnych do Twojej ewidencji.

Wyodrębnij i działaj w jednym ruchu

Nie musisz oddzielać wyodrębniania od przetwarzania. Tabliczkę w obcym języku można odczytać i przetłumaczyć jednym poleceniem: „Przeczytaj tę tabliczkę i przetłumacz ją na język polski“. Należy jednak pamiętać, że Centrum Pomocy OpenAI wskazuje, iż tekst w alfabetach niełacińskich, takich jak japoński czy koreański, jest odczytywany z mniejszą dokładnością. W przypadku takich dokumentów zweryfikuj transkrypcję przed zaufaniem tłumaczeniu. Zrobione zdjęciem artykuł z gazety można odczytać i podsumować do trzech kluczowych punktów. Menu można odczytać i przefiltrować – „zidentyfikuj opcje wegetariańskie wraz z ich cenami“. Wydrukowana tabela konwertuje się bezpośrednio do formatu CSV.

Wyrób w sobie nawyk określania celu końcowego, a nie kroku pośredniego. Proszenie o transkrypcję w jednej wiadomości, a o tłumaczenie w drugiej, kosztuje Cię dodatkową rundę komunikacji dla tego samego rezultatu.

Pomyślne wyodrębnienie tekstu Dwie kolumny. Zdjęcie: rozproszone światło bez блиków i lampy błyskowej, płaskie kadrowanie, czytelny tekst, w razie potrzeby powiększony. Polecenie: cel końcowy w jednym kroku, niepewne słowa oznaczone w nawiasach, określone obecne języki. OCR Pomyślne wyodrębnienie tekstu Zdjęcie Światło Rozproszone, bez блиków i lampy błyskowej Kąt Płasko, frontalnie Tekst Czytelny, w razie potrzeby powiększony Polecenie Cel Wyodrębnij i działaj w jednym żądaniu Wątpliwości Niepewne słowa oznaczone w nawiasach Języki Określ obecne języki
Na podstawie artykułu „ChatGPT Image Inputs FAQ“ z Centrum Pomocy OpenAI (listopad 2026).

To zdjęcie decyduje o wszystkim

Dokładność wyodrębniania jest determinowana w momencie robienia zdjęcia. Żadne polecenie nie odzyska informacji utraconych na tym etapie.

Oświetlenie jest najważniejsze. Dobrze oświetlony dokument bez cieni i блиków czyta się łatwo; rozproszone światło naturalne daje najlepsze rezultaty. Paradoksalnie, lampa błyskowa często pogarsza czytelność, tworząc блиki, które wymazują całe fragmenty tekstu. Kąt zdjęcia ma równie duże znaczenie – fotografuj na płasko i prostopadle, ponieważ ukośny kąt zniekształca znaki. Używaj najwyższej dostępnej rozdzielczości i oprzyj się pokusie zmiany rozmiaru przed wysłaniem; dobrze myśląca kompresja niszczy precisely te użyteczne informacje. Na koniec, kadrowanie powinno obejmować cały tekst bez nadmiaru pustej przestrzeni wokół, ponieważ model lepiej analizuje obrazy, gdy treść zajmuje znaczną część kadru.

Trudne przypadki i jak sobie z nimi radzić

Niektóre teksty opierają się wyodrębnianiu. W takich sytuacjach celem jest uwidocznienie niepewności, a nie jej ignorowanie. W obliczu nieczytelnego pisma odręcznego, poproś: „Przepisz ten tekst. Gdy nie masz pewności co do słowa, zaznacz je w nawiasie ze znakiem zapytania“. Dzięki temu dokładnie wiesz, gdzie skupić uwagę podczas weryfikacji. W przypadku tekstu na złożonym tle – np. plakatu, gdzie litery wyróżniają się na tle fotografii – przytnij obraz do obszaru zawierającego tylko tekst. W przypadku starych lub uszkodzonych dokumentów odrobina kontekstu ułatwia odczyt: „Ten dokument pochodzi z XIX wieku; niektóre słowa mogą mieć archaiczną pisownię“.

Dwa rodzaje sprawdzeń pozostają Twoją odpowiedzialnością. Po pierwsze, liczby: pomyłki między 0 a O, 1 a l lub 5 a S są częste i niezauważalne, dlatego dokładnie sprawdzaj kwoty, numery identyfikacyjne i daty. Po drugie, języki: w przypadku dokumentu wielojęzycznego określ, jakie języki są obecne. W przeciwnym razie model może znormalizować fragment tekstu do języka dominującego.

Czas na Ciebie

Przetestuj niezawodność wyodrębniania. Sprawdź to w praktyce na prawdziwym dokumencie – paragonie, liście, wizytówce, stronie książki lub odręcznych notatkach. Użyj polecenia: „Wyodrębnij cały tekst z tego obrazu. Następnie uporządkuj wyodrębnione informacje strukturalnie i zidentyfikuj kluczowe punkty danych“. Porównaj wynik linia po linii z oryginałem. Ta weryfikacja to jedyny sposób, aby ocenić rzeczywistą niezawodność wyodrębniania.

Źródła oficjalne: ChatGPT Image Inputs FAQ · Does ChatGPT tell the truth? (Centrum Pomocy OpenAI)

Kluczowe wnioski

  • ChatGPT działa jako zaawansowany OCR: wyodrębnia, strukturyzuje i przetwarza tekst w jednym kroku
  • Łącz wyodrębnianie z działaniem (tłumaczenie, podsumowanie, zmianę formatu), aby oszczędzić czas
  • Jakość zdjęcia jest kluczowa: dobre oświetlenie, kąt prostopadły, wysoka rozdzielczość
  • Zawsze weryfikuj dane liczbowe i nazwy własne w transkrypcjach
  • Określ kontekst i język, aby poprawić dokładność w przypadku złożonych tekstów