本插件为 Umi-OCR 提供 15个主流AI服务商 的OCR功能，支持云端和本地AI服务的视觉识别API。作为离线OCR的强力补充，为用户提供更高精度、更广泛语言支持的智能文字识别服务。
Umi-OCR 是一款免费、开源、可批量的离线OCR软件，基于 PaddleOCR 开发。它具有以下特点：
- 🆓 完全免费：无需付费，无广告，开源软件
- 📱 界面友好：现代化的图形界面，操作简单直观
- 🔄 批量处理：支持批量图片OCR，提高工作效率
- 🌐 多语言支持：支持中文、英文、日文、韩文等多种语言
- 🔌 插件系统：支持扩展插件，功能可定制
- 💻 跨平台：支持Windows、Linux等操作系统
| 服务商 | 建议模型 | 特点 |
|---|---|---|
| 硅基流动 (SiliconFlow) | Qwen/Qwen3-VL-235B-A22B-Instruct （强烈推荐）或 PaddlePaddle/PaddleOCR-VL-1.5 | 开源模型多，价格低，速度快，中文识别准确率超高，强烈推荐 |
| 阿里云百炼 (Alibaba) | Qwen/Qwen3-VL-235B-A22B-Instruct （强烈推荐）/qwen3.6-plus | 顶尖OCR模型，中外文识别极其优秀，强烈推荐 |
| 智谱AI (ZhipuAI) | GLM-4.6V/GLM-OCR | 国产大模型，多模态能力强，相当优秀 |
| 豆包(Doubao) | doubao-seed-2-0-pro/doubao-seed-1-8-251228 | 中文优化效果好，性价比高 |
| OpenAI | gpt-5.4 | 高精度，多语言支持 |
| Google Gemini | gemini-3.0-pro/gemini-3.0-flash | 速度快，成本低 |
| xAI Grok | grok-4 | 创新模型，独特优势 |
| OpenRouter | qwen/qwen2.5-vl-72b-instruct:free | 统一接口，模型丰富 |
| Groq | meta-llama/llama-4-maverick-17b-128e-instruct | 高性能推理，速度极快 |
| 魔搭 (ModelScope) | Qwen/Qwen3-VL-235B-A22B-Instruct （强烈推荐） | 阿里达摩院开源平台，模型丰富，免费使用 |
| 无问芯穹 (Infinigence) | Qwen/Qwen3-VL-235B-A22B-Instruct （强烈推荐） | 顶尖OCR模型，中文识别优秀，免费使用 |
| Mistral AI | mistral-ocr-latest | 欧洲AI公司，视觉模型优秀，免费使用 |
| 浦源书生 (Intern) | intern-s1-pro/internvl3.5-241b-a28b | 学术界AI平台，多模态能力强，免费使用，其中intern-s1-pro为优秀OCR模型，中文识别非常优秀，十分推荐 |
| 百度PaddleOCR系列 | V3/V5/VL/VL 1.5 | 百度飞桨平台，支持多语言识别，高效准确解析文档内容，其中PaddleOCR-VL-1.5 为顶尖OCR模型，中外文识别极其优秀，非常推荐 |
| MinerU系列 | pipeline(默认)/vlm(推荐) /MinerU-HTML/MinerU 2.5系列（官网暂未上线，上线后支持直接调用） | 行业领先的文档解析服务商，尤其擅长处理非标准和复杂文档，拥有顶尖OCR模型，中外文识别极其优秀，非常推荐 |
| 服务商 | 建议模型 | 特点 |
|---|---|---|
| Ollama | qwen2.5vl:7b, qwen3vl:8b | 🔒 完全离线，隐私保护，免费使用，支持自定义地址 |
| LM Studio | llava, llava-1.5-7b-hf | 🔒 完全离线，图形界面友好，OpenAI兼容，支持自定义地址 |
💡 自定义地址功能：Ollama 和 LM Studio 支持自定义 API 地址，您可以：
- 🌐 连接到局域网内其他机器上的 Ollama/LM Studio 服务
- ⚡ 在配置较低的机器上运行 Umi-OCR，连接到高性能机器上的 AI 服务
- 🔧 灵活部署，充分利用现有硬件资源
- 📡 支持远程AI服务，实现分布式OCR处理
| 功能 | 描述 |
|---|---|
| 🚀 高精度识别 | 基于最新的AI视觉模型，支持多种语言文字识别 |
| 🌍 多语言支持 | 支持中文、英文、日文、韩文、法文、德文、西班牙文、俄文、阿拉伯文等 |
| ⚡ 多厂商选择 | 支持OpenAI、Gemini、xAI、OpenRouter、硅基流动、豆包等多个服务商 |
| 📍 坐标提取 | 可选择输出文字的位置坐标信息 |
| 🔧 灵活配置 | 支持图像质量、尺寸、超时等多项参数调整 |
| 🌐 代理支持 | 支持HTTP/SOCKS5代理，适应不同网络环境 |
| 🔄 智能重试 | 自动重试机制，提高识别成功率 |
| 🚀 并发处理 | 支持批量图片并发识别，提高处理效率 |
- Umi-OCR软件：需要安装 Umi-OCR v2.0+
- AI服务API密钥：需要获取对应服务商的API密钥
- 网络连接：需要能够访问对应的AI服务，国外模型通常需要魔法上网才行
- AIOCR-releases中下载最新版本插件
- 将压缩包中的AIOCR文件解压至 Umi-OCR 的插件目录：
UmiOCR-data/plugins/ - 重启 Umi-OCR 软件
- 在OCR引擎选择中找到 "AI OCR（云端）"
首次配置（推荐一次性配置所有服务商）：
- 在Umi-OCR中选择 "AI OCR（云端）"
- 在全局设置中配置所有你要使用的服务商：
- 填写 OpenAI API密钥和模型（如需要）
- 填写 Gemini API密钥和模型（如需要）
- 填写其他服务商的配置（如需要）
- 选择当前要使用的AI服务商并点击应用修改
- 在局部设置中选择“识别策略”：
- 双通道：AI高精度识别（含位置版）：输出带坐标的文本，适合PDF等文档识别。
- 仅AI高精度识别：直接输出纯文本，不含坐标，适合只需要文本信息的识别。
- 设置参数：
- 裁剪边缘补白 ： 2 px
- 最大识别框数 ： 30–100 （按图片复杂度与成本权衡）
- 并发识别数 ： 3–6 （视本机与服务商速率）,Paddle系列和MinerU系列上限为2
- 最小框面积 ： 0 或 100–500 px^2 （有小字场景建议 0 ）
日常使用：
- 只需在"当前AI服务商"下拉菜单中切换并点击应用修改即可
- 无需重新输入API密钥和模型
- 所有配置都会自动保存
- 使用截图OCR、批量OCR等功能
- 插件会自动调用对应的AI API进行识别
- API成本：AI API按使用量计费，请注意控制使用频率
- 网络要求：需要稳定的网络连接访问AI服务
- 图像大小：建议设置合适的最大图像尺寸以控制成本
- 隐私安全：图像会直接上传到服务商服务器进行处理，插件作者不会得到你的任何图片和信息
- 速度限制：云端API可能有速度限制，不适合大量并发请求
- 模型选择：不同模型的精度和成本不同，请根据需求选择
- 中文变体保留：当语言为“自动/中文”时，插件已在提示词中明确禁止简繁转换、全角/半角转换和字符归一化；繁简混排保持混合状态；逐字抄写不重写。
- 访问 硅基流动
- 注册账号并获取API密钥
- 支持多种开源视觉模型
- 访问 火山引擎
- 开通豆包服务并获取API密钥
- 字节跳动自研多模态模型
- 访问 OpenAI Platform
- 登录账号并创建API密钥
- 复制生成的密钥
- 访问 Google AI Studio
- 登录Google账号
- 创建新的API密钥
- 访问 xAI Console
- 注册并获取API密钥
- 访问 阿里云百炼平台
- 开通百炼服务并获取API密钥
- 支持通义千问系列视觉模型
- 访问 智谱AI开放平台
- 注册账号并创建API密钥
- 国产大模型，多模态能力强
- 访问 OpenRouter
- 注册账号并创建API密钥
- 访问 Groq Console
- 注册账号并获取API密钥
- 高性能推理平台，速度极快
- 访问 魔搭社区
- 注册账号并获取访问令牌 (Access Token)
- 阿里达摩院开源AI平台
- 访问 无问芯穹平台
- 注册账号并获取API密钥
- 月之暗面AI平台，长文本处理能力强
- 访问 Mistral Platform
- 注册账号并创建API密钥
- 欧洲AI公司，视觉模型优秀
- 访问 书生·浦语平台
- 注册账号并获取API密钥；可自行申请更多Token
- 学术界AI平台，多模态能力强
- 访问 PaddleOCR官网：(https://aistudio.baidu.com/paddleocr)
- 注册账号并免费获取TOKEN和API URL，如 PP-OCRv5 / PaddleOCR-VL / PaddleOCR-VL-1.5 / PP-StructureV3
- 每位用户每日对同一模型的解析上限为3000页，超出将返回429错误；可自行申请更多页数
- 访问 MinerU官网：(https://mineru.net/apiManage/token)
- 注册账号并免费获取API TOKEN和模型名称，如 pipeline（默认）/vlm(推荐) /MinerU-HTML等
- 每个账号每天享有 2000 页最高优先级解析额度，超过 2000 页的部分优先级降低
- 单个文件大小不能超过 200MB,文件页数不超出 600 页（“批量文档”和“批量OCR”可无视此约束）
-
安装Ollama：
# Linux/macOS curl -fsSL https://ollama.ai/install.sh | sh # Windows # 从 https://ollama.ai 下载安装包
-
下载视觉模型：
# 下载llava模型（推荐） ollama pull llava # 或下载其他视觉模型 ollama pull llava:7b ollama pull bakllava
-
启动服务：
ollama serve # 服务将在 http://localhost:11434 启动 -
在插件中配置：
- 服务商：选择 "Ollama (本地)"
- 模型：填入已下载的模型名（如 llava）
- 默认API地址（可修改）：http://localhost:11434/api
- API密钥：留空即可
-
下载安装：
- 访问 LM Studio官网
- 下载并安装适合您系统的版本
-
下载模型：
- 在LM Studio中搜索并下载支持视觉的模型
- 推荐：
llava-1.5-7b-hf,llava-1.6-34b-hf
-
启动本地服务器：
- 在LM Studio中点击"本地服务器"
- 选择已下载的视觉模型
- 启动服务器（默认端口1234）
-
在插件中配置：
- 服务商：选择 "LM Studio (本地)"
- 模型：填入LM Studio中加载的模型名
- 默认API地址（可修改）：http://localhost:1234/v1
- API密钥：留空或填入"not-needed"
- 完全离线：无需网络连接，数据不上传
- 隐私保护：所有处理在本地完成
- 免费使用：无API调用费用
- 自主控制：可选择和定制模型
- v2.9.3：增加Paddle系列和MinerU系列功能开关，提供更强大的识别功能；以Markdown为输出格式（Paddle系列和MinerU系列）时，默认去除所有的结果中的“#”；修正文档说明。
- v2.9.2：增加GLM-OCR和MinerU；默认关闭所有平台的“深度思考”功能；略微优化了识别结果与文字不对齐的表现。
- v2.9.1：增加PaddleOCR-VL-1.5，效果更好，默认关闭版面识别，默认开启Markdown美化，输出文本更美观。
- v2.9.0：增加PP-StructureV3功能，对复杂版面内容解析更精准。默认开启版面识别，默认开启Markdown美化，输出文本更美观。
- v2.8.0：增加PaddleOCR-V5以及PaddleOCR-VL功能。
- v2.7.0：调整双通道策略，现在双通道:AI高精度识别(含位置版)识别精度更高、识别速度速度更快。
- v2.6.0：🚀 重大更新 完美解决大模型OCR无法文字对齐的问题！新增并完善双通道识别，通过本地PaddleOCR检测识别真实坐标，再用所用AI模型识别文本，识别文字与原图文字完美对齐！并发识别、框数限制、本地高分直接采用、裁剪补白等参数可调，整图识别速度较之前版本更快。
- v2.5.0：🎉 社区贡献更新 - 新增5个AI服务商支持！添加Groq（高性能推理）、魔搭ModelScope（阿里达摩院）、无问芯穹Infinigence（月之暗面）、Mistral AI（欧洲AI）、浦源书生Intern（学术界AI），大幅扩展AI服务商选择。优化本地服务自定义地址功能。
- v2.4.0：🚀 重大更新 - 新增本地离线识别支持！添加Ollama、LM Studio本地服务商，支持自定义API地址，完全离线OCR成为可能。优化识别文字对齐，现在识别后的文字与原图位置只有轻微偏移。
- v2.3.0：新增阿里云百炼和智谱AI支持，更新所有服务商默认模型，优化界面布局，移除重试次数配置（内置3次）
- v2.2.0：支持一次性配置所有服务商，切换时无需重新输入API密钥和模型
- v2.1.0：增加支持硅基流动、豆包视觉模型
- v2.0.0：重构为多厂商AI OCR插件，支持OpenAI、Gemini、xAI、OpenRouter
- v1.2.0：支持Gemini 2.5 Flash和Pro预览版模型，优化识别精度
- v1.1.0：增加多语言支持，优化错误处理
- v1.0.0：初始版本，支持Gemini OCR功能
如果这个插件对您有帮助，请考虑：
- 给项目点个星⭐
- 分享给更多需要的人
- 提供反馈和建议
- 参与项目贡献
感谢使用 Umi-OCR 多厂商 AI OCR 插件！