用 Mac 时间稍长的人，多半都见过实况文本——只是不一定知道它叫什么名字。把鼠标移到照片里的招牌上、移到预览里那张被同事丢过来的截图上，光标就变成了文字光标，能选、能复制、然后接着干活。这种功能"用着用着就忘了它存在"，对一个系统功能来说是最高的评价。
那为什么还要写一篇对比？因为只要你开始用 OCR 处理工作内容——从微信里别人发来的截图里抠一段话、把腾讯会议里的某张幻灯片里的字复制出来、把 B 站某个 Chrome 标签页里暂停的代码教程截下来——你就会很快撞上实况文本的边界。这些边界并不是 bug，而是它当初接入 macOS 的方式所带来的自然结果。搞清楚边界在哪，你就知道自己是该止步于系统自带的工具，还是有必要再装一个补位的。
这篇是我们团队对两个工具比较坦白的看法。我们做的是 Cheese! OCR，立场上肯定有偏向。但我们也尽量把"实况文本就是更合适"的情况讲清楚——含糊带过只会浪费你的时间。
实况文本擅长什么
苹果在 macOS 12 Monterey（2021 年）里引入实况文本，之后几代系统不断打磨。它的核心逻辑是：凡是由苹果自家视图渲染的图片——比如照片里的图、预览里的页面、QuickTime 里的画面、Safari 里的图片——都可以原地分析，文字直接变成可选的，就像本来就是文本一样。整个过程不需要你主动触发，鼠标接近图片时就在后台启动。
它擅长的场景很集中，也很顺手：
- 照片 App：你拍过的任何带字的照片——发票、白板、名片、路牌——都能搜、能选、能复制。
- 预览 App：打开图片（PNG、JPEG、HEIC）就能直接选字。原生 PDF 自带文字层不用说，扫描版 PDF 多数情况下实况文本也能识别。
- Safari：暂停的视频帧、文章里的图片、SVG 渲染的内容，通常都能选字。
- 备忘录、邮件：贴一张图进去，里面的字就能选。
- 快速查看：在访达里按空格的悬浮预览也支持实况文本。
对一个普通用户来说，这些就够了。如果你日常的 OCR 需求只是"偶尔从照片里抠个电话号码"，真不需要再装别的工具。
实况文本力不从心的 4 个场景
但只要你开始跨应用处理大量文字，这 4 个空缺就会接连冒出来。
1. 第三方应用里的图片预览
实况文本是接到 AppKit 的图片渲染管线上的，但很多第三方应用用的是自己写的图片控件，没接进系统的文字选择层。微信和企业微信的图片查看器、钉钉和飞书里的图片预览、Slack 和 Discord 的灯箱、Telegram 的媒体预览、Notion 内嵌图片，以及一堆企业内部应用，渲染图片的方式都绕开了实况文本。结果是：你看着那段字，选不动。
系统内的曲线救国方法是"把图保存下来用预览打开"。一次还行，作为日常习惯就太啰嗦了：右键、保存到下载、找文件、打开、再选字。这一通操作下来，按两次截图识字快捷键早搞完了。
2. 视频会议
腾讯会议、飞书会议、Zoom、Microsoft Teams、Webex，以及在 Chrome 里跑的 Google Meet，经常会给会议窗口加上屏幕保护或类似 DRM 的标记。苹果的截图机制和实况文本在不少配置下都会尊重这些标记。结果就是：你看着幻灯片上的项目符号，怎么都选不动；有时候直接截屏甚至会出来一张黑图。
会议软件这么做并不是恶意，而是面向敏感分享内容的"默认隐私"选择。但对那种再普通不过的需求——"我就想把这页幻灯片上的链接复制下来"——它就是一堵墙。一个走系统屏幕录制 API 的截图识字工具，多数情况下能把当前可见的画面捕获下来再交给 Apple Vision 识别，具体效果取决于源应用画帧的方式。
3. 受保护的 PDF 和某些公司分发的文档
带文字层的原生 PDF 最简单，任何工具都能复制，实况文本当然也能。扫描版 PDF 麻烦一点，但预览里的实况文本通常也能搞定。真正讨厌的是中间那部分情况：
- 设了密码、允许查看但禁用复制和实况文本的 PDF。
- 少数出版商和公司文档系统下发的带 DRM 的 PDF。
- 某些专门阅读器在应用层禁用了文字选择，即使 PDF 本身是原生的。
这种"允许你读但不允许你选字"的场景下，OCR 是个合理的解决方案：你不是在绕过访问控制，只是在绕过 UI 层的复制限制——文档本来就在你手里。Cheese! OCR 捕获的是已经渲染出来的像素，相当于你用手把那段字打字打出来一样。
4. Safari 之外的视频画面
实况文本在 Safari 暂停视频里挺好用，但在 Chrome、Edge、Firefox 里就不行了——这些浏览器用的是自己的渲染引擎，没把视频帧暴露给 AppKit 的实况文本钩子。同样的道理也适用于 IINA、VLC 和大多数本地播放器。如果你在 Chrome 上看 B 站、YouTube 或某门课程的录播，老师在终端里敲了一行命令，你只能盯着屏幕一个字一个字地敲下来。
问题相同，解法也相同：截图识字工具不在乎像素是哪个应用画上去的。
Cheese! OCR 是怎么补这几个口子的
Cheese! OCR 是个菜单栏应用，只做一件事。按下全局快捷键（默认 ⇧⌘E，可改）。屏幕变暗，光标变成十字，你拖一个矩形把要识别的区域框出来，识别后的文字直接进剪贴板，粘到任何地方就行。整套动作熟练之后大概 2 秒。
有几个细节对这次对比比较关键：
- 同一个 Apple Vision 引擎。Cheese! OCR 用的就是 Vision 框架——和实况文本是同一条流水线。印刷体识别准确率接近。我们没有在偷偷训练什么自家模型来"打败"苹果，只是把苹果的模型套了一个不同的工作流。
- 天生跨应用。输入永远是"屏幕上的像素"，所以来源是微信、钉钉、腾讯会议、IINA，还是 Citrix、远程桌面，都不影响。看得见就识得到。
- 全程在本地。应用沙盒里没有任何网络权限，这一点可以在 Mac App Store 的应用隐私页面里核对。截图永远不出 Mac。
- 历史记录可搜索。每次识别都会带时间戳存到本地。你一个小时前粘到某个聊天里的段落丢了，到历史里搜两个关键字就能翻回来。
- 多语言默认开启。英文、简体中文、日语、韩语开箱即识，不用为每张截图切语言。
每一项单看都不算什么。合在一起，刚好把上面那 4 个场景填掉，而且不需要切应用、切流程。
什么时候实况文本就够了
有些情况确实没必要再装第二个工具，明确说出来比较省时间：
- 你 OCR 的频率很低，且只在苹果自家应用里用。照片、预览、Safari、备忘录。如果你一周也就用上几次，实况文本免费、即开即用，最划算。
- 你需要的是图内"逐词选中"，不是整段复制。实况文本可以让你在图片里像在文档里一样精确地选某几个字，Cheese! OCR 的逻辑是框选一个区域，把里面所有字都给你。
- 你不希望装任何第三方应用。这是合理的偏好。实况文本是系统自带的，苹果签的，跟着系统更新。
- 你需要的是辅助功能层面的实时识别。实况文本和 VoiceOver 等辅助功能集成得很深，这跟一个截图识字应用属于不同范畴。
如果以上情况是你的日常，那就别再多看了，用你已经有的就行。我们说真的。
对比表
| 维度 | macOS 实况文本 | Cheese! OCR |
|---|---|---|
| 价格 | 免费，macOS 12+ 自带 | 5.99 美元买断，无订阅 |
| 覆盖范围 | 苹果自家应用与 WebKit 视图 | 屏幕上任何看得见的内容 |
| 触发方式 | 把鼠标移到图片上选字 | 全局快捷键 + 框选 |
| 语言 | Apple Vision（按需启用多语言） | 英 / 简中 / 日 / 韩 自动识别 |
| 历史记录 | 无 | 本地，可搜索 |
| 识别引擎 | Apple Vision，本地 | Apple Vision，本地 |
| 网络 | 不联网 | 沙盒无网络权限，可核查 |
| 最适合 | 日常、应用内零星抓字 | 跨应用、高频、批量识字 |
简单的判断框架
三条规则覆盖了绝大多数情况。
- 把鼠标停到图上，光标变成文字光标——直接用实况文本。它已经在那里等你了。
- 来源是第三方应用、视频会议、Safari 之外的浏览器，或者受保护的文档——按快捷键。
- 如果一周里要这么干很多次，把快捷键设成顺手的位置，让肌肉记忆替你做决定。一两天之后两个工具的切换就会变成下意识的动作。
实际工作中我们两个一直都开着。实况文本悄悄地处理那些"老老实实在苹果应用里"的情况，Cheese! OCR 处理那些不老实的。如果你想试试后半段这个组合，可以去 Mac App Store 看看这个应用。FAQ 下面我们也挑了几篇相关文章——尤其是 PDF 那篇和截图那篇，会把这里讲到的思路再展开一层。