图片转 Markdown
识别图片中的文字并保留标题、列表、加粗等结构，输出结果可以直接当作 Markdown 文档使用，省去手工整理排版的时间，适合处理讲义、说明页这类有成块结构的图片。
llama-ocr
AI TOOL PROFILE工具资料用 Llama 视觉模型把图片里的文字转成 Markdown 的开源库
价格官网未标价
平台—
归类其他 AI 工具
收录2026-10-12
复核2026-10-12
编辑评分
4.3 / 5
★★★★☆
llama-ocr编辑总结
llama-ocr 是一个开源的 npm 库，调用 Llama 3.2 Vision 这类视觉大模型完成 OCR，把图片中的文字识别并按 Markdown 结构输出。它面向已经在 JavaScript 或 Node 项目里的开发者，装包、填好模型服务的密钥就能对图片跑识别。相比传统 OCR，它对版面顺序和标题层级的还原更贴近原文排版；短板在于识别依赖外部模型服务，网络、密钥和调用成本都由使用方自己承担，离线场景基本用不了。
llama-ocr是什么？
llama-ocr 是发布在 npm 上的开源库，思路不是自研识别引擎，而是把 Llama 3.2 Vision 这类视觉语言模型包装成一层好用的 OCR 接口。它解决的是「我有一堆图片，想把里面的文字拿出来变成能用的文本」这个问题，输出直接是 Markdown 而不是散乱的字符流。
它运行在 Node 环境里，安装后通过调用视觉模型完成识别，模型侧走的是 Together AI、vLLM 这类可提供 Llama 视觉模型的服务。开发者需要自己准备对应服务的访问凭据，识别结果以 Markdown 字符串形式返回，方便直接写入文件或喂给下游流程。
对个人开发者，它适合做临时工具或脚本，比如把截图、扫描件、课程讲义图片转成笔记。对小团队，它更像一块可以嵌进现有流水线的零件——文档入库、内容迁移、图文混排的素材整理，都可以在 JavaScript 项目里直接接上，不必再维护一套独立的 OCR 服务。
llama-ocr核心功能
基于 Llama 视觉模型
识别由 Llama 3.2 Vision 一类视觉语言模型完成，不是传统的字符切割识别。对版面顺序、表格与段落的还原更接近人读图的方式，遇到排版复杂的图片时比传统 OCR 更稳。
npm 一行安装
通过 npm 安装即可使用，接口按 JavaScript 习惯设计，返回字符串或 Promise，可以直接在脚本、服务端函数或构建流程里调用，不需要单独部署一个 OCR 服务进程。
兼容多种模型服务
走的是通用视觉模型调用方式，Together AI、vLLM 这类能提供 Llama 视觉模型的服务都可以接。换服务商时通常只要改配置，不用重写识别逻辑。
开源可自建
源码开放，可以把库接进自己的产品或内部工具里，也能配合本地部署的模型服务跑，适合对数据流向有要求、不想把图片传到第三方服务的场景。
llama-ocr值不值得用？
当你要在 JavaScript 或 Node 项目里快速加一个「图片变文字」的能力，并且已经有可用的视觉模型服务时，llama-ocr 是省事的选择：装包、配置、调用，输出直接是 Markdown。当你的图片量很大、对单张成本敏感，或者必须在内网离线环境里跑，就要谨慎——它本身不提供识别能力，识别质量、速度、费用都由背后的模型服务决定，图片也通常要离开本机。它对扫描件质量仍然敏感，模糊、倾斜、手写内容会出现漏字和错字，重要文档建议人工过一遍再入库。
建议选它的情况
- 已经在 JavaScript 或 Node 项目里，想直接调用 OCR 而不想引入别的语言栈
- 手上已有 Together AI 或自建 vLLM 这类视觉模型服务，只差一层好用的封装
- 需要输出 Markdown 结构的文字，而不是一堆没有排版的纯文本
不建议选它的情况
- 要求完全离线、图片不能离开内网环境，同时又不打算自建模型服务
- 只想偶尔识别一两张图，不写代码，更希望有现成的网页或客户端工具
- 识别量非常大且对单张成本极敏感，需要先用模型服务的计费规则算清预算
llama-ocr使用建议
入门先把路子走对
- 先装包再配密钥用 npm 把库装进项目，然后到你所用的视觉模型服务控制台申请访问密钥，填进环境变量或配置里，再写一段最小脚本对一张本地图片试跑一次。
- 从清晰截图试起第一张测试图选屏幕截图或清晰的印刷页，不要一上来就用手机拍的倾斜照片。先确认调用链路通了，再逐步换成更复杂的图片，出问题时更容易定位是环境问题还是图片问题。
- 把结果落成文件再检查识别结果先写入一个 .md 文件，用编辑器打开看结构对不对——标题层级、列表缩进、段落断行是否合理。直接看控制台输出容易漏掉排版问题。
进阶省时间也省钱
- 批量前先做抽样面对成批图片，先挑几张不同来源的样本跑一遍，看看哪类图识别得差。把明显不合格的图片先排除或单独处理，比整批跑完再逐条返工省时间。
- 控制单次图片体积过大的图片会拖慢识别并增加失败概率。上传前把长边压到识别需要的尺寸、裁掉无关边缘，既能提高成功率，也能减少模型服务侧的消耗。
- 接进现有流水线与其把它当成一个独立工具，不如把调用写进已有的处理流程里，例如文档入库时自动识别附图、内容迁移时批量转换图片素材，识别完直接进入下一步，减少手工转存。
- 自建服务时优先本地如果对数据外传有顾虑，可以配合本地部署的视觉模型服务使用，让图片不出内网。代价是要自己维护模型和机器，适合有运维能力、图片又确实敏感的团队。
llama-ocr适合谁用？
JavaScript 开发者
推荐本来就写 Node，需要在自己的项目里加一个图片转文字的能力，不想为了 OCR 再搭一套 Python 或独立服务。装包即可调用，贴合现有技术栈。
做文档工具的小团队
推荐产品里有讲义、说明页、扫描件的处理环节，希望识别结果直接是 Markdown 好入库。可以把库嵌进现有流水线，省掉自研识别模块。
有自建模型的团队
推荐已经在内网跑着视觉模型服务，只想找一个方便的调用封装，顺带满足图片不出内网的要求。这类场景正好对上它的适配能力。
不想写代码的用户
不推荐只是偶尔想把几张图里的文字拿出来，不写脚本。这个库没有现成的图形界面，需要自己写调用代码，更适合改成用带界面的识别工具。
处理敏感档案的机构
有条件文档涉及隐私或合规要求，默认不能上传到第三方识别服务。除非自己部署模型服务，否则图片外传这一环就过不了审。
大批量低成本场景
有条件每天要跑大量图片，且对单张成本非常敏感。识别费用由背后的模型服务决定，用之前需要先按计费规则把预算算清楚。
llama-ocr优点和缺点
优点
- 输出直接是 Markdown，保留标题、列表等排版结构，不只是纯文本
- npm 安装即用，贴合 JavaScript 项目的技术栈，不必另起服务
- 基于 Llama 视觉模型，对复杂版面顺序的还原优于传统字符切割式 OCR
- 开源，可嵌入自有产品或内部工具，改起来没有黑盒限制
- 可配合 Together AI、vLLM 等多种模型服务使用，换服务商改动小
- 能接本地部署的模型服务，满足图片不外传的合规需求
缺点
- 本身不含识别能力，必须自备视觉模型服务，多一层账号与网络配置
- 没有图形界面，使用门槛限定在会写代码的人身上
- 图片通常要传给模型服务，隐私敏感场景需要自建模型才能用
- 识别质量跟图片清晰度强相关，模糊或倾斜图片容易出现漏字错字
- 识别速度与费用都由外部模型服务决定，不受库本身控制
llama-ocr常见问题
llama-ocr 是免费的吗？＋
库本身开源免费，但识别这一步依赖外部视觉模型服务，这部分通常按服务商的规则计费。也就是说，不用为库付费，但要为自己使用的模型服务承担费用，具体开支取决于你选的服务和调用量。
它靠什么识别图片？＋
调用 Llama 3.2 Vision 这类视觉语言模型完成识别，而不是自带的传统 OCR 引擎。库的作用是把模型包装成好用的接口，因此识别效果与所选模型的版本、能力直接相关。
输出的结果是什么格式？＋
返回 Markdown 文本，会尽量保留原文的标题层级、列表和段落结构，方便直接存成文档或进入后续的内容处理流程，比起没有排版的纯文本省去不少手工整理。
不会写代码能用吗？＋
不太方便。它是一个给开发者用的 npm 库，需要在 JavaScript 或 Node 项目里写调用代码，没有现成的网页或客户端界面。不写代码的用户更适合直接找带界面的图片转文字工具。
图片会被上传到外部吗？＋
识别通过你配置的模型服务完成，使用云端服务时图片会发送到对应服务商；如果改用自己本地部署的视觉模型服务，图片就可以留在内网。是否需要外传取决于你选择哪种部署方式。
识别出来的文字能直接用吗？＋
清晰印刷体或屏幕截图的效果通常不错，但扫描件、倾斜照片、手写内容容易出现漏字和错字，Markdown 结构也可能局部错乱。用于正式文档前建议人工核对一遍，尤其是数字和专有名词。
