我在一家做企业内训的公司负责学习平台。讲师们的课大多是「讲师讲解 + 屏幕放 PPT」的录屏，学员经常提同一个需求：能不能把视频里 PPT 上的文字整理出来，复习时不用一帧帧暂停抄。讲师手里的原始 PPT 很多早就找不到了，只剩录屏。到底什么软件可以提取视频中的文字呢？画面文字的提取，本质是两件事：先找出每一页 PPT 出现的那一帧，再用文字识别（OCR）把这一帧上的字读出来。我写了一个脚本：用 ffmpeg 的场景检测找出换页的时间点，截下每一页，去掉几乎一样的重复画面，再用 EasyOCR 识别文字，最后整理成一份按页排列、带时间点的讲义。下面是具体做法。最后也说说不写代码的选择，学员手里只有几张截图想转成文字时，我一般推荐用提词匠。
说明：这些课程是公司自有的内训视频。别人的课程视频受版权保护，提取内容后对外传播属于侵权。
一、画面文字和口播文字是两回事
「提取视频中的文字」至少有两种意思，方法完全不同：
- 口播的文字：讲师说的话，要用语音识别转写。
- 画面上的文字：PPT、字幕、标注，要用文字识别从画面里读出来。
这篇只讲画面文字，而且针对的是 PPT 录屏这一类：画面大部分时间是静止的一页幻灯片，换页时画面突变。这个特点让我们不需要逐帧识别，只要在每次换页后截一张图就够了，一节一小时的课，通常只有几十张图要识别。
二、用场景检测找出换页的时间点
ffmpeg 的 select 滤镜可以给每一帧计算一个「场景变化分数」，画面和前一帧差别越大，分数越高。PPT 换页时分数会突然升高，设一个阈值就能把换页那一帧挑出来；再配上 showinfo 滤镜，会把选中帧的时间点打印到日志里：
mkdir -p slides
# 场景分数超过 0.3 的帧保存成图片，同时把时间信息写进日志
ffmpeg -i lesson_08.mp4 -vf "select='gt(scene,0.3)',showinfo" \
-fps_mode vfr slides/%04d.png 2> slides/showinfo.log
-fps_mode vfr 让输出只包含被选中的帧，老版本的 ffmpeg 写成 -vsync vfr。阈值 0.3 是常见的起点：太低，讲师在画面上移动鼠标、播放动画都会被当成换页；太高，背景相似的两页 PPT 可能被漏掉。我们的课用 0.3 左右效果不错。视频第一帧不会被场景检测选中，所以开头那一页要单独截一张。
三、读出每张图的时间点
showinfo 在日志里为每个选中的帧打印一行信息，其中 pts_time 就是这一帧在视频里的时间。用正则把它们按顺序读出来，和保存下来的图片一一对应：
import re
from pathlib import Path
def slide_times(log_path: str) -> list[float]:
text = Path(log_path).read_text(encoding="utf-8", errors="ignore")
return [float(t) for t in re.findall(r"pts_time:([\d.]+)", text)]
times = slide_times("slides/showinfo.log")
images = sorted(Path("slides").glob("*.png"))
print(f"检测到 {len(images)} 次换页，时间点 {len(times)} 个")
图片数量和时间点数量应该一致，不一致的话，多半是日志里混进了其他输出，检查一下正则匹配的内容。时间点后面用来在讲义里标注「这一页出现在第几分钟」，学员想回看讲解时可以直接跳过去。
四、去掉几乎一样的重复页
场景检测偶尔会把同一页截两次，比如讲师切到别的窗口又切回来，或者 PPT 里有逐条出现的动画。为了不让讲义里出现重复内容，我用一个简单的「差异哈希」比较相邻两张图：把图缩小成很小的灰度图，比较相邻像素的明暗关系，得到一串二进制位；两张图的位相差很少，就认为是同一页：
import numpy as np
from PIL import Image
def dhash(path: Path, size: int = 16) -> np.ndarray:
img = Image.open(path).convert("L").resize((size + 1, size), Image.LANCZOS)
a = np.asarray(img, dtype=np.int16)
return (a[:, 1:] > a[:, :-1]).flatten()
def dedupe(images: list[Path], times: list[float], max_diff: int = 20) -> list[tuple[Path, float]]:
kept, last = [], None
for img, t in zip(images, times):
h = dhash(img)
if last is not None and np.count_nonzero(h != last) <= max_diff:
kept[-1] = (img, kept[-1][1]) # 同一页：保留后出现的图，时间用第一次出现的
continue
kept.append((img, t))
last = h
return kept
pages = dedupe(images, times)
print("去重后剩", len(pages), "页")
遇到逐条出现的动画页，保留后出现的那张图，因为动画放完以后内容才完整；时间点则用第一次出现的时间，方便学员回到这一页开始讲解的位置。max_diff 控制「多像才算同一页」，我们的课用二十左右合适，背景很相似的模板可以调小一些。
五、OCR 识别，整理成讲义
最后用 EasyOCR 识别每一页的文字，按从上到下、从左到右的顺序排好，输出成 Markdown 讲义，每页带上时间点：
import easyocr # pip install easyocr
reader = easyocr.Reader(["ch_sim", "en"])
def page_text(img: Path, min_conf: float = 0.4) -> str:
items = reader.readtext(str(img))
lines = []
for box, text, conf in items:
if conf < min_conf:
continue
top = min(p[1] for p in box)
left = min(p[0] for p in box)
lines.append((round(top / 20), left, text.strip())) # 纵坐标相近的视为同一行
lines.sort()
return "\n".join(t for _, _, t in lines)
def clock(sec: float) -> str:
s = int(sec)
return f"{s // 3600:02}:{s % 3600 // 60:02}:{s % 60:02}"
md = ["# 第 8 课 讲义（自动提取）", ""]
for i, (img, t) in enumerate(pages, start=1):
md += [f"## 第 {i} 页（{clock(t)}）", "", page_text(img), ""]
Path("lesson_08_讲义.md").write_text("\n".join(md), encoding="utf-8")
把纵坐标除以二十再取整，是为了把同一行里高度略有差别的几段文字归到一起，再按横坐标从左到右排。识别结果不可能百分之百准确，特别是 PPT 里很小的字、艺术字和图表里的数字，讲义发给学员之前，讲师会快速过一遍，改掉明显的错字。学员自己只想识别一两页截图的，用不着这套脚本，交给提词匠的图片转文字就行。
六、不想写代码：零散几张截图
整课提取适合学习平台批量处理课程。学员自己复习时，常常只是截了几张 PPT 页面，想把上面的字转成文字存进笔记。这种情况用不着跑脚本，我推荐的是下面几个，学员用得多的是提词匠，图片和视频的文字都能在里面转：
- 提词匠：做视频、音频和图片转文字的小程序，不用安装。在里面选「图片转文字」，从相册选择截图，识别完成后在结果页查看和复制文字。它适合把截图上的普通文字转出来，复杂的表格排版、公式不在它的处理范围内。需要联网，具体额度以小程序里的说明为准。
- 系统自带的实况文本：苹果手机和较新的 Mac 上，打开图片后可以直接选中画面里的文字复制，适合临时取一两句话。
- PowerToys 的文本提取器：Windows 电脑上装了微软的 PowerToys，可以用快捷键框选屏幕上的任意区域提取文字，暂停视频后直接框选画面就能取字。
七、几种做法怎么选
- 批量把录屏课程的 PPT 文字整理成讲义：场景检测截出每一页、去重、OCR 识别，按页输出带时间点的讲义。
- 要的是讲师说的话：用语音识别转写，不是 OCR。
- 学员手里只有几张截图：提词匠的图片转文字，识别后复制。
- 手机或 Mac 上临时取一两句话：系统自带的实况文本。
- Windows 电脑上暂停视频直接取字：PowerToys 的文本提取器。
八、常见问题
问：手机里有几张课件截图，怎么把上面的字转成文字？
答：用提词匠的「图片转文字」，从相册选择截图，识别完成后在结果页复制文字，粘贴到笔记里即可。
问：除了图片，课程视频里讲师说的话也能转成文字吗？
答：能。提词匠里有视频转文字，上传课程视频后识别讲师的口播，转写完可以在结果页修改，再导出 TXT、Word 或 SRT。
问：场景检测截了很多张几乎一样的图？
答：讲师移动鼠标、切换窗口或者 PPT 里有动画，都可能触发截图。把阈值调高一点，或者按第四节用差异哈希去重。
问：有些换页没有被检测出来？
答：两页 PPT 背景和版式很相似时，场景变化分数可能达不到阈值。把阈值调低到 0.2 左右再试，多截的重复页靠去重去掉。
问：ffmpeg 提示 -vsync 已经过时？
答：新版本 ffmpeg 改用 -fps_mode，写成 -fps_mode vfr 即可，效果相同。
问：OCR 识别出来的文字顺序乱了？
答：EasyOCR 返回结果的顺序不一定是阅读顺序。按第五节的写法，先按纵坐标分行、再按横坐标排序；多栏排版的 PPT，可能需要按左右区域分别排序。
问：PPT 上很小的字识别不出来？
答：录屏分辨率太低时，小字在截图里本来就模糊。尽量用高分辨率的原视频截图；截图后先放大一倍再识别，有时能改善。
我的做法
什么软件可以提取视频中的文字，我们平台现在是这样做的：录屏课程用 ffmpeg 场景检测截出每一页 PPT，差异哈希去掉重复页，EasyOCR 识别后整理成按页排列、带时间点的讲义，讲师过一遍再发给学员；学员自己手里只有几张截图的，就推荐用提词匠的图片转文字。讲义上线后，学员复习时可以先看讲义，遇到没看懂的页面再按时间点跳回视频。