在Safari浏览器里看视频时，无论是教学课程、会议录屏还是带字幕的广告，我们常会遇到一个实际需求：想直接提取画面中的文字。

但操作时，往往会遇到文字无法选中或识别失败的情况。这通常是因为视频未暂停、权限设置或识别路径有误。

其实，Safari自带的“实况文本”功能就能解决。关键在于方法要正确。下面就来详细介绍如何从视频画面中提取文字。

一、在Safari中暂停视频并触发实况文本识别

首先要明白原理：实况文本识别视频，本质是对静态图像进行分析。因此，视频必须先行暂停，让画面定格，系统才能将其作为图片处理。

操作步骤如下：

• 在Safari中打开包含字幕或画面文字的视频网页。
• 点击播放器的暂停按钮，确保画面完全静止，且要提取的文字区域清晰可见。
• 在触控设备上，用手指轻轻触碰视频画面中有文字的地方，按住约0.8到1秒。
• 如果顺利，文字区域会被蓝色高亮边框圈出，并弹出操作菜单。
• 点击菜单中的“拷贝”即可提取文字；遇到外文还可直接选择“翻译”。

二、针对无法直接触控识别的网页视频播放器

有些网站使用了自定义HTML5播放器或WebGL渲染技术，会“拦截”系统触控事件，导致长按无反应。

此时需要绕过播放器，将关键帧转为静态图片再识别。

• 先将视频暂停在需要的那一帧。
• 按下截图快捷键：Mac为 Command + Shift + 4；iPhone为侧边键加音量上键。
• 框选包含文字的视频画面区域，截图保存。
• 在“访达”（Mac）或“照片”App（iOS）中打开这张截图。
• 将鼠标悬停在文字上方（Mac），或直接轻点文字区域（iOS）。
• 看到竖线光标或蓝色边框出现，即表示识别成功。
• 拖选所需文字，右键（Mac）或点击菜单（iOS），选择“拷贝”即可。

三、启用Safari扩展增强识别兼容性

若网站使用了CSS遮罩、Canvas绘制或动态SVG覆盖等技术层，可能导致原生实况文本功能失灵。

此时可借助Safari的翻译扩展，它能调用系统底层的Vision框架，强制解析图像层文字。

• 打开Safari，点击菜单栏“Safari”，进入“设置”中的“扩展”。
• 找到已安装的“翻译”扩展，确保其开关处于开启状态。
• 访问目标视频网页，点击地址栏右侧的“aA”图标，选择“翻译为中文”或其他语言。
• 在弹出的翻译工具栏中，点击“选项”，务必勾选“尝试翻译图片中的文字”。
• 再次暂停视频，在画面任意位置点击右键，选择“翻译图片中的文字”。
• 系统将自动识别，并将结果显示在弹窗中。

四、使用快捷指令批量处理多帧文字

如果需要从长视频中连续提取多个时间点的文字（如记录会议发言），手动操作效率低下。

使用苹果自带的“快捷指令”App，可以搭建自动化流程，实现截图、识别、整理一条龙。

• 打开“快捷指令”App，点击右上角“+”新建指令。
• 添加第一个操作：“运行脚本”→选择“JavaScript”，输入截取当前屏幕并保存的代码。
• 添加第二个操作：“实况文本”→选择“从图像中提取文本”，设定输出格式为纯文本。
• 添加第三个操作：“追加到文稿”，使每次识别结果按时间顺序自动归档到同一文档。
• 最后，将该指令添加到主屏幕。以后看视频时，每暂停一次，只需点击一下图标，文字就会自动追加到你指定的备忘录里。

《夸克》非常好用的免费AI浏览器

下载APP查看