So kommt der Text aus dem Bild
Sie wählen ein Foto oder einen Screenshot, tippen auf „Text erkennen“ und bekommen den Text in einem Feld, das Sie bearbeiten können. Von dort kopieren Sie ihn mit einem Tipp oder speichern ihn als TXT-Datei. Erlaubt sind JPG, PNG, WebP und HEIC, das Format der iPhone-Kamera. HEIC wandelt Ihr Browser vor dem Senden selbst in ein JPG um; dafür muss nichts installiert werden.
Fotos über 3 MB verkleinert der Browser vor dem Senden auf höchstens 2.400 Pixel an der langen Kante. Mehr braucht Text nicht, und der Upload wird schneller. Dabei beachtet er die Drehung aus der Kamera-Haltung und lässt Ortsangaben und andere Metadaten weg. Kleinere JPG, PNG und WebP gehen unverändert hoch; der Server liest sie neu ein und gibt nur die Bildpunkte an die Erkennung weiter, nicht die Metadaten.
Gelesen wird mit dem Modell glm-ocr, einer Texterkennung mit KI. Sie läuft auf unserem eigenen Rechner, nicht bei einem fremden Anbieter. Wenn viele gleichzeitig Bilder schicken, reiht sich Ihr Auftrag in eine Warteschlange ein; die Seite zeigt dann an, wie viele Aufträge vor Ihnen sind.
Was mit Ihrem Bild passiert
Das Bild geht über eine verschlüsselte Verbindung an api.moersbergerit.de. Dahinter leitet ein Cloudflare-Tunnel die Anfrage an einen Mac Studio in Sarstedt, den ich selbst betreibe. Dort liegt das Bild nur im Arbeitsspeicher, wird neu kodiert und an das Modell auf demselben Rechner übergeben. Nach der Antwort wird es verworfen. Es gibt keine Datenbank und keinen Ordner, in dem Bilder landen. Weil der Weg über Cloudflare führt, ist Cloudflare technisch an der Übertragung beteiligt.
Der Dienst schreibt keine Zeile zu einzelnen Aufträgen: keinen Dateinamen, keinen erkannten Text, keine IP-Adresse. Der Zugriffslog des Webservers ist für diesen Pfad abgeschaltet. Für das Stundenlimit merkt sich der Dienst einen mit einem Zufallswert gesalzenen Hash Ihrer IP-Adresse im Arbeitsspeicher; er ist nach einer Stunde wieder weg und verschwindet auch beim Neustart des Dienstes.
Wir trainieren nichts mit Ihren Bildern. Das Modell läuft unverändert, und der Dienst speichert nichts, womit man es trainieren könnte. Lassen Sie trotzdem Ausweise, Verträge, Arztbriefe und andere Unterlagen mit sensiblen Daten außen vor, wenn Sie nicht möchten, dass sie das eigene Gerät verlassen.
So wird das Ergebnis gut
Die Erkennung liest, was im Bild gut lesbar ist. Muss man das Foto auf dem Handy erst vergrößern, um die Schrift zu entziffern, wird es auch für die KI schwer. Ein paar Dinge helfen:
- Gerade von oben fotografieren, nicht schräg. Das Blatt füllt möglichst das Bild.
- Gleichmäßiges Licht ohne Schatten der Hand und ohne Blitzreflex auf Glanzpapier.
- Bei Screenshots nichts zusammenschieben: Das Original ist schärfer als ein Bild, das einmal durch einen Messenger gegangen ist.
- Nur den Textbereich zeigen. Zuschneiden vor dem Hochladen spart Zeit und verhindert, dass Beiwerk am Rand mitgelesen wird.
Am Ende steht der Text in einem Feld. Sie können ihn dort direkt korrigieren, bevor Sie ihn kopieren oder speichern.
Wie genau das Ergebnis ist
Gemessen haben wir am 02.11.2026 an Bildern, die wir selbst erzeugt haben: ein Screenshot mit 137 Zeichen und ein simuliertes Foto eines gedruckten Aushangs mit Schatten, leichter Schräglage und Bildrauschen mit 141 Zeichen. In beiden kam jedes Zeichen richtig an, auch Umlaute, ß, Zahlen mit Punkt und Komma und das &-Zeichen. Das sind sauber gesetzte Texte, ein einzelner Test. Rechnen Sie bei echten Fotos mit Fehlern, besonders bei kleiner Schrift, Unschärfe und Schmuckschriften.
Wenn die Erkennung ein Wort falsch liest, sind es meist ähnlich aussehende Zeichen: 0 und O, 1 und l, rn und m. Deshalb sollten Sie Zahlen, Beträge, IBAN und Telefonnummern immer mit dem Bild vergleichen.
Tabellen, Spalten und Layout
Das Werkzeug liefert Text, keine Seite. Eine Tabelle kommt als Zeilen, in denen die Zellen durch Leerzeichen getrennt sind. In unserem Test mit einer kleinen Preistabelle waren alle Zeichen richtig, die Spalten aber nur an den Abständen zu erkennen. Wollen Sie die Werte in Excel weiterverwenden, müssen Sie sie dort trennen. Bei mehrspaltigem Text, etwa einer Zeitungsseite, sollten Sie jede Spalte einzeln zuschneiden, sonst kann die Reihenfolge durcheinandergeraten.
Schriftgrößen, Fettdruck, Farben, Bilder und Fußnoten gibt das Werkzeug nicht wieder. Wer ein ganzes PDF mit Layout braucht, ist mit der KI hier nicht richtig; für gescannte Seiten siehe Dokument scannen.
Grenzen, Wartezeit und Limit
Das Bild darf nach dem Verkleinern höchstens 12 MB haben. Pro Stunde und Anschluss sind 20 Erkennungen möglich; wann die nächste geht, sagt die Seite, wenn das Limit erreicht ist. Für ein Foto brauchte die Erkennung bei unseren Testbildern zwischen 0,4 und 1,7 Sekunden, dazu kommt die Zeit in der Warteschlange und die Übertragung. Läuft der Dienst gerade nicht, sagt die Seite das und gibt den Knopf von selbst wieder frei, sobald er zurück ist.
Enthält das Bild selbst eine Folge von drei Gravis-Zeichen (wie in Programmcode), bricht die Erkennung an dieser Stelle ab. Das ist eine bewusste Einstellung gegen Endlosschleifen des Modells. Die Antwort der KI ist auf 2.048 Token begrenzt, bei deutschem Text grob 1.000 Wörter; ein Brief passt, bei sehr langen Texten teilen Sie das Bild besser in Abschnitte.
Auf dem iPhone und auf vielen Android-Handys können Sie Text im Foto auch direkt markieren (Live Text bzw. Google Lens). Das geht ohne Upload, wenn Ihr Gerät es kann. Dieses Werkzeug ist für den Rechner, für Screenshots und für Geräte ohne diese Funktion gedacht.