说实话，一开始看到API 26更新Core Vision Kit的时候，我没太当回事。

OCR嘛，哪个平台没有？百度阿里腾讯都有免费接口，接一下也不难。图像超分更是老话题了，各种APP都带，吹了好几年。文搜图听起来玄乎，不就是 embedding 向量检索么，自己也能搭。

直到上周我妈给我发了张社区医院开的处方单，拍得歪歪扭扭，光线又暗，她戴着老花镜念半天念不对药名，我突然想起来刚更的API 26有端侧OCR，干脆花一晚上写个小工具试试。

结果写完我愣了——从新建工程到跑通第一个识别结果，我真的只写了十几行代码，模型不用下，权限不用申请一堆，图片选进来100毫秒出结果，而且全程没联网。我妈那张歪了快30度、光线昏暗的处方单，除了医生手写的鬼画符认不出来，打印的药名、剂量、医嘱居然一个字都没认错。

那天我坐在电脑前坐了半天，突然反应过来：以前我们说"AI能力平民化"都是喊口号，这一次是真的轮到小开发者了。

先说说最实用的：通用文字识别，真的是打开就能用

我先做的就是OCR，因为需求最刚。

以前我也接过第三方的OCR SDK，那叫一个麻烦：先去开发者平台注册账号，申请appkey，下载几百MB的SDK包，配混淆规则，处理so库兼容，还要考虑用户没联网的时候用不了，敏感图片不敢传。而且免费额度用完了就要给钱，个人开发者根本扛不住。

这次接Core Vision Kit的OCR，流程简单到我不敢相信：

第一步，在module.json5里加一行权限声明：ohos.permission.READ_IMAGEVIDEO，就这一个，因为读相册需要，识别本身不需要任何特殊权限。

第二步，导包：

import { textRecognition } from '@kit.CoreVisionKit';

第三步，选一张图片，转成PixelMap，传进去：

// 就这么多
const visionInfo = { pixelMap: selectedPixelMap };
const result = await textRecognition.recognizeText(visionInfo);
console.log('识别结果:', result.value);

没了。真的没了。

扫描界面运行效果‌——手机对准文档时自动检测出的蓝色边框:

OCR文字识别效果‌——文字块坐标框标注与识别结果

我当时写完按运行，以为至少要等它下载模型，结果一点就出结果了，速度快到我以为是假的。后来才知道，模型是系统内置的，跟系统一起升级，用户手机里本来就有，开发者不用打包，不用下，不用管版本更新，系统自己维护。

这是什么概念？你的安装包不会因为加了OCR功能多一兆体积。以前接第三方OCR，光模型文件就要二三十兆，打进去包直接肥一圈，现在完全没这个问题。

我测了十几种场景，说说真实表现怎么样

我专门找了各种奇奇怪怪的图来测，不是官方那种摆拍的样张，就是手机里真实拍的东西：

能打满分的场景：

• 打印的文档、PPT、书本文字：几乎100%准确率，排版都不乱，连段落换行都给你保留了
• 路牌、店铺招牌、菜单：不管白天晚上，只要字够大，基本全对
• 快递单、小票、处方单：只要是打印的，歪个二三十度完全没事，它自己会矫正
• 电脑屏幕截图：连小字都能认出来，复制代码比敲方便多了
• 中日韩英混排：我找了张日本便利店的小票，中文英文日文混在一起，识别得明明白白

会翻车的场景：

• 手写体：别想了，尤其是医生那种草书，基本认不出来，官方文档也明说了只支持印刷体，这点不骗人
• 角度太歪：超过正负30度正确率直线下降，所以我在APP里加了个手动旋转的控件，歪太狠了让用户转一下
• 反光严重：比如玻璃上的字，或者屏幕拍出来有摩尔纹，会认错几个字
• 字特别小：分辨率低于720p的图确实不行，放大了糊，它也认不出来
• 艺术字、花体字：认不出来很正常，人眼有时候都费劲

透视矫正前后对比‌——左侧是倾斜有阴影的原始照片，右侧是矫正后的平整扫描件:

黑白文档增强效果对比‌——左为发灰有阴影的原图，右为增强后的纯黑白扫描件

这里有个细节我特别喜欢：返回结果不止是一整段文字，每个字、每一行都带坐标和置信度。

interface TextRecognitionResult {
  value: string;  // 整段文字
  lines: Array<{
    content: string;
    boundingBox: Rect;  // 这一行在外框里的位置
    words: Array<{
      content: string;
      boundingBox: Rect;
      confidence: number;  // 这个字的置信度0-1
    }>
  }>
}

我用这个做了个功能：识别完之后，用户点图片上哪个位置，就自动选中对应的文字复制。这个效果以前要自己做图像处理，现在坐标系统都给你返回好了，直接用就行。

还有个小坑我踩了半天：一开始我直接把相册里拿到的原图uri传进去，经常报错。后来才知道，它要求的是PixelMap，而且图片高度要在100到15210像素之间，宽度100到10000像素。太大的图（比如4800万像素拍的原图）要先压缩一下，不然内存直接爆。我后来统一压到最长边2000像素，识别速度快了三倍，准确率几乎没影响。

对了，还有人关心速度问题：我测了一下，一张1080p的图，识别时间在80-150毫秒之间，基本就是点一下立刻出结果，完全感觉不到等待。云端OCR快的时候也要一秒多，慢的时候转圈圈，这个体验差距真的很大。

最重要的是：整个过程图片从来没有离开过用户的手机。

你识别身份证、银行卡、处方单、合同这些敏感东西的时候，不用担心哪个公司的服务器存了你的信息，不用担心泄露。作为开发者，我也不用担心里程碑合规问题，不用写隐私弹窗说"我们会把你的图片传到服务器识别"，这一点太省心了。

再说说被我低估的：4倍端侧超分，不是噱头是真有用

做完OCR，我顺手把图像超分也接了，本来以为是个凑数的功能，结果成了我自己用得最多的。

超分这个东西，大家都见过，很多手机相册自带"高清修复"，说白了就是把模糊的图片放大变清晰。以前这类功能要么是云端算（传上去等半天），要么是本地算法效果很假，边缘涂得像油画。

API 26这个超分，同样是几行代码：

import { imageProcessing } from '@kit.CoreVisionKit';

const result = await imageProcessing.superResolution({
  pixelMap: lowResPixelMap,
  scale: 4  // 目前支持4倍
});
// result.pixelMap 就是超分后的图

我一开始测的是表情包：群里存的那种糊得看不清脸的老表情包，4倍放大之后居然真的清晰了，边缘锐化得很自然，没有那种过度锐化的锯齿感。

真正让我觉得牛的是我翻出来一张2018年拍的板书，当时坐后排用旧手机拍的，糊得字都看不清，我本来想丢了，试了一下超分——一秒钟之后，PPT上的字居然能看清了。

这个处理速度真的惊到我：一张1080p的图，超分到4K，端侧处理只用了不到一秒钟。我查了一下，它是用NPU跑的，不是CPU，所以不仅快，还特别省电，手机几乎不发热。

我在工具里加了个小功能：识别文字的时候，如果检测到图片分辨率太低，自动弹个提示"图片较模糊，是否先高清放大再识别？"，点一下一秒钟超分完再识别，正确率能提升一大截。这个组合拳打下来，体验真的丝滑。

当然也有坑：超分最大只支持输入短边720像素的图，也就是说你本来就是清晰的大图，它不让你超，只有模糊的小图才能用。一开始我没看文档，直接传原图进去报错，查了半天才知道有这个限制。想想也合理，本来就是用来拯救低清图的，高清图再超分也没意义。

还有就是不要拿它去超文字特别小的图，它会把噪点也一起放大，效果反而不好。正确用法是：拍糊了的照片、老照片、低清表情包、缩略图，这些场景下它真的像魔法一样。

最惊喜的：文搜图，全本地闭环这事儿居然成了

三个能力里我本来最不看好文搜图，结果玩了一下午，发现这个才是真正的杀手功能。

什么叫文搜图？就是你不用给图片打标签，直接在相册搜索框里输入"猫"，就能找出所有带猫的照片；输入"海滩"，所有海边的照片都出来；输入"去年在武汉吃的热干面"，它真的能给你找出来。

以前这个功能只有大厂相册能做，而且基本都是把图片传到云端，服务器算完给你返回结果。且不说隐私问题，个人开发者根本做不了——你总不能让用户把所有照片都传到你的服务器吧？流量费你都出不起。

现在API 26直接把这个能力下放到端侧了，全程本地算，数据不出设备。

接入同样简单得离谱：

import { imageSearch } from '@kit.CoreVisionKit';

// 第一步：建索引，把要搜的图片加进去
await imageSearch.addImage({
  uri: photoUri,
  label: photoName  // 可选，自带的标签
});

// 第二步：搜索，传自然语言
const results = await imageSearch.search({
  queryText: '樱花',
  maxResult: 20
});
// results 就是匹配的图片uri列表

就这么简单。没有向量数据库要搭，没有模型要部署，系统全给你封装好了。

我自己建了个测试库，导进去三千多张照片，试了各种关键词：

• 搜"猫"：把我家猫各种姿势的照片全找出来了，连猫只露半个脑袋的都找到了
• 搜"雪"：所有下雪天拍的照片全中
• 搜"火锅"：不管是铜锅、四川火锅、自助火锅，全搜出来了
• 搜"毕业照"：居然真的把我几年前穿学士服的照片找出来了
• 搜"发票"：各种打车票、餐饮票、高铁票全出来了——这个太实用了，报销的时候找票太方便了

当然也不是万能的，搜特别具体的东西就不行，比如我搜"我家的橘猫"，它会把所有橘色的猫都找出来，分不清是不是我家的；搜具体人名也认不出来，毕竟没有做人脸训练。但日常搜个场景、搜个东西、搜个文档类型，完全够用。

这里有个很重要的设计细节：建索引是增量的，而且系统会在手机闲置充电的时候自动帮你建，你不用自己在后台跑任务卡UI。我第一次导进去三千张图，系统花了大概十分钟在后台建完索引，之后每次新加图片自动增量索引，用户完全感知不到。

最爽的是什么？作为开发者，你根本不用懂什么是CLIP模型，什么是向量相似度，什么是embedding维度——你甚至不需要知道这些概念存在，你只需要调用两个方法：addImage和search，剩下的全是系统的事。

我一个学美术的朋友，HDC大赛的时候用这个接口，花了不到一百行代码做了个"找照片"的原子化服务，就拿这个功能，进了决赛。他连算法是什么都不知道，就知道传文字进去返回图片。放在三年前，你能想象一个非计算机专业的学生，花一天时间做出来一个本地自然语言图片搜索功能吗？

说几个我踩过的、文档没写太明白的坑

接这三个能力前后花了我三天，大部分时间都在踩各种小坑，这里都写出来，省得大家再浪费时间：

第一，别在主线程做重处理。 虽然这几个接口都是异步的，但图片解码、PixelMap转换这些操作还是挺吃资源的，大图片直接在UI线程转，会卡一下。我一开始没注意，选张大图的时候按钮点下去没反应，后来统一放到TaskPool里转PixelMap，就顺了。

第二，用完记得释放PixelMap。 超分一张图生成的4K PixelMap占内存很大，大概有几十兆，用完如果不release，多来几次直接OOM崩溃。我一开始忘了释放，切了十来张图APP就闪退了，找了半天才找到原因。

第三，OCR对图片方向是有要求的。 如果图片是横着拍的（比如拍路牌手机横着拿），识别之前一定要把EXIF方向信息读出来，把PixelMap旋转到正向，不然歪90度它一个字都认不出来。官方文档说支持正负30度倾斜，那是指正向基础上的倾斜，不是说你倒过来拍也能认。

第四，并发调用会排队。 我一开始想批量识别一百张图片，写了个循环一口气调用一百次recognizeText，结果后面的全部报错。后来才知道系统端侧AI能力是有并发限制的，同一时间只能跑一个任务，批量处理要自己做队列，一张一张来。

第五，超分只支持低清图。 前面说过了，输入短边必须小于等于720像素，传大图直接报错，别问我怎么知道的。

第六，文搜图的索引是跟你的应用绑定的。 你卸载APP索引就没了，也不能跨应用共享。如果是原子化服务，缓存空间有限，别往里面塞几十万张图，系统会自动清理最久没用到的索引。

最后说点心里话：这才是生态真正的变化

做完这个小工具之后，我最大的感受不是"这几个API多好用"，而是：开发者的门槛真的被打下来了。

以前想做一个带OCR、带图片高清化、带图片搜索的APP，需要什么配置？至少一个客户端开发，一个算法工程师，还要租服务器，买带宽，付云端接口调用费，没有十万块钱启动资金想都别想。小团队、个人开发者、学生，根本玩不起。

现在呢？一个人，一台电脑，一根网线，一下午时间，三行代码一个功能，就能做出来。不用买模型，不用租服务器，不用考虑隐私合规，不用管模型更新——系统全帮你做了。

HDC大赛我去现场看了，20支决赛队伍，有工艺美院学设计的学生，有师范大学大一的新生，有独立开发者，甚至还有高中生。他们36小时写出来的东西，搁两年前是一个小团队做半年的水平。不是说他们突然变厉害了，是系统把难的事情全做了，他们只需要专注想创意、写逻辑、做界面。

以前大家总说鸿蒙是"换皮安卓"，但你仔细想想：安卓上哪个系统级API能让你三行代码做4倍超分？哪个系统能给你内置端侧OCR还不用带模型？哪个系统能让你不用搭向量数据库就做本地文搜图？

这些东西不是做不出来，是以前只有大厂有能力做，现在华为把它做到系统里，免费开放给所有开发者，你不需要懂AI，不需要懂算法，直接拿来用就行。

我不是替华为吹什么，就是作为一个普通的独立开发者，真真切切感受到：以前很多你想都不敢想的功能，现在真的是几行代码的事。当造应用的门槛低到这个程度的时候，真正好的创意才会冒出来——毕竟好想法从来都不缺，缺的是把想法变成产品的能力。

我把我写的那个小扫描工具上架了，叫"随手识字"，包不到2MB，没有广告，不要登录，所有功能全本地。上架第一个星期有两千多下载，评论里有大学生用来拍板书，有上班族用来扫合同，有老人用来识别药盒说明书，还有人用来扫漫画上的日文翻译。

最让我开心的是我妈现在每天都用，拍个药方、拍个快递单、拍个社区通知，识别完字放大了看，再也不用戴老花镜一个字一个字猜了。

你看，技术真正的价值从来不是什么高大上的名词，就是这些解决真实小问题的瞬间。而端侧AI最大的意义，就是让我们这些普通开发者，也能轻松做出这样的功能，帮到身边具体的人。

就冲这一点，HarmonyOS 7这个版本，值得认真做。