python 使用PaddleOCR读取图片文字，并用pyttsx3转为音频

python小白，纯纯小白，很久之前看了一遍菜鸟官网，但实在没有应用场景，所以过目即忘。最近工作不是很忙，给我出了个题目，觉得挺有意思，就玩一玩。

 

 所以关键点就是，图片提取出文字，然后文字转音频。

1. 图片提取文字，PaddleOCR

出题人士，给出了git上一个ocr的工具库，支持图文信息的抽取。用的PaddleOCR，git地址：https://github.com/PaddlePaddle/PaddleOCR?tab=readme-ov-file。

 步骤1：搭建python环境，这个就不说了，可以直接去菜鸟官网按照文档指示操作配置。配置好后，执行【python --version】查看版本。

步骤2：安装ocr工具库，首先执行【python -m pip install --upgrade pip】升级pip，然后执行【python -m pip install paddleocr】。

出问题了，大致意思是【PyMuPDF】出问题了，下载的版本跟当前python版本对不上，git上有提出相关的issues，地址是：https://github.com/PaddlePaddle/PaddleOCR/issues/7934，在这个问题下面，也找到了解决方法，【python -m  pip install "paddleocr>=2.0.1" --upgrade PyMuPDF==1.21.1】

步骤3：前置弄好啦，开始写代码啦。

首先创建一个文件夹，在文件夹里放张图片，以及创建一个demo.py文件。我放的是下面的图片。

# demo.py
from paddleocr import PaddleOCR
text=""
# Paddleocr目前支持的多语言语种可以通过修改lang参数进行切换
# 例如`ch`, `en`, `fr`, `german`, `korean`, `japan`
ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # need to run only once to download and load model into memory
img_path = './test.png'
result = ocr.ocr(img_path, cls=True)
for idx in range(len(result)):
    res = result[idx]
    text+=res[1][0]
    print("打印文字-----：",res[1][0])

执行【python demo.py】，打印出识别图片的文字内容。

 以上，图片提取文字就算是完成啦。

2. 文字转音频，pyttsx3

文字转音频的工具和方法很多，一开始用的是gtts，但总是报错连接不上，不知道是不是我网络不行，然后就换上了pyttsx3。

步骤1：安装pyttsx3，执行【python -m pip install pyttsx3】。

步骤2：开始写代码啦。

# demo.py
import pyttsx3
from paddleocr import PaddleOCR
text=""
# Paddleocr目前支持的多语言语种可以通过修改lang参数进行切换
# 例如`ch`, `en`, `fr`, `german`, `korean`, `japan`
ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # need to run only once to download and load model into memory
img_path = './test.png'
result = ocr.ocr(img_path, cls=True)
for idx in range(len(result)):
    res = result[idx]
    text+=res[1][0]
    print("打印文字-----：",res[1][0])
# 读出音频并且生成mp3文件
engine = pyttsx3.init()
# 这个会立马播放音频哦，记得带上耳机
engine.say(text)
engine.setProperty('volume',0.9)
engine.save_to_file(text,"demo.mp3")
engine.runAndWait()
    

执行【python demo.py】，当前文件夹下面会自动生成一个demo.mp3文件。

以上，python 小白的图片读取文字，并将文字转为音频的小示例就做好啦。

3. 额外的生成结果图片，后面的数字是识别的可信度

生成图片用到工具库【PIL】，现在好像换名叫pillow。

 

import pyttsx3
from paddleocr import PaddleOCR,draw_ocr
from PIL import Image
text=""
# Paddleocr目前支持的多语言语种可以通过修改lang参数进行切换
# 例如`ch`, `en`, `fr`, `german`, `korean`, `japan`
ocr = PaddleOCR(use_angle_cls=True, lang="ch")  # need to run only once to download and load model into memory
img_path = './test.png'
result = ocr.ocr(img_path, cls=True)
for idx in range(len(result)):
    res = result[idx]
    text+=res[1][0]
    print("打印文字-----：",res[1][0])
# 读出音频并且生成mp3文件
engine = pyttsx3.init()
# 这个会立马播放音频哦，记得带上耳机
engine.say(text)
engine.setProperty('volume',0.9)
engine.save_to_file(text,"demo.mp3")
engine.runAndWait()

# 生成结果图片
image = Image.open(img_path).convert('RGB')
boxes = [line[0] for line in result]
txts = [line[1][0] for line in result]
scores = [line[1][1] for line in result]
im_show = draw_ocr(image, boxes, txts, scores, font_path='./fonts/simfang.ttf')
im_show = Image.fromarray(im_show)
im_show.save('result.jpg')

执行【python demo.py】，当前文件夹下面会自动生成一个result.jpg图片。