OCR ohne das Bild hochzuladen: So funktioniert die lokale Erkennung (2026)
Nahezu jedes OCR-Tool sagt, es sei privat. Das Wort kostet nichts. Was nicht billig ist und was prüfbar ist, ist die Architektur: ob die Pixel je weggehen, und ob der Code sie hätte senden können.
Das ist die Version, in der sie es nicht tun, und hier ist, wie das tatsächlich gebaut ist — die Engine, die Daten-Dateien, das Manifest und die eine Netzwerk-Anfrage, die ein Download ist statt eines Uploads.
Was die Behauptung bedeuten muss
„Kein Upload“ ist nicht eine Eigenschaft, sondern drei, und sie scheitern unabhängig:
- Fähigkeit — kann dieser Code überhaupt einen Server erreichen? Ein Programm ohne Netzwerk-Berechtigung kann nicht leaken, was immer seine Absichten sind.
- Datenpfad — wo führt die Erkennung tatsächlich aus? Läuft sie in einem Worker in deinem Browser, hat das Bild mitten in der Pipeline kein Ziel.
- Reste — was wird aufbewahrt, und wo? Text, den du kopiert hast, ist auch Daten.
Ein Tool kann die Marketing-Version der Behauptung bestehen und alle drei verfehlen. Also jede der drei, der Reihe nach.
Das Manifest ist der Vertrag
Manifest V3 zwingt eine Erweiterung zu deklarieren, was sie anfassen will, und der Browser zeigt dir diese Liste auf der Store-Seite. Das ist die ganze Liste für eine lokale OCR-Erweiterung:
| Dekariert | Wofür es ist |
|---|---|
activeTab | Erreiche den Tab, auf dem du gerade gehandelt hast. Nicht alle Tabs, und nicht stillschweigend. |
contextMenus | Den Rechtsklick-Eintrag hinzufügen, der den Auswahl startet. |
scripting | Das Regionsauswahl-Overlay bei Bedarf injizieren. |
storage + unlimitedStorage | Das zugeschnittene Bild an das Ergebnisfenster übergeben; Verlauf und Sprachwahl behalten. |
clipboardWrite | Die Kopieren-Schaltfläche. |
| Host-Zugriff: ein Eintrag | Der eigene Lizenz-Endpunkt der Erweiterung. Keine Website steht in der Liste. |
Zwei Konsequenzen, über die man nachdenken sollte. Erstens kommt der Screenshot von captureVisibleTab, ein Aufruf für „die Pixel, die gerade auf diesem Schirm sind“ — es ist kein Abruf der Bilder der Seite, und er gibt eine Data-URL zurück, die im Speicher bleibt. Zweitens gibt es keine Host-Berechtigung, die diese Data-URL empfangen könnte. Ein Datenschutz-Versprechen ist hier keine Richtlinie; es ist eine Lücke in dem, was der Code darf.
Das Manifest erklärt zudem offline_enabled, und die Content Security Policy für die eigenen Seiten der Erweiterung ist script-src 'self' 'wasm-unsafe-eval' — fremdes Skript wird weiterhin abgelehnt, und das einzige zusätzliche Schlüsselwort ist die wasm-Kompilierberechtigung, die die mitgelieferte Engine braucht. Genau das zwingt die Engine, verpackt statt von einem CDN geladen zu werden.
Die Engine lebt in der Erweiterung
Erkennung ist Tesseract.js: dieselbe LSTM-Engine, die serverseitige OCR-Pipelines ausführt, zu WebAssembly kompiliert, damit sie in deinem Browser-Prozess laufen kann.
- Die Bibliothek, das Worker-Skript und der kompilierte Kern — der SIMD-Build, wenn die CPU ihn unterstützt, der einfache Build, wenn nicht — werden zur Build-Zeit in das Erweiterungspaket kopiert und von
chrome-extension://-URLs geladen. - Die Erkennung selbst läuft im eigenen Ergebnisfenster der Erweiterung, nicht in der Seite, die du erfasst hast. Die Skripte der Seite sehen das Bild nie, und das Bild sieht die Origin der Seite nie.
- Fortschritt kommt über einen Logger-Callback zurück, der nur den Fortschrittsbalken antreibt; es gibt kein Zwischenergebnis zu exfiltrieren.
Was dir das kauft, ist Geschwindigkeit, die du bei kleinen Regionen spürst, und ein funktionierendes Werkzeug im Flugzeug. Was es kostet, ist Kaltstartzeit: einen WebAssembly-Kern und ein Sprachmodell auszupacken ist langsamer als ein warmer Server, weshalb eine Vollseiten-Aufnahme einen Moment braucht, wo ein Cloud-Aufruf es nicht täte.
Zwei Sprachen werden geliefert, sieben laden herunter
Sprachdaten sind der schwere Teil, und sie sind die eine Stelle, an der eine Netzwerk-Anfrage dem Entwurf nach existiert.
- Gebündelt, kostenlos, für immer offline: Englisch und Vereinfachtes Chinesisch. Ihre komprimierten Daten-Dateien sind im Paket, auf derselben Modell-Stufe, die das öffentliche CDN liefert.
- Teil der Lizenz: Traditionelles Chinesisch, Japanisch, Koreanisch, Russisch, Französisch, Deutsch und Spanisch. Eine davon erstmals zu wählen, holt das Datenpaket dieser Sprache aus dem öffentlichen Tesseract-Daten-Repository und cacht es.
Sei genau darüber, was dieser Abruf ist. Es ist ein GET für eine Modell-Datei. Deine Aufnahme ist nicht darin, kann nicht darin sein, und es gibt keine Host-Berechtigung, die das erlaubte. Es ist auch der Grund, dass die Pro-Sprachliste nicht „vollständig offline“ ist ab Werk — offline beginnt nach dem ersten Download, nicht davor.
Der Pfad einer Aufnahme
Ende zu Ende, mit dem Netz im Bild:
- Du drückst die Symbolleisten-Schaltfläche oder wählst den Menüeintrag; das Overlay wird in den Tab injiziert, auf dem du gehandelt hast.
- Du ziehst einen Rahmen. Das Rechteck sind reine Seiten-Koordinaten — es wurde noch kein Bild aufgenommen.
- Der sichtbare Tab wird als PNG erfasst. Das ist ein In-Browser-Aufruf, kein Download.
- Das Rechteck wird im Hintergrund-Worker mit einem Off-Screen-Canvas zugeschnitten, skaliert um das Verhältnis von erfasster Bitmap zu Viewport — damit stimmen HiDPI und Seiten-Zoom zugleich, und
devicePixelRatioist nur der Rückfall, wenn der Viewport fehlt. Lokale Arithmetik auf Pixeln, die dir schon gehörten. - Das Ergebnisfenster öffnet sich, lädt den gebündelten Kern und die gebündelte Daten-Datei und erkennt. Keine Anfrage.
- Der Text erscheint in einem bearbeitbaren Feld. Kopieren schreibt ihn in deine Zwischenablage; nichts wird irgendwohin gesendet, um das zu tun.
Anfragen bei Schritt 1–6: null, für eine gebündelte Sprache. Das ist die Eigenschaft, worum es im Rest dieses Beitrags geht.
Wo der Text aufbewahrt wird
Zwei Dinge werden auf die Platte geschrieben, beide im lokalen Speicherbereich des Browsers für die Erweiterung:
- Verlauf — jede erfolgreiche Erkennung wird vorne an eine Liste gesetzt, gedeckelt auf 10 Einträge free und 200 mit einer Lizenz, und jeder Eintrag hält höchstens 20,000 Zeichen erkannter Text. Ihn zu leeren ist eine Schaltfläche, kein Support-Ticket.
- Einstellungen und Zähler — die gewählte Sprache und die Nutzungsanzahl des Tages.
Es gibt kein Konto, also gibt es kein Profil zu bauen. Das zugeschnittene Bild selbst wird über den Speicher für den einzigen Schritt übergeben, das Ergebnisfenster zu öffnen, und beim Lesen verbraucht; es ist kein Archiv.
Die eine Anfrage, die tatsächlich hinausgeht
Netz existiert für genau einen Zweck: Lizenz-Validierung. Eine Seite zu öffnen, fragt den Lizenz-Endpunkt, ob der gespeicherte Schlüssel noch aktiv ist, und selbst das ist gedrosselt — innerhalb eines Zwei-Stunden-Fensters wird die gecachte Antwort genutzt und keine Anfrage gemacht. Ein fehlender Schlüssel bedeutet null Anfragen, weshalb der freie Weg nicht heimlich nach Hause telefoniert.
Ist der Endpunkt unerreichbar und eine Lizenz war gecacht, arbeitet die Erweiterung weiter, statt dich auszusperren; der Tages-Kontingent-Zähler ist aus demselben Grund bewusst lokal. Das ist der Trade, den jedes Offline-first-Tool eingeht: die Grenzen werden kooperativ statt erzwungen, und im Gegenzug hängt das Werkzeug nicht von der Uptime einer Firma ab, um einen Screenshot zu öffnen.
Wie du jedes OCR-Tool prüfst
Dieselben drei Fragen funktionieren bei jeder Erweiterung, unserer oder anderer:
- Lies den Berechtigungs-Block auf der Store-Seite. Host-Zugriff für „
all sites“, oder eine Drittanbieter-API-Domain, sagt dir die Architektur, bevor du installierst. - Zieh das Netz. Erkenn etwas mit Wi-Fi aus. Text bedeutet lokal; eine Fehlerseite bedeutet, ein Server war im Spiel.
- Frag, was aufbewahrt wird. Such nach einer Verlaufsliste und einer Leeren-Schaltfläche in der eigenen UI der Erweiterung. Ist der Verlauf erst nach Login sichtbar, liegt er auf deren Platte, nicht deiner.
Ein Vorbehalt, damit das nicht überverkauft: lokal heißt, dein Rechner muss noch immer deiner sein. Ein verwalteter Arbeits-Browser mit Endpoint-Agenten, oder eine Browser-Erweiterung kombiniert mit einem Screenshot-Sync-Tool, ändert das Bild völlig — dass die OCR lokal ist, sagt nichts darüber, was sonst noch auf den Schirm schaut.
FAQ
Braucht OCR in einer Browser-Erweiterung überhaupt eine Internetverbindung?
Nicht für die zwei gebündelten Sprachen. Die Engine, ihr WebAssembly-Kern und die Daten-Dateien für Englisch und Vereinfachtes Chinesisch sind in der Erweiterung verpackt, daher schließt die Erkennung ab, auch wenn das Netz getrennt ist. Eine nicht gebündelte Sprache braucht einen Download ihres Datenpakets, wenn du sie erstmals wählst.
Kann ich selbst prüfen, dass nichts hochgeladen wird?
Ja, auf zwei Weisen. Öffne die Detailseite der Erweiterung im Browser und lies ihre Berechtigungen und Host-Zugriffe: Alles, was dein Bild posten könnte, müsste dort als Host-Berechtigung erscheinen. Führe dann eine Erkennung mit deaktiviertem Netz aus. Wenn Text zurückkommt, geschah das Einlesen lokal.
Warum lebt der tägliche Gratis-Zähler auf meinem Rechner statt auf einem Server?
Ein serverseitiger Zähler würde dich aussperren, wann immer das Netz nicht verfügbar ist, was einem Offline-Versprechen widerspricht. Der Preis der lokalen Wahl ist, dass die Grenze eine Grenze für ehrliche Nutzung ist statt einer harten Verteidigung, und dass der Zähler an deinem eigenen Kalendertag zurücksetzt, nicht an der UTC-Mitternacht.
Ist WebAssembly-OCR so gut wie ein Cloud-Dienst?
Bei sauberen Screenshots echter Typografie sind sie nah beieinander, denn beide nutzen dieselbe Klasse von LSTM-Modellen und dieselben öffentlichen trainierten Daten. Cloud-Dienste ziehen bei Fotos mit Perspektivverzerrung, Handschrift und Layout-Analyse ganzer Dokumente davon. Eine Bildschirm-Aufnahme ist der leichte Fall, weshalb eine lokale Engine hier ein angemessener Trade-off ist.
Weitere Ratgeber im VKT-Blog; Fragen an support@annmax1983.com.
