从截图到能发出去的文字，中间要几步：Syzygy 的 OCR、翻译与文本操作台

拿到一段不是母语的文字，或者一张写着文字的图，到把它变成能发出去的内容，传统流程要走五步：截图，打开一个 OCR 网站把文字识别出来，再开一个翻译网页，翻完复制出来，最后手工清理换行和空格。每一步都在换窗口，每一步都可能把这段内容交给一个你并不了解的第三方。

Syzygy 把这条流水线压进同一个窗口：剪贴板里已经有的内容，直接 OCR 取字，直接翻译，直接进文本操作台整理格式，需要的话再走一遍 AI 后处理。这篇文章把这四层逐个展开，重点是每层的设计取舍，尤其是翻译那层，为什么我们选择让你带自己的 key。

先给一个完整的走法做锚点：你在聊天软件里收到一张外文说明书的截图。对它按 Cmd/Ctrl+O，本地 OCR 把文字取出来；按 Cmd/Ctrl+T，配置好的翻译引擎给出译文；觉得译文格式乱了，在文本操作台里点"合并换行"和"折叠空格"；想再润色一遍，切到 AI 面板用你配置的模型改写。全程没有离开 Syzygy，前两步没有联网。

同样的链路换个输入也成立：海外客户发来一段英文工单描述，复制进剪贴板，翻译、摘出关键字段、按公司模板改写成中文回复。输入从截图换成文字，走的还是同一条流水线，这就是把它做成"剪贴板配套能力"的价值：任何应用里复制到的东西都在射程之内。

#进来的东西长什么样，窗口就怎么呈现

整条链路的起点是"内容进来时是什么"。剪贴板里的东西形态各异，Syzygy 对每种形态给了对应的处理面，这些能力是后面几层的地基。

纯文本进来，操作台提供字数统计、空格去除、Base64 编解码、JSON 格式化这类工具；代码进来，自动配语法高亮；Markdown 进来，直接渲染预览。图片和网页图片直接展示并带内置 OCR，更进一步：SVG 代码或 Figma 节点会被渲染成可见的图片，你可以用"复制为图片"把渲染结果发到社交软件，也可以切回源码模式拿原始代码。文件类内容也有快速预览，.xlsx、.docx、.pptx 文档与 .zip 压缩包都能看内容，不用先下载再找软件打开。

文本内容还支持直接进入编辑界面做更高自由度的操作：搜索定位、批量替换、整段大小写转换、删除重复行。这个编辑界面就是文本操作台的主场，下一节的 16 条规则都在里面。

加工长内容时还有一个辅助面：任何剪贴板条目都可以弹成独立的置顶悬浮窗，透明度可调。一边把参考代码或原文钉在屏幕一角，一边在目标窗口里写译文或改写，中间不需要反复切换窗口。

#取字：OCR 是内置能力，不是增值服务

OCR 在 Syzygy 里不需要任何配置。内置的本地识别模型开箱即用，这是产品文档里明确的免费能力，与需要 BYOK 的 AI 功能划在两类。

引擎配置是一条回退链：默认 mixed 模式先走本地 Paddle OCR 模型（检测、识别、字符集三件套，来自带校验和的公开模型目录），失败落到系统引擎；你也可以锁定只用本地、只用系统，或接 tesseract 命令行。图片送入前最长边缩到 1600 像素（可调范围 256 到 4096），识别框坐标按比例投回原图。识别结果按内容哈希缓存，同一张图不重复识别。

取出来的文字去哪？它进入 Syzygy 的文本编辑器，与手工复制的文本走同样的后续链路：可以编辑、打标签、置顶、进索引被搜索。纸质书摘、课堂讲义、白板照片，从此都是可管理的文本。识别结果同时可以反哺搜索：索引器用独立的召回用途对图片跑 OCR，截图里的关键词从此可查，这部分机制在搜索与索引那篇文章里有完整展开。

语言处理上留了口子：识别默认自动判断语言，也可以配置语言提示；接 tesseract 时语言包参数跟着配置走。对中英混排的截图，默认配置通常已经够用。

编辑器里还有一层隐私检查：内容命中敏感信息规则（手机号、银行卡号、API 密钥等 12 类，默认开启）时会被标出。OCR 经常识别到证件和单据，这层检查放在编辑环节是刻意安排的。

如果你是学生，这一层解决的是摘录：书页拍照进来，出来的是能检索、能打标签的文字，不用再对着纸质书敲键盘。

#翻译：为什么让你带自己的 key

Syzygy 的翻译没有内置"我们的翻译服务"，全部引擎走 BYOK（Bring Your Own Key）：你在设置里配置自己的账号和密钥。这个决定关系到三件事的归属。

第一是成本与额度的归属。翻译按字符计费或按额度限流，用自己的账号，账单、用量、限流策略都在你手里，Syzygy 不做转售，也就不需要在中间加一层溢价或者限额。

第二是引擎选择权的归属。支持的传统机器翻译引擎覆盖百度、DeepL、谷歌、腾讯、有道，代码里还有 AWS 与 Azure 两家；AI 翻译则走你配置的任意 AI profile。不同引擎的强项领域不同，法律文本和日常聊天的最优选经常不一样，这个选择权没有理由被收走。

第三是密钥的存放位置。API 密钥不写进配置文件，存操作系统钥匙串（macOS Keychain、Windows 凭据管理器），配置文件里只有非机密的账号标识。

配置模型本身也有几处细节：引擎列表的顺序就是回退顺序，列表第一位失败自动试第二位，没有独立的 priority 字段。每个引擎账号除了 app id 和密钥，还可以配服务商专属参数：DeepL 可以指定免费或付费端点，腾讯云可以指定区域。源语言与目标语言可以设默认值（源语言支持 auto），日常场景不用每次选。回退执行有预算约束，与 AI 调用共用同一套默认值：总尝试 12 次、单个引擎最多 3 次、整条链路 60 秒墙钟上限。翻译结果带缓存（带 TTL 与容量上限，热条目单独预算），同一段内容反复翻译不打重复请求。

翻译模式有三种：mt（传统机器翻译）、ai（大模型翻译）、compare（两条路一起跑，对照着看）。mt 快、稳、便宜，适合大段确定性内容；ai 在口语化、术语一致性、语体重构上更强，但结果有随机性；compare 的价值在于校对，重要内容两条路都看一眼再定稿。长文本交给 AI 引擎时会被切成最多 8 段分别处理，避免单次请求超长。

默认配置里有两个默认关闭的开关：翻译功能本身默认不启用，开启后才出现在界面上；远程访问也默认关闭，第一次把内容发往翻译服务前必须显式开启。这个设计与"BYOK"是一体的，把内容发往哪家服务商，应该是一个明确的、一次性的决定，而不是藏在某个功能开关背后的默认行为。

如果你是跨境团队的成员，白天要在两三种语言之间来回切换，把最常用的两个引擎排在列表前两位，剩下的交给自动回退，中间失败不需要你重试。

#文本操作台：16 条规则，零不确定性

OCR 和翻译解决"有没有文字""是什么意思"，文本操作台解决"格式对不对"。这层的设计原则与 AI 正好相反：确定性压倒一切。

内置 16 条规则，全部是纯函数式的文本变换：

• 空白类：合并换行、折叠空格、合成单行、删除重复行
• 大小写类：全部大写、全部小写、首字母大写
• 结构类：JSON 格式化（美化与压缩两个方向）
• 编解码类：URL 编码与解码（按组件语义，保留保留字符）、Base64 编码与解码
• 统计类：词数、行数、字符数

"确定性"在这里是可验证的性质：同样的输入永远得到同样的输出，不调用任何模型，没有网络请求，没有 token 开销，没有延迟。从网页复制的一段话带着零碎换行，点一下"合并换行"就好；从某处粘来的 JSON 压成一行没法读，点"JSON 美化"；一列表格里混着重复项，"删除重复行"一次清完。统计类的三条也有实际用途：推文卡字数、文档限行数、报告要求字符数上限，选中内容看一眼计数就知道超标没有。这些操作交给 AI 是负优化：又慢又花钱，还可能改错内容。

顺手一提，操作台旁边还有一个确定性小工具：复制内容里出现算式时，剪贴板计算器直接给出结果（默认精度 6 位）。与 16 条规则一样，它是纯本地计算，快到没有存在感。

规则也不静默吞错。输入不是合法 JSON 时，"JSON 美化"会明确报错，而不是输出一段看似处理过的垃圾；URL 解码遇到非法编码同样报错。失败被显式表达，这是与"AI 帮你猜"的另一个区别。

规则执行的结果也不会覆盖原内容：应用一条规则会生成一条新的剪贴板记录，原条目保留在历史里，新记录带有来源指向（哪条内容、用了哪条规则），输出同时直接写进系统剪贴板，随时可粘贴。加工历史因此是可追溯的，原始数据永远在。

如果你是写稿的人，从各处收集来的素材带着各自的格式毛病，16 条规则覆盖了发稿前 80% 的清理工作，剩下的 20% 才轮到 AI 或手工。

#AI 后处理：可选层，走你配置的 profile

链路的最后一层才是 AI。Syzygy 对 AI 的定位写在默认配置里：AI 自动打标签默认关闭，所有 AI 能力都需要你配置自己的 profile（服务商、模型、密钥，同样 BYOK、密钥进钥匙串），翻译的 AI 引擎也是这套 profile 体系的一部分。没有配置任何 profile 时，前面三层照常工作。

配置了 profile 之后，AI 在这条链路里做的事是前三层做不了的：按你的提示词改写语气、整理成特定格式、总结要点。调用结果带完整的用量记录（每次调用的 token 消耗按用途记账，默认保留 90 天），花了多少一目了然。

AI 改写的质量取决于提示词，而提示词在 Syzygy 里是一等公民：模板有版本管理（内置 git 实现，内容寻址），改坏了能回退，成熟的提示词沉淀下来可以复用，配合斜杠菜单按限定符快速调用。这套机制在提示词与技能工作台里单独展开。

1.2.0 引入的本地大模型给这个可选层加了一条完全不联网的路：mistral.rs 进程内跑 GGUF 模型，macOS 上走 Metal 加速，暴露一个绑定 127.0.0.1 的 OpenAI 兼容端点。把 AI profile 指向这个本地端点，"AI 后处理"就变成了一个纯本地环节，内容不出机器。模型目录带 SHA-256 校验，下载即验；模型对多模态的支持情况用三态声明（支持、不支持、未知），调用前就能知道一个模型能不能处理图片，而不是发了请求等它报错。

为什么坚持 AI 是可选层？翻译和取字这类需求，传统引擎与本地规则已经解决得足够好，把它们强行塞给大模型只会增加成本与不确定性。反过来，语气改写、格式重构这类需求，确定性规则又确实做不了。分层的设计让每类需求各回各家：规则处理变换，传统引擎处理翻译，模型处理理解与生成。哪一层用不到，就关掉哪一层。

如果你是自由职业者，客户里既有国内团队也有海外合作方，这条链路的典型用法是：平时只用操作台和 OCR，一分钱不花；接到翻译量大的项目，配一个额度正好够用的引擎账号；偶尔要用 AI 润色长文，再把 profile 指向本地模型或按需充值。工具跟随项目的节奏，而不是反过来。

#一条链路，各自独立

回到开头那段外文说明书截图：OCR 免费且离线，翻译用你的 key 走你选的引擎，格式清理零成本即时完成，AI 想用再开。四层各自有开关，任何一层不参与都不影响其他层工作，这是把 AI 放在可选项位置上的具体含义。

装好之后可以拿一条真实内容把链路走一遍：复制一段带格式的网页文本，依次试文本操作台的合并换行与 JSON 美化，然后配置一个翻译引擎试试 Cmd/Ctrl+T。翻译引擎的配置入口在插件的翻译页，密钥与账号的准备步骤见安装与首次运行指南；想把 AI 层换成完全本地的方案，看本地大模型工作台；链路里用到的快捷键都汇总在快捷键速查表。

文本加工这件事，工具链越长，中间环节就越容易把内容泄露出去或者改坏。四层压进一个窗口的价值不在快，而在每一步的去向都清楚。