划词翻译、截图 OCR、多引擎并行：pot-desktop 完整上手指南

划词翻译、截图 OCR、多引擎并行：pot-desktop 完整上手指南

【免费下载链接】pot-desktop🌈一个跨平台的划词翻译和OCR软件 | A cross-platform software for text translation and recognition.项目地址: https://gitcode.com/GitHub_Trending/po/pot-desktop

很多人可能没认真想过：读一段外文，真正花在"翻译"上的时间，其实不到总耗时的三分之一。剩下那三分之二，都消耗在复制、切窗口、粘贴、等页面加载、再把结果搬回来这些机械动作上。pot-desktop 就是冲着这笔"隐形成本"来的——它是一个跨平台的划词翻译与 OCR 识别工具，用 Tauri 构建，Windows、macOS、Linux 通吃，把"选中文本—按一下快捷键—看到译文"压缩成三步走完。

这篇文章不做功能罗列，而是按"摸底—上手—进阶—实测—答疑"的顺序，把它从安装到玩法完整过一遍。无论你是第一次听说它，还是装了之后只用了皮毛，下面的内容都值得读完。

第一幕：它解决的是我们默认接受的"麻烦"

先做个小实验。请你回忆最近一次查生词：从选中到看到释义，中间隔了几次点击？大多数人会得到同一个答案——五次以上。这个流程被反复执行，久到我们以为"查词本来就该这么麻烦"。

pot-desktop 的做法很直接：把翻译能力挂到系统层面。它常驻后台，通过全局快捷键接收指令，翻译结果以独立小窗的形式浮在屏幕上，关掉就消失，不占用任何常驻窗口。英文文档、代码注释、PDF、网页……只要文字能被选中，它就能接住。

项目内部把各种能力拆成了清晰的模块，翻译服务在src/services/translate/，文字识别在src/services/recognize/，生词本与语音合成分别在src/services/collection/和src/services/tts/，想深入了解实现的人可以直接顺着目录读源码。

第二幕：四个动作，吃透它的全部日常

动作一：选中即译，划词翻译的打开方式

装好后的第一件事，是去"偏好设置—快捷键"里登记你的专属手势。划词翻译、输入翻译、截图 OCR、截图翻译四个入口各有一个快捷键，按键组合完全由你自己定，用不惯随时改。

划词翻译的使用场景最高频：在任何程序里选中一段英文，按下快捷键，译文立刻出现在鼠标附近的小窗里。读论文、看报错、查 API 文档时，注意力不需要离开原文——这是它和"浏览器翻译插件"最本质的区别。

如果你连快捷键都懒得按，还有剪贴板监听模式：在翻译面板左上角点一下监听图标，之后凡是复制过的文字，都会被自动翻译。一边复制一边出结果，像有个助读在旁边随时待命。

动作二：截一块屏幕，还你一屏文字

遇到没法选中的文字怎么办？截图。按下列表里登记好的截图快捷键，框选目标区域，软件先把图片里的文字识别出来，再按你的设置给出译文。这也就是常说的截图 OCR 与截图翻译：前者只提取文字，后者在识别基础上直接再翻一层。

这个能力对两类内容尤其救命：一是 PDF 里扫描出来的书页，二是课件、网页里以图片形式存放的文字。识别引擎可以自由选择，系统原生 OCR、Tesseract.js 这类离线方案，以及百度、腾讯、火山、讯飞等云端服务都在备选之列；遇到数学公式，还有 Simple LaTeX 可以接住。识别完成后的文字支持二次翻译，等于把"截图—认字—翻译"串成了一条流水线。

动作三：多位"译员"同时上班

不同引擎的翻译质量参差不齐，这几乎是所有翻译工具的公开秘密。pot-desktop 的解法是：别只信一个，同时叫上好几个。

它内置的翻译引擎超过二十个，覆盖了主流商业服务（Google、Bing、DeepL、百度、腾讯、火山、阿里、有道、彩云、小牛、Yandex 等）、AI 大模型（OpenAI、智谱 AI、Gemini Pro、Ollama）、专业词典（剑桥词典、Bing 词典、ECDICT）。你可以一次启用多个引擎，翻译时所有结果并排展示，谁更贴切一目了然。遇到拿不准的专业术语，翻完还能顺手存进生词本——Anki、欧路词典都在支持名单里，日积月累就有了自己的词库。

动作四：把它调教成你喜欢的样子

基础设置里值得动的地方不少：深色、浅色、半透明三种主题任选，自动语言检测帮它判断源语言，翻译历史记录可以回溯重要内容，还能开启开机自启和代理配置。软件界面本身支持二十多种语言，由 Weblate 社区协作翻译维护，中文用户没有门槛。

第三幕：三个进阶招式，让工具嵌进你的工作流

招式一：一行命令遥控 pot

pot-desktop 在本地开了一个 HTTP 服务，默认端口 60828。这意味着它不只服务自己的界面，还能被任何程序调用。命令行里直接敲：

curl "127.0.0.1:60828/translate" -d "Hello World"

这是最简单的示例。实际上划词翻译、截图 OCR、截图翻译都有对应接口。这个特性的想象力很大：配合脚本，你可以在任何地方触发翻译——比如自己写的自动化工具、定时任务，甚至其他软件的菜单按钮。Windows 下的 SnipDo、macOS 下的 PopClip 都有现成扩展，选中文字即可调用。

招式二：装插件，功能自己长出来

内置接口再多也有边界，插件系统负责把边界推远。插件的扩展名是.potext，下载后在"偏好设置—服务设置—添加外部插件"里安装，之后就会出现在服务列表里，和内置服务一样使用。翻译、识别、生词本、TTS 各有各的插件生态，想接什么服务，先搜插件，搜不到再考虑自己写——官方提供了各类型插件的开发模板，入口在插件列表页的模板区。

招式三：Wayland 用户的绕行方案

Linux 上有个老大难问题：部分 Wayland 环境（比如 Hyprland）下，应用内快捷键和截图可能失灵。pot-desktop 的官方解法是"外挂"：把截图交给 grim + slurp 这类系统级工具，再通过 HTTP 接口把截图喂给 pot。

bind = ALT, X, exec, grim -g "$(slurp)" ~/.cache/com.pot-app.desktop/pot_screenshot_cut.png && curl "127.0.0.1:60828/ocr_recognize?screenshot=false"

一行配置，问题解决。仓库里patches/hyprland.patch也附带了现成的参考，按自己的桌面环境改改即可。

第四幕：实测记录，三个场景下的真实表现

场景一：读英文技术文档。在 IDE 里选中一段报错信息，按快捷键，翻译窗口在光标附近弹出，专业术语用 Bing 词典和剑桥词典交叉验证，准确率明显高于单一引擎。整个过程没有离开编辑器，阅读节奏保持住了。

场景二：处理 PDF 中的图片文字。截图框选，OCR 引擎把文字提取出来，识别结果干净利落，随后直接生成译文。以前要"截图—打开网页—上传—等识别—复制"的流程，现在两步搞定。

场景三：日常攒生词。看外文资讯时顺手把生词存进 Anki，睡前打开卡片复习，词汇量增长有据可查。划词、翻译、收藏三个动作几乎是一体的，没有额外的整理成本。

第五幕：新手的疑问，快问快答

按快捷键没反应？先检查是否和系统里其他软件的快捷键冲突，再确认辅助功能权限是否授予。Wayland 环境则优先走上面说的外部调用方案。

翻译结果总觉得差点意思？换引擎、开多引擎对比是第一步；专业术语请启用词典类服务；如果所有引擎结果都不对，检查网络或代理设置。

OCR 识别率不理想？中文内容优先用百度、腾讯等中文优化的云端引擎，纯英文场景可以交给 Tesseract；截图时保证文字清晰，避免大面积阴影和反光。

想完全离线使用？可以。Ollama 负责翻译、Tesseract 与系统 OCR 负责识别，局域网内不通外网也能正常工作，适合对隐私敏感或网络受限的场景。

从今天开始用起来

安装并不费力：Windows 用户直接winget install Pylogmon.pot；macOS 用户执行brew install --cask pot；Linux 下 Debian/Ubuntu 装 deb 包，Arch 系可以用 AUR 里的pot-translation，也有 Flatpak 版本可选。想自己折腾源码，也可以git clone https://gitcode.com/GitHub_Trending/po/pot-desktop后手动编译，环境要求 Node.js 18+、pnpm 8.5+、Rust 1.80+。

写到这里，想多说一句：pot-desktop 免费、开源、无订阅、无功能阉割，社区持续维护更新。它可能不会改变你的外语水平，但能改变你面对外文内容时的心理阻力——当翻译从"专门去做的动作"变成"顺手的本能"，阅读外文的门槛会低很多。装一个试试，从第一次划词翻译开始，你会很快习惯这种"字到译到"的节奏。

【免费下载链接】pot-desktop🌈一个跨平台的划词翻译和OCR软件 | A cross-platform software for text translation and recognition.项目地址: https://gitcode.com/GitHub_Trending/po/pot-desktop