需调用文心一言4.5多模态API的图像理解接口实现图片转文字，支持Python SDK、cURL命令行及前端经后端代理三种调用方式，均需AK/SK鉴权、Base64编码图片并发送结构化请求。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您需要通过文心一言4.5多模态API实现图片转文字功能，则需调用其提供的图像理解类接口，该接口支持上传图像并返回结构化文本描述。以下是调用该接口的具体方法：
一、使用Python调用ERNIE-ViLG 4.5图像理解API
该方式基于百度千帆大模型平台提供的SDK，需先完成API Key与Secret Key鉴权，并构造符合要求的Base64编码图像数据请求体。接口地址为/v1/multimodal/ocr或/v1/multimodal/image_understanding（具体以官方文档最新命名为准），适用于通用图文识别场景。
1、安装千帆SDK：pip install qianfan。
2、初始化Qwen客户端并配置AK/SK：需从百度云控制台获取对应项目的Access Key ID与Secret Access Key。
3、读取本地图片文件，转换为Base64编码字符串。
4、构建请求参数字典，包含image字段（Base64值）及type字段（设为ocr）。
5、调用qianfan.ChatCompletion().do(...)或直接使用qianfan.MultimodalModel发起POST请求。
二、使用cURL命令行直连API端点
该方式绕过SDK依赖，适用于调试或轻量集成场景，需手动处理鉴权头（Bearer Token）、Content-Type及JSON载荷。Token由AK/SK通过OAuth2.0流程换取，有效期为30分钟。
1、通过https://aip.baidubce.com/oauth/2.0/token获取access_token，携带grant_type=client_credentials、client_id和client_secret参数。
2、将待识别图片用base64 -i image.jpg | tr -d '\n'生成无换行Base64字符串。
3、构造JSON请求体，确保image字段为纯Base64字符串，不含data:image/jpeg;base64,前缀。
4、执行cURL命令，设置-H "Content-Type: application/json"与-H "Authorization: Bearer YOUR_ACCESS_TOKEN"。
5、解析返回JSON中的result.text或result.ocr_result字段提取识别文字。
三、前端JavaScript通过后端代理调用
因浏览器同源策略与密钥安全限制，不可在前端直接暴露AK/SK，必须经自有服务端中转。该方案将图片文件上传至自建接口，由服务端完成鉴权、编码与API转发，再将结果返回前端。
1、前端使用FormData对象封装图片文件，通过fetch提交至/api/ernie-ocr等自定义路径。
2、后端接收multipart/form-data请求，读取文件流并转为Base64格式。
3、后端拼接百度认证所需Header，包括Content-Type: application/json与Authorization头。
4、后端向百度多模态API发起HTTPS POST请求，传入含image字段的JSON体。
5、后端校验响应状态码与error_code字段，成功时提取words_result数组并返回给前端。
