🔍 智能 OCR 进阶配置
深入掌握 OCR 引擎切换、语言模型选择与精度优化技巧。
OCR 引擎对比
智能 OCR 内置 4 种引擎，各有优劣：
| 引擎 | 速度 | 精度 | 离线 | 适用场景 |
|---|---|---|---|---|
| Native OCR（系统原生） | ⚡ 极快 | ⭐⭐⭐ | ✅ 完全离线 | 清晰印刷体、实时截屏识别 |
| Tesseract.js（本地） | 🚀 快 | ⭐⭐⭐⭐ | ✅ 完全离线 | 多语言文档、扫描件 |
| 云端 OCR | 🐢 取决于网络 | ⭐⭐⭐⭐ | ❌ 需联网 | 高精度需求、百度云等专业服务 |
| VLM（视觉语言模型） | 🐌 较慢 | ⭐⭐⭐⭐⭐ | ❌ 需联网 | 复杂排版、手写体、模糊图片 |
![引擎选择界面]（TODO: 截图 - 控制面板的引擎类型下拉框）
Tesseract.js 引擎
适用场景
- 中英文混合文档
- 扫描版 PDF（图片格式）
- 离线工作环境
语言包选择
Tesseract 引擎支持多种语言，系统会自动扫描可用语言包：
| 语言选项 | 代码 |
|---|---|
| 简体中文 + 英文 | chi_sim+eng（默认） |
| 繁体中文 + 英文 | chi_tra+eng |
| 简体中文 | chi_sim |
| 英文 | eng |
| 日文 | jpn |
| 韩文 | kor |
提示：语言包文件位于
public/tesseract-lang/目录，支持添加更多语言包文件（.traineddata.gz），系统会自动识别。
并发数调优
Tesseract 使用 Worker 池实现并发识别：
- 默认：4 个并发 Worker
- 范围：1 ~ 24
- 建议：CPU 核心数 × 2。例如 8 核 CPU 可设为 16
- 效果：增加并发数可显著缩短批量处理时间，但会占用更多内存
Native OCR 引擎
适用场景
- Windows 系统原生 OCR（Windows.Media.Ocr）
- 需要快速识别的实时场景
- 清晰的印刷体英文/中文
特点
- 速度最快：无需加载模型，直接调用系统 API
- 完全离线：不依赖网络
- 精度有限：对复杂排版和手写体支持较弱
- 无需配置：切换即可使用，无需选择语言或模型
云端 OCR 引擎
适用场景
- 需要专业 OCR 服务的高精度场景
- 有现成的百度云等 OCR 账号
支持的服务商
| 服务商 | 状态 | 说明 |
|---|---|---|
| 百度云 OCR | ✅ 已实现 | 需要 API Key + Secret |
| 自定义 OCR | ✅ 已实现 | 支持任意 HTTP API，通过请求模板配置 |
| 腾讯云 OCR | ⏳ 占位 | 暂未实现（被 VLM 替代） |
| 阿里云 OCR | ⏳ 占位 | 暂未实现（被 VLM 替代） |
前置条件
- 在 设置 → OCR 服务 中配置云端 OCR 账号
- 确保配置的服务已启用
- 在控制面板中选择对应的云端服务
注意：如果控制面板显示"请先在设置中配置云端 OCR 服务"的黄色提示，说明还没有配置任何云端 OCR 账号。
百度云 OCR 配置
- 前往 百度云控制台 创建 OCR 应用
- 获取 API Key 和 Secret Key
- 在设置中填入凭证，选择识别端点（通用文字识别等）
自定义 OCR 配置
适合对接自有 OCR 服务的场景：
- 设置请求 URL 模板（支持变量替换，如
{{imageBase64}}） - 配置请求头和请求体模板
- 指定响应中提取文字结果的 JSONPath
VLM（视觉语言模型）引擎
适用场景
- 复杂排版：表格、多栏、图文混排
- 手写体：笔记、信件、签名
- 低质量图片：模糊、倾斜、光照不均
- 非常用语言：Tesseract 不支持的小语种
前置条件
- 在 设置 → LLM 服务 中配置支持视觉能力的模型（如 GPT-4o、Claude、Gemini 等）
- 确保模型标注了
vision: true的视觉能力 - 在控制面板中选择对应的视觉模型
关键参数调优
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 温度 | 0 ~ 0.3 | OCR 识别建议用较低温度，输出更确定 |
| 最大 Token | 4096 ~ 8192 | 根据需要识别的文字量调整 |
| 并发数 | 1 ~ 5 | 提高吞吐量，注意 API 限流风险 |
| 请求延迟 | 0 ~ 1000ms | 如果触发限流错误，适当增加延迟 |
识别提示词
默认提示词：
请识别图片中的所有文字内容，直接输出文字，不要添加任何解释。可根据场景自定义：
请逐行识别图片中的表格文字，保持表格结构，用 | 分隔列。识别并翻译这段日文文字为中文。智能切图配置
对于长图（如截图、聊天记录、代码片段），智能切图能将其按空白区域自动分割，逐个识别后再合并，大幅提升识别质量。
工作原理
原图 → 计算每行颜色方差 → 寻找空白间隙 → 生成切割线 → 切分识别 → 合并结果参数详解
| 参数 | 默认值 | 范围 | 说明 |
|---|---|---|---|
| 长宽比阈值 | 3 | 2~10 | 高宽比超过此值才触发切图。设为 10≈关闭切图，设为 2≈激进切图 |
| 空白行阈值 | 0.3 | 0.01~1.0 | 检测空白行的敏感度。值越高越容易识别为空白行 |
| 最小空白高度 | 20px | 10~50 | 空白区域低于此高度不切割，避免切碎 |
| 最小切割高度 | 680px | 20~1000 | 切出的块低于此高度会与相邻块合并 |
| 切割线偏移 | 0.2 | -1~1 | 切割线位置微调。负值向上，正值向下，0 居中对齐 |
调优场景示例
场景一：聊天记录 / 代码截图
- 长宽比阈值：
3（触发切图） - 空白行阈值：
0.2（聊天记录行间距大，严格检测即可） - 最小空白高度：
15px（细小的空行也能识别） - 最小切割高度：
500px（切割块不要太小） - 切割线偏移：
0（居中切割，避免吞掉文字）
场景二：试卷 / 文档扫描件
- 长宽比阈值：
2（A4纸竖拍，接近 1.4 比例，适当降低触发条件） - 空白行阈值：
0.4（文档空白较多，可放宽容错） - 最小空白高度：
30px（不要被细小的段落间距干扰） - 最小切割高度：
800px（保证每个块包含完整的题目） - 切割线偏移：
0.2（稍微向下，防止切割线吃掉上一行的底部）
贴士：切图配置改变后，需要重新切割图片才能生效。在预览区域点击"切割当前图片"或"切割全部"即可。
精度优化 Checklist
如果识别结果不理想，按以下顺序排查：
| 步骤 | 操作 | 预期效果 |
|---|---|---|
| 1️⃣ | 切换引擎试试 | 不同引擎擅长不同场景 |
| 2️⃣ | 调整切图参数 | 减少误切割或过分割 |
| 3️⃣ | 增加 Tesseract 并发 | 加速但不影响精度 |
| 4️⃣ | 使用 VLM + 自定义提示词 | 最灵活，适配复杂场景 |
| 5️⃣ | 重新识别失败块 | 有时只是临时网络波动 |
| 6️⃣ | 手动编辑结果 | 最终手段，逐块修正 |
历史记录管理
OCR 历史记录采用"索引 + 分离文件"模式：
- 索引文件：
history-index.json— 存储列表元数据，用于快速展示 - 详情文件：
history/{recordId}.json— 存储完整识别结果
每条历史记录包含：
- 原始图片（通过资产管理器存储）
- 使用的引擎配置
- 完整的识别结果
- 时间戳
删除历史记录时，关联的图片资产也会同时清理（如果未被其他模块引用）。
💡 推荐组合：日常使用 Tesseract.js + 智能切图；遇到复杂排版切到 VLM；追求速度选 Native OCR。