我发现腾讯OCR在繁体字识别上尖尖的（顶尖的尖）

调用OCR对中文古籍进行识别

起因

老师需要我使用OCR将PDF中文古籍中的文字识别出来，先前我是直接使用开源的PaddleOCR在本地进行识别（未经过进一步训练），它对于较规范的中文简体识别的还不错，可一到了中文繁体字就开始胡言乱语了。以如下中医文献举例：

【图1】较为清晰的古籍图片

右侧第一列的识别结果为（多了我想你们也不会看）：

【图2】PaddleOCR识别结果

理想的结果是：“凡癰疽之疾，比他病最酷,聖人推爲雜病之先。自古雖有傷醫一科，及鬼遺等論，後人”

我们来数一数，一列33个字，正确识别了22个字，但其中大部分正确被识别出来的都是对中文简体的识别，而对中文繁体字的识别基本是全军覆没。顺便一提，后续在使用其他云服务中的OCR识别时，某些中文繁体字、生僻字也未被未包含在模型的训练集中，导致这些字未被模型识别为“文字”。这倒提醒我今后专门对中文繁体进行训练还是有必要的。

我用PaddleOCR跑了一轮后就将结果提交给了老师，但看着这一百多页千疮百孔的错字，我陷入了沉思。

尝试使用大模型来识别

既然都到大语言模型时代了，那就免不了问一手GPT，检查一下通用模型对中文繁体识别情况。

话不多说，我们直接看结果：

【图3】ChatGPT

【图4】某个国内模型

诶，看着是不是感觉还可以？但是大模型总是能给你惊喜，它识别率是还不错，但其识别的顺序却有些混乱（也许是识别图片使用了卷积），给人感觉是一块一块的，一列还没结束突然跳到下一列去了。要么就又回到上一列去了，呼~。

【图5】错误标注

【图6】绿色表示分隔（标注得头大）

蓦然回首，救赎之道竟在手边

在我用微信查看这些令人懊恼的图片的时候，想起微信不是自带文字识别功能吗？那我就试吧，结果，我直接大吃一惊，这对中文繁体字的识别效果也太好了吧！！！不仅准确率高， 而且把每个字都框选出来了（到现在还是没找到能将每个字选中对应的Tencent API，求告知）。

【图7】在手机上使用微信的文字识别

识别结果为（仅列出第一列）：“凡癣疽之疾，比他病最酷,聖人推爲雜病之先。自古雖有瘍醫一科，及鬼遺等論，後人”，33个字中仅仅错了1个！！我的天哪，大厂终究是大厂啊，原来腾讯OCR做的这般精确。跟你们猜的一样，我接下来直接跑去腾讯云注册了一个账号，直接开始“拿来主义”，看着TencentOCR上面通用模型96%的精确度，我直接掏钱（不过买的是高精度模型，但在尝试过99%高精度模型对繁体中文的识别准确率不是很好）。之后发现原来好多好多模型有免费额度（原谅我在付费前没找到）竟然有1000条/月，我总共也就充了1000条，废话不多说，我赶紧就开始了我的调用之旅，但是结果竟没有微信上面的文字识别效果好。调用后生成的结果为：“凡擁症之疾‘比他病最酷一聖人推為雜病之先。自古離有瘍醫一科)及鬼遺等論一後人”。多错了一个字，但是也很好了呀，应该是微信在识别之前还有一些预处理工作。然后我就将使用TencentOCR识别 出来的古籍再一次发给了老师。

【图吧】上交工作

后面又多试了几下，发现参数"LanguageType"选中"mix“对于古籍的识别率反而高于”zh_rare“。但是有些字会被识别到“日文”就有些烦恼了，要是能够选择混合语言的同时排除特定的语言就好了（比如日文）。

其他云服务器

在学会调用TencentOCR之后我仿佛开启了新大门，那么会不会其他云服务器

中的OCR也很不错呢？于是我又去尝试了阿里和华为的OCR。我就直接上结果了。

【图9】阿里云(RecognizeGeneral)

【图10】华为云(RecognizeGeneralText)

【图11】腾讯云(GeneralBasicOCR)

【图12】腾讯云(GeneralBasicOCR_zh_rare)

对比结论

小编货比三家，你觉得他们谁做的更好呢？（我觉得还是微信自带的最顶）开个玩笑。

三家对于“癰”字都没能识别出来，但是在将腾讯OCR的参数选择为"zh_rare"（中文生僻字时）竟然能够识别出来,可是这样其他的简单的字却被识别失败了😔。华为云很明显是数据集中没有该字（因为压根没将“癰”当成一个字），但在其他字的识别都是很准确的。

综上，给我的感觉是顶级大厂之间也很难对繁体字做到很好的处理，如果需要让我对这三家排个序，当然这只针对中文繁体而言，应该是腾讯>华为>阿里。如果华为能标注更多中文繁体字，那冠军一定是华为了，而且其中仅有华为的文字识别是能够不做位置处理，直接能够将竖行的字识别为一块文字，而腾讯和阿里则需要在代码中根据坐标信息进行修改。不过需要注意，华为可没有腾讯的每月1000条的免费额度，随随便便调用两个api都要付费。

结尾

在使用腾讯OCR的时候意外发现有这个活动，第一次在腾讯开发者社区写文章，有奖励谁会不心动呢，也算是一种缘分吧，希望腾讯OCR做得越来越好（要是能够告诉我微信中的文字识别是怎样做的就更好了）。要是觉得文章写得还不错，可以给文章点个赞哦，这对我真的很重要。