Audion Office OCR AI
| English README · User Guide | Русский README · Руководство |
Содержание
Распознавание сканов и офисная конверсия: из бумаги в редактируемый документ, таблицу, проверяемый PDF и всё остальное — за одно распознавание.
Зачем это сделано
Распознавание стоит денег и времени. Обычный порядок работы этого не учитывает: прогнали скан, получили Word — а через неделю понадобилась таблица. Прогнали заново. Понадобился PDF с текстовым слоем — ещё раз.
Каждый прогон — новые деньги, новая очередь и новый результат, который может отличаться от прежнего.
Здесь порядок другой:
источники → распознавание → пакет документа → проверка → любые форматы
Платите за распознавание один раз. Результат складывается в независимый
пакет <имя>.document, и дальше все форматы собираются из него локально — без
обращения к платной службе.
Что в пакете
Не текст, а всё, из чего он получился:
- точная копия исходника;
- изображения всех страниц до и после подготовки;
- хэши;
- текст и координаты всех кандидатов распознавания, а не только выбранных;
- порядок чтения, таблицы, объединения ячеек;
- уверенность по каждому фрагменту;
- сверка между разными движками;
- сырой ответ поставщика;
- место для ручных исправлений.
Полнота здесь означает отсутствие потерь исходных данных, а не обещание безошибочного распознавания. Ошибка распознавания видна и исправима, потому что рядом лежит всё, на чём она основана.
Что собирается из пакета
Восемь результатов, независимо и одновременно: DOCX, XLSX, PDF с текстовым слоем, ODT, Markdown, JSON распознавания, HTML и лист проверки.
По умолчанию собирается только DOCX — форматных наборов нет, лишнее не производится. Пересборка идёт локально, сторонний офисный пакет для неё не нужен. Предельный размер страницы — A3.
Принципы
Второй проход другим движком — независимый. Он получает тот же очищенный растр, но не видит текста первого. Так расхождение между ними означает реальную неоднозначность, а не подсказку, повторённую следом.
Таблицы разбираются по физической сетке. Для линованных таблиц строится
сетка по длинным линиям растра, а число столбцов проверяется по строке нумерации
1…N из координат распознанных слов. И только потом движки сравниваются внутри
точных ячеек.
Объединения восстанавливаются только в шапке — там они предсказуемы. В теле таблицы объединённая ячейка чаще означает ошибку разбора, чем замысел автора.
Расхождения цифр сохраняются. Если движки прочли число по-разному, оба варианта остаются в пакете. Число — то место, где ошибка распознавания дороже всего, и решать её должен человек.
Markdown — не центр системы. Он удобен как контрольный формат и как вход для языковых моделей, но пакет документа устроен не вокруг него.
Файлы PDF программа читает и пишет библиотекой PyMuPDF, а она распространяется
под GNU AGPL 3.0. Собственный код программы остаётся под Apache 2.0, но сборка
целиком — программа вместе с PyMuPDF — идёт на условиях GNU AGPL 3.0; подробнее —
в файле NOTICE.
Дальше
- Руководство — работа по шагам.
- История — что менялось.
Техническая часть
Источник и назначение
Строки путей называются Источник и Назначение. Источник может быть отдельным файлом или папкой - выбранной, введённой или брошенной в окно; история путей держит закреплённые сверху. Сбросить возвращает оба пути к папкам программы, Список называет, что лежит в источнике, корзина очищает источник, назначение или оба - в Корзину.
Внешний источник перед запуском копируется во внутреннюю папку input, результаты
копируются в выбранное назначение. Если в input или output что-то лежит, окно
сначала спрашивает - перед копированием они очищаются.
Второй проход
| значение | что делает |
|---|---|
| нет | только основной движок |
| Tesseract | локальная сверка |
| Yandex | облачная сверка |
| Yandex и Tesseract | обе |
Полный архив
Сборка всего пакета в один архив осталась возможностью движка ради совместимости, но среди основных кнопок не показывается: она нужна редко, а места занимает много.