Tensionix
Audion Office OCR AI

v2.0.0 ·

Audion Office OCR AI - руководство пользователя

EN RU

Audion Office OCR AI - руководство пользователя

Содержание

Audion Office OCR AI превращает офисные файлы, PDF, изображения и сканы в независимую от поставщика DocumentModel и сразу записывает выбранные офисные, архивные и машинные результаты. Markdown - необязательный экспорт для проверки и LLM, а не центр системы.

Быстрый путь

  1. Запустите Start.exe.
  2. Положите файлы в input\ или выберите другую папку или один файл как ИСТОЧНИК в правой колонке.
  3. Откройте раздел в ленте под шапкой, затем его страницу, затем переключатель движка или поставщика.
  4. Отметьте готовые файлы и нажмите кнопку запуска справа в шапке страницы.
  5. Следите за терминалом; результаты - в output\ или в папке, выбранной как НАЗНАЧЕНИЕ.

Окно

Шапка называет машину и то, что у неё есть для OCR: Windows, компьютер, процессор, видеокарту с драйвером, память, диски, рекомендацию по видеокарте, Tesseract с языками, сервис разметки Surya и поставщиков, у которых есть ключ. Каждый бейдж говорит всё целиком во всплывающей подсказке. RU / EN переключают язык, солнце - тему. SETUP открывает установку того, что нужно машине для локального OCR (Tesseract, Real-ESRGAN, среды llama.cpp и Surya; шапка рекомендует нужную для этой видеокарты), - с неё начинают: пока на машине нет Tesseract, окно при запуске открывается на SETUP. SETTINGS задаёт шрифты и их размеры, ABOUT называет версию и папки.

Под шапкой разделы стоят одной лентой: ЛОКАЛЬНЫЙ OCR, API OCR, ПРОВЕРКА OCR, ТАБЛИЦЫ, ИНСТРУМЕНТЫ. Раздел с несколькими страницами показывает их второй лентой. У страницы OCR есть третья лента - движки ЛОКАЛЬНОГО OCR, поставщики API OCR; включённый переключатель закрепляет движок формы.

Форма стоит блоками с названиями; цветная полоса слева у блока говорит, какие в нём настройки. Редко нужные настройки стоят под ДОПОЛНИТЕЛЬНО и закрыты, пока их не откроют. Стрелка справа в шапке страницы возвращает поля страницы к значениям программы. Переключатель рискованного выбора - красный.

В правой колонке - рабочая область (ИСТОЧНИК и НАЗНАЧЕНИЕ) и терминал. Терминал показывает строку, с которой запущена каждая операция, что операция говорит своими цветами, и одну живую строку того, что она делает сейчас. СТОП просит операцию остановиться в ближайшей безопасной точке; повторное нажатие через несколько секунд завершает её сразу. Закрытие окна во время операции сначала спрашивает.

Источник и назначение

  • ИСТОЧНИК - папка или один файл. input\ программы читается как есть. Источник вне программы перед запуском копируется в input\, а input\ и output\ сначала очищаются; если в них что-то лежит, окно спрашивает перед запуском и называет, сколько. Источник внутри output\ и папка внутри input\ отклоняются до запуска.
  • НАЗНАЧЕНИЕ - папка, в которую после запуска копируется содержимое output\.
  • Папку или файл можно бросить в окно - они станут источником. Кнопки с часами открывают историю путей, кнопка-булавка закрепляет путь сверху, СБРОСИТЬ возвращает оба пути к input\ и output\.
  • СПИСОК называет в терминале, что лежит в источнике.
  • Кнопка-корзина открывает очистку: содержимое источника, назначения или обоих - в Корзину, сами папки остаются; про папку вне программы окно спрашивает ещё раз. В том же меню - очистка артефактов DocumentModel.
  • Кнопка со стрелками копирует Markdown из output\ обратно в input\.

Разделы

ИНСТРУМЕНТЫ -> В Markdown извлекает выделяемый текст из DOCX, XLSX, PPTX, PDF, TXT, CSV и HTML без OCR.

ЛОКАЛЬНЫЙ OCR - бесплатный локальный OCR. Tesseract - рекомендуемая основа. Surya - необязательный медленный локальный движок с раскладкой страницы; под его переключателем строка говорит, работает ли его сервис разметки, и в ней кнопка запуска и остановки. Сервис держит модель разметки в памяти между запусками.

API OCR - OCR- и vision-модели Yandex, Mistral OCR, xAI, Gemini и OpenAI. Переключатель поставщика показывает его поля: модель, ключ, параметры. У Mistral есть управляемый второй проход: Нет, Tesseract, Yandex или Yandex + Tesseract. Gemini работает в режиме Standard или Flex; Flex дешевле, но может дольше ждать свободной мощности.

ПРОВЕРКА OCR - Сравнение движков (одна страница несколькими движками, сырой и очищенный OCR рядом, до большой пачки) и Проверка чисел (числовые и правовые строки одной страницы перечитываются vision-моделью и сверяются).

ТАБЛИЦЫ - три операции, у каждой свои настройки и своя кнопка: координатные таблицы скана в XLSX, проверка Markdown-таблиц, Markdown-таблицы в XLSX. Для линованных сканов OCR ещё восстанавливает физическую сетку, проверяет число столбцов и сверяет текст поставщика внутри подтверждённых ячеек.

ИНСТРУМЕНТЫ - В Markdown (быстрый перевод офисных файлов без OCR), Проверки (проект, окружение, модели и ключи поставщиков, короткие проверки OCR), Workbench (локальное ревью слабого OCR, AI-ресолвер сомнительных фрагментов, координаты), Пересборка Markdown (готовый Markdown в DOCX, LLM-DOCX, PDF, PPTX - совместимость, а не основной путь OCR) и Gemini Batch.

Готовые файлы

Обе страницы OCR первым показывают блок Готовые файлы. Рабочее значение - DOCX. Четыре офисных формата (DOCX, XLSX, Searchable PDF, ODT) и четыре формата для проверки (Markdown, OCR JSON, HTML, Проверка) независимы и делаются вместе. Каждый выбранный результат пишется из сохранённой DocumentModel без повторного OCR.

Пакет <имя>.document - каноническая внутренняя запись OCR. В нём источник, изображения страниц, кандидаты OCR, координаты, таблицы, порядок чтения, уверенность, сверка и ручные исправления. Полнота - это сохранность исходных данных, а не обещание безошибочного распознавания.

Блок Контракт предлагает Текст + боксы и Раскладка. Он задаёт полноту данных OCR, а не итоговый офисный формат.

Очистка скана

Блок Очистка скана - одна строка профилей:

  • Авто - настроенные значения для выбранного движка.
  • Без очистки - страница уходит как есть.
  • Тяжёлый скан - сильнее шумоподавление, контраст и резкость.
  • Цифры - настроено для правовых и финансовых реквизитов.
  • Ручной - открывает подробные настройки под ДОПОЛНИТЕЛЬНО.

Сильная предобработка может стереть пунктуацию, тонкие линии таблиц, печати и мелкие реквизиты. Сохраняйте исходную страницу и сравнивайте очищенный образец в полном разрешении.

Модели и ключи

Список моделей открывается под своим полем. Программа хранит прочитанные списки; ОБНОВИТЬ СПИСОК заново спрашивает поставщика по ключу.

Ключи API лежат в config\. Кнопка + у поля ключа добавляет ключ: его вставляют в окно, программа записывает новый файл в config\, и он становится ключом поля; окно и журнал его не показывают. Кнопка-корзина рядом убирает выбранный файл ключа в config\deleted_keys\, откуда его можно вернуть. Не кладите настоящие ключи в публичные архивы.

Gemini Standard, Flex и Batch

Standard - обычный интерактивный запрос Gemini. Для проверки одной страницы, сравнения движков и ручных опытов.

Flex - интерактивный запрос с service_tier=flex. Дешевле, но может дольше ждать свободной мощности. В форме это Тариф Gemini; у Flex более долгий таймаут.

Batch - асинхронный режим для больших несрочных прогонов. Gemini Batch по умолчанию готовит workspace\gemini_batch\...\requests.jsonl и manifest.json; платная отправка в Google - только с включённым Отправить в Google. Операция сбора проверяет задание и забирает Markdown. Подробности - в docs\tools\GEMINI_BATCH_FLEX.md.

Для буквального OCR через xAI сначала пробуйте 4.20 fast (grok-4.20-non-reasoning-latest). 4.20 quality (grok-4.20-reasoning-latest) - медленнее, для трудных таблиц и раздробленных сканов. Проверка русского OCR по умолчанию выключена; включённая, она даёт reasoning-модели только сомнительные страницы.

Основные папки

input\      исходные документы
output\     готовые результаты
config\     настройки, промпты и ключи API
docs\       документация проекта
docs\PDF\   документация в PDF
logs\       журналы операций
report\     служебные отчёты
workspace\  временные рабочие файлы и проверки
data\       списки моделей, которые хранит программа
cache\      кэш OCR и предобработки
App\        окно и PowerShell программы

Консольная команда

Каждая операция окна запускается из консоли через ocr_cli.cmd с теми же настройками:

ocr_cli.cmd describe
ocr_cli.cmd run --operation ocr_local_run --source D:\Scans --target D:\Results --set ocr_engine=tesseract
ocr_cli.cmd options --operation ocr_api_run --field gemini_model --refresh
ocr_cli.cmd hardware
ocr_cli.cmd version

describe печатает разделы, операции и поля в JSON; run запускает одну операцию; options печатает список поля (--refresh спрашивает поставщика); key add|remove добавляет ключ из стандартного ввода или убирает файл ключа; hardware называет видеокарту, Tesseract и сервис разметки. Коды выхода: 0 - готово, 1 - ошибка, 130 - остановлено, 2 - неверный вызов, отклонён до запуска. Окно пишет строку запуска в свой терминал при каждом старте операции.

Перед большими прогонами

Сначала запустите Сравнение движков на одной странице. Для правовых документов - ещё Проверку чисел. Затем выберите движок, профиль очистки и готовые файлы. После OCR проверьте DOCX, XLSX и артефакты report; Markdown нужен, только если выбран отдельным экспортом.

Локальный OCR - когда документы должны остаться на машине, а среда поддерживает нужный язык и раскладку. Платный OCR по API - когда его возможности оправдывают внешнюю обработку и это разрешает политика данных.

Проверяйте границы строк и столбцов, объединённые ячейки, разделители чисел, даты, идентификаторы, названия организаций, подписи и печати. Проверка чисел - точечная сверка и не заменяет проверку всего распознанного документа.

Перед большой пачкой проверьте число источников, назначение, поставщика и модель, квоту API и свободное место на диске. Держите неудачные страницы вместе с их журналами; повторяйте только неудачные документы.

Приватность

Сканы, распознанный текст, структурные экспорты, журналы и запросы к поставщикам - чувствительные данные. В API OCR и AI-ресолверах страницы уходят выбранному поставщику с его ключом. Ключи API остаются в config\ и никогда не попадают в отчёты и документацию.