简介：面向古籍数字化、中医文献整理与历史文本研究场景，本文系统梳理古文字OCR的核心技术难点、评估方法与落地方案。文章不绑定任何单一商业产品，而是从识别准确率、异体字覆盖、复杂版面还原等维度展开分析，帮助开发者与研究人员理解如何选择或构建适合古文场景的文字识别能力，并给出可操作的工程实践建议。
在中医古籍整理、方志数字化、碑刻文献研究等实际项目中，一个常见误区是直接复用面向现代印刷体的通用OCR能力。这种做法在初期验证阶段似乎可行，一旦进入真实古籍语料，就会暴露出结构性缺陷。
造成这一现象的根本原因可以从三个层面理解。
第一，字符空间的量级差异。 现代简体中文常用字约为六千到八千个，通用OCR模型在设计时通常以GB2312或GBK字符集为基础进行训练。而古代汉语实际使用的字形规模远超这一范围——繁体字、异体字、俗体字、避讳字、合体字等累加起来，保守估计超过十万级。以中医古籍为例，“脈”与“脉”、“癥”与“症”、“薑”与“姜”在不同版本中交替出现，如果模型字符集不覆盖这些变体，识别结果就会系统性丢失或误判。
第二，版式结构的根本差异。 现代印刷品以横排、单栏、段落清晰为基本特征。古籍则大量采用竖排右读、筒子页、半筒子页、多栏夹注、眉批旁批等复杂布局。版式分析如果仍按“行—段—块”的现代逻辑处理，很容易将批注与正文混排、将多栏内容按错误顺序拼接，导致提取结果虽字字可辨，但语序全非。
第三，图像质量的退化与干扰。 古籍扫描件常伴有纸张泛黄、墨迹洇散、虫蛀缺损、透字反渗等问题。手抄本还存在书写风格差异悬殊、笔画连断不规则、朱墨双色批注混排等情况。这些退化因素对模型的抗噪能力和上下文推理能力提出了远超普通印刷体OCR的要求。
因此，古文字识别的技术方案必须从字符模型、版面引擎、后处理校正三个环节重新设计，而不能寄望于在通用模型上做简单微调。
在搭建或选型古文字识别能力时，建议从以下五个维度建立评估框架。
字符覆盖面决定了系统“认识”多少种写法。一个实用的古文字识别系统至少应覆盖数万个繁体及异体字形，并建立异体字到标准字形的映射关系。这里的关键不只是“认出”，还包括“归并”——将同一字义的多种写法在输出层标准化，便于后续检索、比对与校勘。
例如，处理不同版本的《伤寒论》时，同一方剂中的药物名称可能因版本不同而写作“黃耆”或“黄芪”。系统如果仅做逐字识别而不做异体归并，后续的版本对比就需要大量人工介入。理想情况是：识别结果保留原始字形信息，同时输出标准化的现代规范字，两条链路并行。
识别准确率不应笼统地用一个数字概括，而应区分不同语料难度进行分层测试。通常可以分为三个等级：
这种分级评估的意义在于：它帮助团队设定合理的预期，并针对不同语料等级决定是否需要额外的人工校对轮次。
版面分析的质量直接决定输出文本的可读性。优秀的古文字识别系统需要做到以下三点：
以一本带朱笔批注的清代医籍为例：正文以墨笔竖排为主体，页面边缘有朱笔批注环绕，部分页面还含有方剂配伍图表。系统需要将正文提取为独立文本流，将批注按原始位置标注为附加层，将图表区域标记为不可识别区或另行处理，三个层级的输出彼此独立又可通过坐标关联。
古文字识别的高准确率不仅依赖视觉特征，还依赖语言模型对上下文的理解。当图像中某个字形因残损而模糊不清时，系统应当能够结合上下文语义和古汉语规则进行推断。
这涉及一个技术权衡：过于激进的语义修正可能导致“以今释古”的错误，将通假字、借字误改为常用字。因此，成熟的做法是将语义理解作为辅助信号而非决定性因素。系统应为每一个低置信度字符保留候选列表，并在输出中标记修正行为，便于人工复核时追溯。
对于实际的研究项目或数字化工程，识别能力的工程化属性同样重要。批量导入、任务队列管理、进度追踪、结果导出格式（如带坐标的JSON、双层PDF、TEI-XML等）、API稳定性等，都直接影响项目的整体效率。一个识别准确率高但无法稳定批量处理的系统，在大规模古籍数字化场景中依然难以落地。
从工程实现角度看，一套面向古文字场景的高精度识别系统通常由以下模块构成。
预处理的目标是在保留有效信息的前提下，抑制噪声并增强笔画可辨识度。常见步骤包括：
需要特别注意的是，预处理的力度必须可控。过度增强可能导致细笔画断裂或淡墨批注被当作噪声清除。
在竖排古籍中，行切分和字切分需要专门处理。行切分通常采用投影法结合连通域分析，辅以深度学习模型处理行间穿插情况。字切分的难点在于：手写体的字间粘连、避讳字的缺笔、以及行内小注的插入，都可能干扰切分边界。实践中常采用“先检测字符中心点再回归边界框”的策略，并在边界模糊时依赖后续识别模型进行联合优化。
识别模型的设计关键在于字符集的规模与结构。单一模型承载过大的字符空间会导致训练难度上升和推理精度下降。一种可行的方案是采用层级识别策略：
第一层：粗分类 → 判断字符属于常用字集 / 异体字集 / 生僻字集第二层：细识别 → 在对应子集中进行精确识别第三层：后处理 → 映射到标准字形，输出双轨结果
这种架构可以在控制单模型复杂度的同时，保证整体字符覆盖率。
版面理解模块需要超越简单的文本行检测，实现语义级的页面结构解析。该模块的输入是页面图像和检测到的文本行位置，输出是一个结构化的页面对象，包含正文流、注释流及其对应关系。
输出格式建议采用结构化标注，例如：
{"page_id": "0023a","reading_order": "rtl-vertical","main_text": [{"text": "桂枝汤方", "position": [x1, y1, x2, y2], "confidence": 0.99},{"text": "桂枝三两去皮", "position": [x1, y1, x2, y2], "confidence": 0.98}],"annotations": [{"text": "去皮者，去粗皮也", "position": [x1, y1, x2, y2], "linked_to": "main_text[1]"}],"non_text_regions": [{"type": "illustration", "position": [x1, y1, x2, y2]}]}
这种结构化输出使得后续的文本处理、知识库构建和在线发布都能直接消费。
古籍批注本中，正文为墨色，批注为朱色，两者在灰度图像中区分度有限。如果仅依赖灰度信息，很难干净地分离两个图层。实践中建议在扫描阶段尽量保留彩色信息，利用颜色通道差异进行分割；若源图像为灰度扫描，则需借助位置先验（批注多在页边、天头、地脚）和笔画密度特征进行辅助判别。
通假字是古汉语中的正常用字现象，“识别正确”不等于“转换为现代用字”。系统应当尊重原文，在识别结果中原样保留通假字，同时可在注释层给出通假关系提示。类似地，避讳字（如缺末笔、改字、空字）承载着版本信息，不应被自动“修复”。处理原则是：识别层忠实还原，分析层提供信息，不做不可逆改写。
在多版本文献对勘场景中，识别系统输出的结构化文本可以显著加速校勘流程。不同版本的同一文献经识别后，按段落和句子对齐，系统自动标记文本差异位置，研究人员只需聚焦差异点进行人工判断。这种方式将原本需要全文逐字比对的工作，压缩到仅需审核差异片段，效率提升显著。
对于需要落地古文字识别能力的团队，以下建议供参考。
明确语料特征与精度要求。 不同文献类型对识别系统的要求差异极大。规范刻本的数字化与手抄医案的数字化，在技术选型上不应采用同一标准。建议先对代表性语料进行小规模标注测试，获得基线数据后再做决策。
优先考虑提供结构化输出的方案。 单纯的“图片转文本”在古籍场景中价值有限。具有版面理解和结构化输出能力的系统，能为后续的知识组织、检索发布节省大量工作。
重视发票与合规性。 对于高校和科研机构而言，采购服务的合规性（如是否能开具正规票据、数据安全与隐私条款是否清晰）与识别性能同等重要。这一维度在选型时不应被忽视。
构建持续迭代的反馈闭环。 古文字识别很难一蹴而就。项目初期应设计好错误标注与反馈流程，将人工校对中发现的问题回流到模型优化环节。即使使用的是云端识别服务，也可以通过定期整理典型错误样本库，为后续迭代或自研方案储备训练数据。
古文字识别是一个典型的“领域深度优先”的技术问题。它需要的不是通用OCR的边缘改进，而是从字符体系、版面结构到语义理解的全链路适配。对于研究者与开发团队而言，理解这些底层逻辑，比简单比较几款工具的标称准确率更有价值。建立清晰的评估维度、选择结构化输出能力强的方案、并设计合理的校对反馈机制，才是让古籍数字化工作真正提效的关键路径。