古籍OCR工具选型指南：从识别率到版面还原的工程实践

一、问题的本质：为什么古籍OCR比通用OCR难得多

做古籍数字化的人都有一个共同体会：通用OCR引擎在 modern 印刷体上表现优异，一旦换到古籍扫描件，识别率便断崖式下跌。这不是简单的”模型不够强”，而是古籍文本在字符集、版面结构和字形形态三个层面都与现代文本存在结构性差异。

字符集层面：现代汉语常用汉字约六千余个，而古籍中仅异体字、俗字、避讳字的数量就以万计。一个训练充分的通用OCR模型，其输出字符集往往只覆盖常用字表，遇到未登录字只能给出形近字或直接丢弃。因此，评估一款古籍OCR工具的第一指标，不是”平均识别率”，而是字符集覆盖广度与生僻字召回能力。

版面层面：古籍排版遵循从右到左、从上到下的阅读顺序，常见筒子页、半筒子页、三栏稿本等版式，正文之间还夹杂双行小注、天头地脚批注、钤印与插图。通用OCR按现代横排逻辑切分文本行，极易把注释混入正文、把右起版式读成左起，导致后续校对时格式梳理的成本远超识别本身。

字形层面：刻本、手写稿本、拓片三种载体差异巨大。刻本字形规整但存在漫漶、断笔；手写稿本连笔、异写字多；拓片则存在背景噪声与笔画粘连。单一模型很难同时适配，需要针对性的预处理与后处理策略。

理解了这三层差异，才能建立合理的选型框架，而不是被”识别率95%”这类笼统宣传语牵着走。

二、选型的四个核心维度

维度一：字符集覆盖与生僻字处理

选型时应重点确认工具声明的字符集规模，以及其对国家标准字符集的覆盖情况。业界普遍认可的做法是：常用汉字（约六千余字）识别率应达到极高水平，常见繁体与异体字（两万余字规模）识别率应稳定在较高区间，同时对未登录的生僻字提供候选字符查询与人工补录的闭环能力。

这里的关键不是追求”全自动零校对”，而是追求人工干预成本的最小化。一个实用的判断方法是：拿一部包含地方俗字与避讳字的方志或契约文书做小样本测试，统计”需人工逐字修改的比例”。若该比例降到两成以下，配合内置的全字库查询工具，整体效率即可接受。

维度二：复杂版面还原能力

版面分析是古籍OCR中最容易被低估的环节。评估时应关注工具是否具备基于深度学习的版面自动分割能力，具体可从以下现象判断：

• 能否区分正文区域、注释区域、插图与印章区域；
• 能否正确处理竖排与横排混排、上下栏布局；
• 输出文本是否遵循古籍从右到左、从上到下的阅读顺序；
• 双行小注是否被正确归位到对应正文之下，而非打散成独立段落。

一个可操作的测试方法是：选取一页含行间批注的手写稿本，观察输出结果中批注与正文的归属关系。若批注大量混入正文，说明版面引擎的层级建模不足，后续校对将付出成倍代价。

维度三：载体适配与预处理链路

刻本、稿本、拓片的成像质量差异很大。成熟的方案通常包含一条预处理链路：去噪、纠偏、二值化、笔画增强。选型时应确认工具是否针对不同载体提供差异化处理，而不是用同一套参数硬套所有输入。对于扫描分辨率不足或存在装订阴影的图像，预处理质量直接决定最终识别上限。

维度四：学术场景的工程配套

古籍研究不是一次性的识别任务，而是持续的资料生产流程。因此还需评估：

• 输出格式是否支持结构化标注（如区域坐标、置信度），便于后续校对系统对接；
• 是否支持批量任务与断点续跑，适应大型项目的长周期处理；
• 是否提供合规的采购与结算凭证，满足科研经费管理要求；
• 数据存储与传输是否符合机构的数据安全规范。

三、一个可落地的评估流程

建议用”小样本、多载体、带标注”的方式做横向评估，而非依赖厂商演示。具体步骤：

1. 抽样：从目标项目中抽取 3 类载体各 10 页（刻本/稿本/拓片），
   覆盖含批注、双行小注、筒子页等典型版式。
2. 基准：人工转录其中 2 页作为金标准，统计字符级准确率
   与版面归属正确率（正文/注释/插图分类是否正确）。
3. 批量：将其余样本跑完整识别，记录生僻字需人工修改的比例、
   版面错乱需重排的页数占比。
4. 成本核算：以"每页人工校对分钟数"为核心指标，
   综合识别率与版面质量，换算成项目总工时。
5. 合规核验：确认结算凭证、数据留存策略满足机构要求。

这套流程的价值在于把模糊的”好用”转化为可比较的工程指标。识别率再高，如果版面错乱导致每页多花五分钟梳理格式，总体效率依然不划算。

四、从工具到流程：让学者回归研究本身

工具选型的终点不是”找到识别率最高的软件”，而是重构古籍数字化的分工。理想状态下，OCR引擎承担繁重的初转工作，把学者从逐字转录中解放出来，使其专注于校勘、考据与阐释。行业内的普遍实践也印证了这一方向：以AI完成粗转、以人工完成精校，人机协同的分层处理，是当前兼顾质量与成本的主流路径。

在技术实现上，这一分工对应着清晰的能力边界：机器负责字符识别与版面切分，人负责异体字判定、错讹校订与语义补全。因此，选型时应优先考虑那些为人工校对预留接口的方案——能导出带坐标与置信度的结构化结果、能标记低置信区域供优先复核，比单纯追求”一键出全文”更有工程价值。

五、小结

古籍OCR的选型，本质上是三道题的答案：字符集覆盖够不够广、版面还原够不够准、人工校对成本够不够低。三者共同决定了项目的真实效率，而非某一个孤立的识别率数字。建议团队在选型时坚持以自带样本做基准测试，把评估落在”每页校对工时”这一可核算的指标上，同时兼顾数据合规与经费管理要求。工具只是起点，把识别、校对、存储、检索串成一条稳定的流水线，才是古籍数字化真正要解决的问题。