测试了几个 OCR

今天下载了一个 DVD 视频，字幕格式为 dvd_subtitle ，字幕锯齿感严重，因此想利用 OCR 把字幕识别成文字。
于是我在 github 找到了这么一个项目： https://github.com/vincrichard/VobSub-ML-OCR ，运行之后，发现自带的 easyocr 效果不太好，所以就又找了几个 ocr 的项目测试。
这是原图：

这是使用飞桨 PP-OCRv4 的效果（测试地址： https://aistudio.baidu.com/community/app/91660/webUI ）：
高效率模型方案

高精度模型方案

这是使用微信提取出来的 OCR 测试的效果（来源于 https://ex.noerr.eu.org/t/1120897 ）：
"ocr_response": [
{
"bottom": 391.0640563964844,
"left": 199.8789825439453,
"rate": 0.9488778710365295,
"right": 513.5093383789062,
"text": "那麽我无论如何",
"top": 349.4739685058594
},
{
"bottom": 429.15313720703125,
"left": 220.19375610351562,
"rate": 0.9376645088195801,
"right": 492.0656433105469,
"text": "都要噌试一下",
"top": 392.0796813964844
}
]

这是使用阿里云百炼（地址： https://help.aliyun.com/zh/model-studio/models#55c81ba3ccgct ）通义千问 OCR qwen-vl-ocr-latest 识别的结果：

PRStarDust

262 天前

试了一下 RapidOCR-API ，直接跳过了繁体哈哈哈
```json
{
"0": {
"dt_boxes": [
[
206,
354
],
[
513,
355
],
[
513,
392
],
[
206,
390
]
],
"rec_txt": "那我无论如何",
"score": "0.9971"
},
"1": {
"dt_boxes": [
[
228,
394
],
[
490,
394
],
[
490,
430
],
[
228,
430
]
],
"rec_txt": "都要试一下",
"score": "0.9877"
}
}
```

rqYzyAced2NbD8fw

262 天前

要不是现在的 vision llm 无法返回每个字的坐标，传统 OCR 估计直接被淘汰了
因为就算是人眼，识别文字也要靠上下文。比方说有些人可能会把蘿蔔看成葡萄。但是如果我说，“我要用蘿蔔插你屁眼囉”，那这两个字是什么一眼就明白了

这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://ex.noerr.eu.org/t/1122600

V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.