Audion Office OCR AI

English · Руководство · История

Содержание

• Зачем это сделано
• Что в пакете
• Что собирается из пакета
• Принципы
• Дальше
• Техническая часть
• Источник и назначение
• Второй проход
• Полный архив

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:

копироватьисточники → 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.

копировать$name = "Audion_Office_OCR_AI_v2.0.0_Full.zip"
Invoke-WebRequest "https://audion.dev/get/office-ocr-ai/2.0.0/Audion_Office_OCR_AI_v2.0.0_Full.zip" -OutFile $name
Invoke-WebRequest "https://audion.dev/get/office-ocr-ai/2.0.0/Audion_Office_OCR_AI_v2.0.0_Full.zip.sha256" -OutFile "$name.sha256"

$want = (Get-Content "$name.sha256").Split(" ")[0]
$have = (Get-FileHash $name -Algorithm SHA256).Hash.ToLower()
if ($want -ne $have) { throw "сумма не сошлась: загрузка повреждена" }

Expand-Archive $name -DestinationPath ".\office-ocr-ai"