AudionAudion
ENDERU

Audion Office OCR AI - руководство пользователя

USER_GUIDE_RU.md

Audion Office OCR AI - руководство пользователя

Содержание

Audion Office OCR AI превращает офисные документы, PDF, изображения и сканы в независимый DocumentModel, а затем сразу формирует выбранные офисные, архивные и машинные результаты. Markdown остаётся одним из экспортов для аудита и LLM, но не является центром системы.

Запуск

launcher_gui.cmd

Обычная работа идёт через GUI. Проектные папки:

input\      исходные документы
output\     готовые пользовательские результаты
config\     настройки, промпты, API-ключи
docs\       документация проекта
docs\PDF\   PDF-версии документации
logs\       журналы запусков
report\     служебные отчёты
workspace\  временные рабочие материалы и проверки
cache\      OCR/preprocess cache

Для CLI/FZF используйте launcher_project.cmd или launcher_project_ru.cmd. Они запускают тот же manifest/service-слой, что и GUI: OCR Brick, Workbench resolver и офисные сборщики не имеют отдельной CLI-копии backend. Канонический Workbench использует названия Источник, Добавить файл..., Назначение, Сбросить, Удалить, Список.

<имя>.document — внутренний канонический пакет OCR. Он сохраняет исходник, изображения страниц, OCR-кандидаты, координаты, таблицы, порядок чтения, confidence, результаты сверки и ручные исправления. Полнота означает отсутствие потерь исходных данных, а не обещание абсолютной точности распознавания.

Главное меню

Офисный текст без OCR Для DOCX/XLSX/PPTX/PDF/TXT/CSV/HTML, где текст уже можно извлечь без чтения пикселей.

Локальный OCR Бесплатный OCR на этой машине. Основной рекомендуемый движок - Tesseract. Surya оставлен как медленный optional-режим, когда жалко денег на API и есть время.

Платный API OCR OCR/vision-модели через Yandex, xAI, Mistral OCR 4, Gemini и OpenAI. Движок выбирается одной строкой компактных кнопок; выбранный движок определяет набор параметров ниже. Здесь же доступна управляемая проверка вторым проходом: для Mistral можно выбрать Нет, Tesseract, Yandex или Yandex + Tesseract.

В Локальном OCR и Платном API OCR сразу под движком находится общий блок Готовые файлы. Рабочий дефолт — только DOCX. Две строки прямоугольных checkbox-чипов образуют ровную сетку 4×2:

Форматы выбираются независимо и могут формироваться одновременно. Сетка лежит на отдельном затемнённом фоне; повторная подпись Выходные форматы не показывается. Нижний поясняющий блок сохранён. Полный ZIP-архив поддерживается backend для совместимости, но не показывается в основном OCR-интерфейсе. Каждый отмеченный результат сразу собирается из сохранённого DocumentModel без повторного OCR.

В секции Результат кнопки контракта Текст + боксы и Раскладка делят всю строку на две равные колонки. Контракт определяет полноту данных OCR, а не конечный офисный формат.

В блоке Обслуживание есть подтверждаемая кнопка Очистить DocumentModel. Она удаляет внутренние пакеты *.document, *.document.json и *.verification.json из управляемых output, report и workspace, но сохраняет DOCX, XLSX, Markdown, PDF, изображения, исходные файлы и уже собранные full archive ZIP.

Тест качества OCR Проверка одной страницы перед массовым прогоном. Можно сравнить raw/clean и локальные/API-движки.

Проверка реквизитов Проверяет точные юридические и финансовые строки: номера контрактов, ИКЗ, даты, суммы и похожие поля. Инструмент не переписывает OCR самовольно, а пишет отчёт match/mismatch/uncertain.

Таблицы Три операции раскрыты прямо в одном окне без вложенной навигации: извлечение координатных строк в XLSX, проверка Markdown-таблиц и сборка XLSX. Для линованных сканов основной OCR-backend дополнительно восстанавливает физическую сетку, проверяет число столбцов и сравнивает провайдеров внутри подтверждённых ячеек.

DEV Markdown PDF Сборка dark/light PDF из Markdown через Chromium. По умолчанию выбран docs\PDF. Режим PDF рядом с MD создаёт одну подпапку PDF в каждой папке с Markdown, а Зеркало в Назначение формирует отдельное дерево через текущую папку Workbench.

Инструменты проекта Установка и проверка окружения: Tesseract, Real-ESRGAN, Surya/llama.cpp, модели API, Gemini Batch, smoke-тесты и статус проекта. Здесь же находится экспертная Пересборка старого Markdown в DOCX/PDF/PPTX/XLSX для архивного compatibility-процесса; это не основной OCR-путь. Здесь и в Локальный OCR показывается компактный аппаратный бейдж с рекомендацией по GPU/CPU-пути.

OCR

Локальный OCR

Выбирайте Tesseract, если нужен быстрый бесплатный OCR, координаты слов, проверка реквизитов или searchable-PDF/text-layer workflow.

Выбирайте Surya, если нужен аккуратный локальный разбор сложной страницы и время не критично. Surya optional и может быть тяжёлым по зависимостям.

Платный API OCR

Yandex полезен для русского OCR с координатами и режимами page, table, markdown, handwritten и другими.

Для буквального OCR первым пробуйте xAI 4.20 fast (grok-4.20-non-reasoning-latest). Режим 4.20 quality (grok-4.20-reasoning-latest) медленнее и предназначен для сложных таблиц, фрагментированных и тяжёлых сканов. xAI вызывается обычным non-streaming chat/completions: это исключает зависимость от нестабильного streaming-маршрута. На временных HTTP/сетевых сбоях backend выполняет до четырёх попыток с задержкой, строго проверяет UTF-8 и сохраняет успешные страницы в возобновляемом кэше. Чекбокс Проверка русского OCR по умолчанию выключен; при включении reasoning-модель перепроверяет только подозрительные страницы, а слишком сильные правки отклоняются и исходный вариант остаётся в метаданных.

Mistral OCR 4 сохраняет собственную структуру страницы и табличные attachments. Для тяжёлых русских таблиц включайте второй проход Yandex, Tesseract или их комбинацию: backend сверяет текст внутри подтверждённой геометрии ячеек, а неоднозначные расхождения оставляет для проверки.

Gemini и OpenAI доступны как дополнительные vision OCR варианты и для статистики качества. Для Gemini можно выбрать тариф Standard или Flex: Flex дешевле, но может дольше ждать свободную мощность. Для больших несрочных прогонов используйте Gemini Batch OCR в инструментах проекта: сначала собирается JSONL/manifest, затем job отправляется в Google отдельным переключателем, а готовый результат забирается через Забрать Gemini Batch.

Подробности по режимам Gemini и проверенному dry-run: docs\GEMINI_BATCH_FLEX.md.

Gemini Standard, Flex и Batch

Standard - обычный интерактивный запрос. Это безопасный выбор для одной страницы, проверки качества и ручных экспериментов.

Flex - интерактивный запрос с service_tier=flex. Он дешевле, но может ждать свободную мощность заметно дольше. В GUI это поле Gemini tier; для Flex таймаут увеличен.

Batch - асинхронный режим для больших несрочных прогонов. Gemini Batch OCR по умолчанию только готовит workspace\gemini_batch\...\requests.jsonl и manifest.json; отправка в Google включается отдельным переключателем Отправить в Google. Забрать Gemini Batch проверяет job и скачивает Markdown.

Проверено на input\Вопрос 239.pdf, страницы 6-8, Raw, DPI 300, gemini-3.5-flash, без отправки в Google: создано 3 JSONL-запроса с ключами 239_page_0006, 239_page_0007, 239_page_0008.

Очистка скана

В OCR-окнах секция Препроцессинг содержит одну строку профилей. Повторная подпись Очистка скана скрыта, а нижнее пояснение сохранено:

Ключи API

Ключи хранятся в config\. Добавление и удаление ключей делается из GUI рядом с полем провайдера. Удаление ключа должно подтверждаться предупреждением. Не кладите реальные ключи в публичные архивы.

Перед массовым прогоном

Сначала запускайте Тест качества OCR на одной странице. Для юридических документов дополнительно запускайте Проверка реквизитов. Затем выберите движок, профиль очистки и нужные готовые файлы. После OCR проверяйте DOCX/XLSX и отчёты в report; Markdown нужен только тогда, когда он выбран как отдельный аудит-формат.

Все проекты