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://www.fshex.com/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：

现在 OCR 我都丢给 Gemini ，我儿子小学 5 年级，字很差的 400 字作文 OCR 就错了 3 个字

@pxiphx891 #8 bob ，调用自带的 ocr 接口

一直在用 abbyy

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

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" } } ```

https://i.imgur.com/dp0RyRh.png Google AI Studio 中的 Gemini pro 2.5 识别结果

@ha1o VobSub-ML-OCR 这个项目是可以生成 srt 的，可以了解一下

@SakuraYuki 这是什么软件？

https://i.imgur.com/qswlDCI.png 苹果自带的这个好像还行