人们真正拿 OCR 来做的事，都在这里

最日常的一种。别人发来一份扫描件或锁死的 PDF，而你现在得改它、填它、翻译它，或者把其中一半拿去复用。你要的不是文字——你要的是同一份文档，只不过能编辑。

• 分栏、表格、缩进和图片都留在原来的位置
• 没有一打字就散架的浮动文本框
• 字体与间距原样保留，不做替换
• 手机拍的书页照片也能处理，不限于干净的扫描件

波斯语转换需求里有很大一部分根本不是扫描件，而是老一代排版工具生成的电子 PDF——文字一复制出来就断成一个个毫无意义的字母。有人为了拿回能读的文字，宁可把一页清清楚楚的书页重新拍成照片。

• 我们按印出来的样子识读整页，而不是轻信已经损坏的文字层
• 半空格靠实测还原，不靠猜
• 波斯语数字与标点分毫不差地保留
• 比一页页翻拍又快又省钱

把积攒多年的历年真题变成可编辑、可重排的题目：公式、几何图形、选项排布、答案与评分标准一并保留，随时能重新组卷，也能按知识点打标签。

• 公式变成真正可编辑的 Word 原生公式
• 图形重绘为矢量对象，老师可以直接改
• 题号与印刷版完全一致
• 可选按题输出 JSON，直接入题库

理工科讲义是最贵的重打对象：打字员每一条公式、每一张表格都要另外收费。人工成本几乎全堆在这里。

• 每条公式出厂前都先编译验证一遍
• 表格重建成真表格，不是图片
• 波斯语与英语混排，一遍处理到位
• 保留分页，按页码指路照样对得上

财务报表、成绩单、价目表、化验结果、普查表——表格就是全部重点，而通用 OCR 恰恰就把它压成一片。

• 合并单元格与跨页表格照样还原
• 数字沿用原样——波斯数字、东阿拉伯数字或拉丁数字
• 列对齐被当作判断依据，而不是装饰
• 逐格给出置信度，一眼看出该核对哪里

官方译件必须与原页一一对应：一样的印章、一样的成绩表、一样的签署栏。眼下译员得先手工把版面重搭一遍，才能动笔翻译。

• 外观完全复刻，文字可直接改写，就地翻译即可
• 密密麻麻的成绩表连波斯数字一起精确重现
• 印章与徽标以干净抠图放回原位
• 逐页对应，便于认证盖章

在这些领域，页码不是装饰，而是成立与否的前提：引用一律标注卷次与页码。一份丢了分页的文本，对需要引用它的研究者来说等于没有。

• 卷、页、行作为可引用的坐标完整保留
• 变音符原样重现——不擅自增补，也不悄悄丢弃
• 阿拉伯语与波斯语字形绝不被暗中转换
• 眉批旁注以关联批注形式保留，不并入正文

手写材料的转录成本是印刷品的十到二十倍，而针对波斯语、阿拉伯语写本字迹，市面上根本没有一款像样的商业工具。这是整个市场上最大的一处空白。

• 两遍独立识读，每一处分歧都摆到明面上
• 拿不准的区域标出来交给人判断，绝不凭空编造
• 逐行坐标可回溯到原始图像
• 提供两个传本时，可直接输出校勘记

把同一文本的两份扫描件交给我们，差异会以校勘记的形式回来。现有对校工具都是为拉丁字母设计的，处理阿拉伯字母的切分一塌糊涂。

• 精确到词的差异，并标注版本符号
• 专为阿拉伯字母设计的切分与规范化
• 输出是可编辑的校勘记，而不是一堆 diff
• 每一处异文都能链回两份原图

一本绝版书只剩下纸质本或一份平面扫描件。要再版，就得把页面设计以可编辑的形式拿回来——而这恰恰是排版外包商每页收好几美元在做的事。

• 版面设计留给印刷，文档结构留给电子书
• 插图重绘为矢量，印出来依旧锐利
• 逐页还原度评分，一眼知道该盯哪几页
• 每页成本远低于外包排版

这是唯一一件逐页还原反而是错误答案的活。视障读者需要的是干净、可重排、语言标记正确的文本——而在波斯语里，一个半空格放错位置，屏幕阅读器就会把这个词念错。

• 可重排结构，配有真标题与正确的阅读顺序
• 数学以 MathML 输出，而不是一张配了替代文字的图片
• 波斯语间距按发音校正，而不是按好不好看
• 有硬期限：欧盟的相关法规已经生效

检索系统已经成为版面忠实识读的最大新买家：一个说不清答案出自哪一页的问答机器人，在受监管的场景里根本没法用。

• 干净的 Markdown，带真实的文档树
• 每个内容块都带边界框与页面锚点
• 表格以 HTML 输出，切块之后依然完整
• 引用可精确回溯到页面上的具体区域

越来越多法院要求电子递交的文件带有真正可检索的文字层；证据开示阶段漏掉一个词，就等于漏掉一份文件。另外，把对方发来的扫描版合同转成 Word 好逐条批注，本身就是每天都要干的活。

• 可检索 PDF，隐藏文字层准确对位
• 底下的原始扫描件分毫未动
• 扫描合同转成干净、可留痕批注的 Word
• 文字锚定到页面，能指着某一行说话

满屋子纸质材料的机构，要的是能检索、能调阅、能留痕，而不是把它们变成别的东西。

• 整架整架地批量处理，中断可续
• 可检索 PDF，外加图书馆标准的 ALTO 与 METS
• 文档不能出楼时，可完整部署在你自己的网络里
• 逐页核验报告，直接归入审计卷宗

双栏版式、脚注、页眉和跨页结果表，正是普通文字提取悄悄崩掉的地方——也正是研究者至今还在手工抄数字的地方。

• 跨栏与脚注的阅读顺序都不会乱
• 结果表以表格形式取出，拿来就能分析
• 公式可输出为 LaTeX，也可输出为可编辑的 Word 公式
• 参考文献列表完整保留，且可解析

密集的多栏版面，一篇报道绕着另外三篇转。只有做到按篇分区，档案才算能检索，而不只是被扫了一遍。

• 分区精确到单篇报道，而不只是整页文字
• 标题、署名与图注逐一标注
• 输出图书馆标准的 ALTO 与 METS
• 可批量导出文本，供研究用 API 调用

文印公司不只是竞争对手——他们也是渠道。客户和交期他们都有，缺的是一样不用人盯着就能搞定表格和公式的东西。

• 整单任务可走 API 或批量上传
• 你积累的每一次修正，都会变成你专属的规则
• 白标输出，不带任何品牌标识
• 量大有价，按月结算

机构里天天有人要把去年的招标文件、表格或作业规程改回可编辑状态——方框、分隔线和编号还得和原来一模一样。

• 方框、分隔线与底纹字段照原样重现
• 编号体系与印刷版完全一致
• 可选转换为能直接填写的表单字段
• 整个部门共用一套统一的版式规范

户籍登记、捐赠地契、旧书信、家藏文书——大多是手写的，往往还是孤本，也正是有人终于把阁楼那箱东西扫描一遍的理由。

• 手写体照样处理，拿不准的地方明确标出
• 每一段转录旁边都留着原始图像
• 整批藏品都可全文检索
• 页面辨认不清的地方，绝不凭空编造

三百页的书上传一次，逐页处理，哪些页已经完成、哪些页需要再看一眼，实时一目了然。

• 支持断点续传——网断了，整本书不用从头再来
• 逐页还原度评分，外加一份待复核页面清单
• 需要人工过目的页面可直接指派给审校
• 整单任务出具一份一致性证明