[image] 同样是用Gemini和夸克OCR了一遍。然后做了简单修正，比如注音符号的0会固定错误识别为回，这个词典仍然有小的注音符号识别问题，其他的问题不大。这个词典的原版是《新明解国語辞典第五版》，是比较老的版本，估计和现在第八版差别比较大，我还准备OCR一下第五版原版，看看能不能整合。不过竖排文本夸克识别的完全没法用，算法不行，经常把这个当横排先旋转再识别，然后识别出来全是乱码，gemini识别竖排文字效果也很好。新明解日汉词典_gemini.txt (9.9 MB) 新明解日汉词典.docx (9.8 MB) 新明解日汉词典_quark.txt (9.9 MB)

视频是标准的，我只是好像没看到java库和c库文档说能提取视频。而且真的没什么人在乎视频。搜来搜去没看到，也就ebstudio有文档。

本来想直接匹配词头修正的，结果发现epwing版本中没有汉字是否出现在常用字表和是否和常用字表的读音不同的信息，可能要手动补。 [image] [image] [image] [image] [image] [image] [image] [image]

辛苦了，可以先匹配词头？中文版的词头去掉三角、菱形符号就好匹配了。

是的，因为假名小字错误情况太严重了，我准备先保证序号正确，然后直接转为json替换这部分内容，然后在json上对比。我用ai写了个json对比工具，不过目前功能很简陋，还需要大改。

准备开始制作这本了，先解决下日文版的外字问题，有一些没有对应字符这个是竖排重复符号，unicode有完整和一半两种，但是因为epwing是横排版也转了90°，所以和unicode不能对应，相关代码〱〳〵 [image] 不同角度的斜体感叹号，只能暂时用！代替 [image] [image] 根号的数字，暂时用组合符号替换 [image] 没有unicode代码： [image] 不知道什么符号： [image] 异体字有的没有编码： [image] 奇怪符号 [image] 引号有的上下的没有对应的 [image] 没有对应的字符： [image] 合体假名没有对应的： [image] 不等号方向反的： [image] 变体假名，大部分系统无法显示： [image] 这个应该是mythos，按希腊写法也不对，这个v不知道哪来的： [image] 外字替换表 gaiji_to_unicode.json.txt (6.0 KB)

感谢，非常期待。新明解日汉是平时使用率最高的辞典。而且其日文原版也有比较靠谱的源文件。

用ai写脚本转换数据为json，可能还有有问题的地方，但大体正确了：新明解国語辞典.zip (7.3 MB) { "id": 21, "type": "word", "headword": "アート[1]", "reading": "アート", "pitch_accent": "[1]", "body": [ { "type": "sense", "body": [ { "type": "text", "text": "美術。芸術。" }, { "type": "examples", "examples": [ "―デザイナー[5]・モダン―" ] } ] } ], "word_origin": "〔art〕" },

用ai写脚本加手动修复实现了中文版和日文版对齐：日文版多的词条（共17条，有的是中文主动和谐，其他的应该是不同印次的编辑）：うたいあげる【歌い上げる】ウタヒアゲル[5]:[5]` げんりしゅぎ【原理主義】[4] しじんそうおう【四神相応】サウオウ[1][0] しな【支那】[1] しんぱく【心搏】[0] シンビジウム[4] じんみんこうしゃ【人民公社】[5] せかいぼうえききかん【世界貿易機関】セカイボウエキキクワン[1]‐[5] せっか【赤化】セキクワ[0] せっか【赤禍】セキクワ[0] はらをたてる【腹を立てる】どぼくけんちく【土木建築】[4] ない［内］はかば【墓場】[3] ひだりとう【左党】ヒダリタウ[0] まわれみぎ【回れ右】マハレミギトルキスタン[3] 中文版多的词条（共16条）：えんねつ地獄かため技年を食っているこくない総生産しおん【歯音】しそ【始祖】そうさ機関染まぬたいか無く過ごすところてんはちもんじを踏むホルン〔horn〕めでたくなるれんぶん【連文】セルビア〔Serbia〕此外中文版存在词头错误应为メンバー [image] 另外附录是有内这个字的，这个字漏掉感觉是编辑失误： [image] [image] 当前版本自动用日语版修正的文本：新明解日汉词典_gemini.txt (10.7 MB) 继续进行假名注音修正和正文修正后应该就可以开始校对了 [image]

期待。真棒。这本日汉词典终于有电子版了。

开始大标号对齐，才发现是个大坑，之前以为epwing版是准确的，实际居然有很多问题，有一些大的义项标号缺失，现在有1700多处大标号无法对齐，有很多要手动修复。小的义项标号也有3300条有问题，自动补了一部分，但有600多条无法自动补齐。可能需要先校对一遍，然后再对齐修复 [image] [image] [image] [image] [image]

《新明解日汉词典》 OCR文本

日语

wynick27 2026 年7 月 18 日 06:02 74

已经做完了啊：