根据我ocr然后制作文字版词典的经验来看，目前ocr出问题的地方大多不是文字，而是一些重要性不高的地方。主要出错的地方在以下几个地方：
1.日语词典的furigana，没有任何一个ocr能全部正确，大模型加提示词后仍然出现不该加furigana的地方自行添加和有furigana的地方没有添加的情况，而且不能保证位置正确。
2.粗体，斜体和下划线，和furigana类似，大部分ocr工具识别不全。
3.颜色信息，这种对于新的大模型正确率较高
4.栏目符号，也就是文字用方框或圆圈括起来的标记。
5.序号，包括各种罗马数字，黑白圆圈的，很多时候ocr无法识别。
6.音标和accent等特殊字母，很多大模型识别音标准确率很低
7.部首和生僻字，这种没有什么好办法
现在已经有大量词典有ocr文本，但要完整校对全部内容都需要20-50小时以上的时间，而现状是合作校对成功案例很少。
但是校对实际上90%以上的时间都是花费在furigana或者序号等内容上，还有一些特殊情况比如这本：日本語慣用句辞典 ocr文本
90%的错误出在年份编号这种不重要的内容上，如果不对比校对这些内容那么很多ocr的文本都能快速制作出mdx，那么是不是应该先用不完全校对的数据制作呢？想听听大家的意见
除以上
Gemini: 日文有时会偷添加或减少一两个五十音字，平均两页几乎会有一处。或是该显示不显示（ex: 该是 “言い切れる” 全页都固执地变成 “言いきれる”）
Paddle: 有时拍的照片歪斜处的文本在OCR都一大段不见了，或是 furigana 的字母变成内插到别行，这大概两三页出现一次。最多的是遇到日文汉字变成繁体或简体字，这个约一两页一处。
PS: 两个OCR一起用来校对制作，比单纯用 ABBYY 快多了
PS: 没校对过的OCR我是不用的
是的，我现在基本就是两个对比制作的。paddleocr感觉日文用简体替换情况挺多的，特别容易出问题的比如晚晩这种字形接近的，还有へヘ平假名片假名很容易出错，然后两者都可能出现严重幻觉情况。但有时原文有错会出现gemini给改成对的情况。
还有就是图片，图表公式也很难处理。 角川必携国語辞典这种带笔顺的都识别成普通字符了，要处理特别麻烦，要用传统ocr逐字定位然后切分整合。
可以看到 Paddle 碰到 furigana 后，后面的例句有些都OCR错了
可能词典用得越多，就越用不上furigana吧。
而且现在已经有例解国語、明鏡国語这些自带furigana的国語辞典，至少对furigana的需求没那么大了吧。
有些词典只对较少的词汇标注furigana，排版上面可能也不太协调。
总结：可以接受没有furigana
图片词典主要是大，手机上很难用，日语的竖排版词典更是不方便，不知道为什么竖排版那么多
神农X
11
部分横排的做做图片词典感觉无所谓，比如日本语新辞典，现在都是大手机一两个图片词典空间占用算不得什么
还好，“日本語語感の辞典” 词条一万，只占 842MB
用手机看是觉得还行
token够的话直接让AI逐个词条进行校对，效果非常好。
ai只能校对错字之类的问题吧，除非重新ocr，否则ai也不知道原书是哪里加的furigana，人工校对也容易看漏，我做复合动词那本的序号下划线什么的有逻辑的让ai写脚本查的
agent基本都有OCR能力的，你把pdf和文本发给它，让它逐条核对就行。其实就相当于让agent自己重新OCR一遍了，很费token，不过准确率很高。
