八字还能没一撇呢，文本上的讹误还很多，想用mdx词典，#35 楼就有现成的。
你是想所有时态的变位都做吗，那可不容易，名词加个复数阴性什么的还可以。
enchaîner [ɑ̃ʃene] v. t. ❶ Attacher avec une chaîne, une corde ou un lien 拴,缚,锁住: Enchaîner un prisonnier (syn. lier). 拴住一个囚犯 / Enchaîner un chien (syn. attacher). 拴住一条狗 ❷ Immobiliser, priver de sa liberté de mouvement 〈转〉使不能动,束缚: La maladie l’enchaîne à son lit. 疾病把他缠在床上。❸ Lier par un rapport de cause à effet, de succession 使连接,使连贯,使联系: Enchaîner des idées (syn. relier). 使思想连贯 / Enchaîner les phrases l’une à l’autre (syn. articuler). 使句子衔接起来 ❹ Enchaîner sur, continuer sans interruption, après avoir fait qqch (后跟介词sur)紧接着,接下去: Après le journal télévisé, on enchaîne sur le film. 电视新闻之后,紧接着放电影。◆ s’enchaîner v. pr. Se suivre logiquement, être lié 连接,连贯: Les faits s’enchaînent. 事件是相互关联的。
上面就是一条gemini模型幻觉出来的数据，在P675和P676接界处，挺有趣。如果不是因为这本书多语种、格式复杂，用纯粹的OCR工具比如合合、夸克等会更可靠一些，起码不会一大片幻觉输出。
你的这些说法怎么讲呢，不谦虚地说，叫代大匠斫。我OCR过几千万字了，很多都放在网上，比如本站和github，什么叫错误率高，什么可接受，外文的连字符等问题，不知道想过遇到过多少次了，真轮不到你来指手画脚。
你看来连基本的ai常识都不大懂，大模型的输出全部有一定的随机性，它是概率确定下一个token的，平白无故跳出来的错误，如果用得多，总会遇见的，用它ocr也不例外。
1 个赞
没有一个工具是100%正确的，这就是需要多份文本对比和人工校对的原因。
至于可靠到什么程度，那是随心所欲了，我有自己心目中的核心文本，以及不大重要的的外围文本，看重的，就多花功夫，多用工具核对，不在意的，看得过眼随便搞搞就行了。这些主要都是自用的，顺便网上共享，爱心发电，别人又没给我付钱，爱用不用，吃免费餐的通常还没有资格来点菜，不满意的话自己动手，丰衣足食。
2 个赞
不客气地说，你已干的这些都是无用功，因为软件/机器干得更好、更快、更全，批量是几十几百几千几万，效率更高。我有一个倒是真需要人肉挑错的文本， 《中国古代史教程》 朱绍侯、龚留柱 主编 （TXT、双层PDF版） ，机器干的部分结束了，需要读通，可惜没人愿意做这个工作。
有三份不同来源的文本行做对比就可以了，来源越多越准确，都不一致的情况下再人工校对。
我觉得 mixivivo说的没错，括号不匹配问题我随便写了个程序就查出来1594处，然后再根据特点批量替换就行，人工校对应该是这些都处理完最后再来做。
我初步拟定一个设想的校订规划吧，这里面需要先后步骤，次序错了有的工作也许就等于白做。
1）对比图像（也可以双文本对校）核定每页起始文字是否正确，是否有文本丢失问题，大致确定是否页面出现了模型幻觉。这一条保证词头、释义文本的完整性，无遗漏，无错位。目前我检查了800多页。
2）批量修改括号错误、不匹配等问题。
3）校订❶❷❸❹❺◆◇→这些特殊符号。
4）通过对比网上扒来的拉鲁斯数据校正音标。
5）全面双文本、三文本互校。
6）人工检查扫尾。
7）格式化数据，加html标签，为制作mdx词典做准备。
8）其他未尽事宜。
你看看有没有什么需要改进或者补充的地方？
这个流程和我想的差不多，我已经改了一部分括号匹配问题，下面主要工作是找图片坐标，但我感觉最好统一一下pdf版本，我这里下的版本是没有前面的说明的，第三页就是正文。
这是个不错的思路：
用另外一个有OCR功能的大模型再从头到尾OCR一遍，然后用程序逐字节比较两个OCR结果，高亮出不同部分、以便校对。
不同LLM针对不同语种的OCR能力有差别。OCR中文古籍这一块，我觉得豆包不错。
一个比较大的更新，把下面页面都替换成了重新识别的文本：P 1029,1100,1111,1117,1148,1155,1168,1175,1207,1217,1231,1251,1355,1364; P 1551-1575(1552,1562,1567,1568,1570,1574); P 1621,1647,1677,1873,1907,1958 。
不知道具体原因为何，发现1000页以后模型的幻觉更多，由于是不同批次、时间识别的，可能是因为换了api key，也可能是因为拥堵、模型超载，结果调用到了劣质的模型。总之感到在图像底本不佳的情况下OCR数百万字的复杂文本问题比较多，不是想象的那么顺畅，我以前用Gemini 2.5 Pro从没碰到过比例这么高的幻觉错误。
但是OCR这本拉鲁斯法汉双解词典，还是得依赖Gemini模型为主力，它识别外文更准确，中文也不错，图像看不清，以其“智力”也能猜对；如果法文部分错误也很多（比如夸克ocr的结果），后续会更难处理。
有人有自行高清扫描版本的，3个G的版本，我不慎找不到了。用那个版本ocr是不是会好些
1 个赞
楼主用的哪个底本？我有 1.3G 的单栏版。不知道是不是同一来源，你看看行不行，要行我就发上来。
m-larousse-0049.png.zip (1.0 MB)
什么年代的版本，我看了网上基本都是初版，后来12年和24年都出了新版，不知道改了什么。
谢谢了，这个清晰度也不行，而且实际上是商务印书馆出的另一个版本，法文底本不同。
有高清图像自然是最佳之选，我在ocr前到处搜索过，没找到比我手头上更清晰的版本。我用的pdf是从早年下载的300 dpi PDG转化来的，不是自anna’s这些网站下载，所以跟 @wynick27 找到的底本不同，有完整的前言凡例等内容。