这本书是目前唯一一本意汉双解词典，不过原版是双色印刷，黑白扫描的pdf很难区分词条，而且有缺页，缺少792，793页，1414，1415页。1738-1741页。现在用gemini和quark识别了文本版，缺页问题暂时没办法处理，如果有人能提供缺失的页面我会补上这几页。
Dizionario moderno Italiano_quark.docx (11.6 MB)
Gemini识别文本（缺页已补11.26更新）：
Dizionario moderno Italiano_gemini.txt (14.0 MB)
这些词典现在识别容易，但后处理麻烦，需要相关专业的若干人员认真对比校核一遍文本，把明显的错误改了。但好像网络总的风气是等喂饭到嘴里的伸手党多，而真正愿动手干活的人寥寥无几。
我现在识别后已经运行了缺页检查，其实可以进一步和夸克文本逐页对比，然后相似度低于某个值报错，这样可以自动化发现大部分幻觉错误。然后还需要一个粗校工具来对比页面和可视化提取词头，可以对pdf运行切图然后和图片直接对比词条数，两边都能调整比较好，我之前让ai实现了一部分功能，但实际要用的话要改不少细节。
如今对比查错不难，很多工具可以用，但错误检出需要人来具体判定和修正，机器还干不了这个活。如果是专业学习意大利语或者在意大利读书的，《现代意大利语词典》这种算是要依赖一辈子的工具，花一两个月时间把它校对一遍其实是很划算的事情。
这本词典规模还挺大的，一两个月能校对完一遍吗？
此类大规模的词典都是不同OCR引擎来源的文本对校。Gemini OCR的质量是相当高的，只有少量错误，对比 quark 识别的结果、参照图像把这些差异处发现的错误改了就行了，并不需要一一对比原始图像校对。根据我校对《拉鲁斯法汉词典》的经验，一两个月时间足够了，拉鲁斯的底本图像质量还更差，讹误更多。
多文本对比校对可以把错误率降到相当低，日常使用足够了。直接对比图像校对的方法不见得更优，人眼检视会疲劳、失误等，但机器对比文本真是字符级的，一个差异不漏。
像这里的第一页，我大概对比了Gemini和quark的识别结果，Gemini实际只错了一个地方，abat-jour [/aba’zur/] ↔ [/aba’ʒur/]，其他都是格式差异，比如用/还是//，都属于可以批量修正的问题。
希望手头能拿到纸质书的有人能帮楼主补上缺页
感谢坛友 weshor 帮忙拍照。 我用夸克处理了一下，其中有一页左侧变形很严重没想到gemini识别效果居然还不错。
夸克处理结果：
实际这部分识别只有大小写错了，词条本身没错误：
Dizionario moderno Italiano_补.txt (35.9 KB)
《现代意大利语词典》 OCR.mdx (6.0 MB)
现在粗体是markdown表示的，运行正则表达式把
\*\*(.+?)\*\*
替换为
<b>\1</b>
的话就会好很多。
请教下大佬调用api的参数是怎么设置的，我batch_size=15就非常慢了，而且经常出错。
设置的timeout是3分钟。用的是gemini 2.5 pro跟gemini 3.0 pro preview。
我是调用的流式输出，就是google官方api的client.models.generate_content_stream(),实际识别25页文本一般要7-10分钟。
之前上传的文本少了最后一部分1701-1720页，现在已经补上了。
多谢，我会试试看效果
有完整的代码吗?开源吗?ocr的工具.
就是调用google的api，工具本身也是让ai写的，之前发过最初的版本，后来就是把generate_content改成stream_generate_content防止超时。
但是api key有额度限制，要自己申请，每本书要根据内容量做预处理，先找出要ocr的部分然后要切分成不同长度，这个每本书都不一样，还有就是提示词也是每本书也是不一样的，不是通用的。
我有一本意意的质量很棒 不知道有没有兴趣ocr
和这本是不是一样的，要是一样的话这本有电子版，可以直接用电子版制作，不用ocr。
啊。对 ，正是这本。你这么一说，我对这电子版有印象了。