abstract

• 本文介绍免费图片文本识别(OCR)工具,包括普通文字识别,公式识别,甚至是手写公式和文字
• 重点在于免费和好用,不失选择的多样性
• 虽然公式识别的难度远大于普通文字的识别难度,但是随着技术的发展,公式识别也会像文本识别那样易用,免费
• 其他重要的AI应用(这里不展开)
  • 还有表格识别,尤其是复杂表格的识别
  • 逼真(接近真人播音员朗读效果)的文本朗读语言生成
• 本文内容可能会随着时间的逝去而过时,某些东西将来可能不那么好用,也可能变得好用,也可能出现更好的工具

普通文字识别

• 这类软件或平台十分的多,早已普及,比如qq/微信都有文本识别的功能
  • 有人把微信里的ocr功能作为后台设计了一个本地OCR,并且接入语音朗读
• 那么主要比较的是识别速度和精度,以及易用程度,比如能否离线识别,连续识别的体验,跨平台如何,费用等方面
• 当然能够识别公式的平台通常也能识别普通文本(但是个别模型为了提高公式识别精度,仅设计为用来识别公式)

本地软件识别公式

• Umi-OCR: Umi-OCR (gitee.com)
  • 是一款免费、开源、可批量的离线 OCR 软件，基于 PaddleOCR，适用于 Windows10/11 平台
  • 该链接同步github链接,源链接访问比较慢:hiroi-sora/Umi-OCR: OCR software, free and offline. (github.com)
  • 软件主体和软件的插件可以用镜像加速下载

扩展插件下载

• hiroi-sora/Umi-OCR_plugins: Umi-OCR 插件库 (github.com)

• 该软件是多功能OCR软件,可以用于普通图片中文本识别,也可以识别二维码,甚至数学公式

  • 识别数学公式需要下载插件中的体积较大的模型
  • hiroi-sora/Umi-OCR_plugins: Umi-OCR 插件库 (github.com)
  • 插件名为win7开头,表示:平台兼容win7 以上(win10,11都可以用)，64 位

• 请仔细阅读仓库介绍和使用说明

小结

• 软件有多个模型供下载使用,识别公式的速度不是很快,模型推理时对于磁盘有一定的读写量
• 在有需要说别的时候,我个人会优先使用在线工具识别

在线识别

网站/API👺

• Document & Formula OCR Service (simpletex.cn)👺
  • 目前免费,支持手写符号识别,图片公式识别,文档公式识别
  • 并且有灵活的使用方式,包括api方式看起来很不错
  • 在线公式编辑器Document Editor (simpletex.net)
• Doc2X
  • 精度也是不错的,有一定量的免费额度,次数蛮多的
  • 可以识别公式,也可以识别表格,包含公式的表格也不在话下,能够导出到word文件等
• Pix2Text (P2T) - Free Mathpix Alternative (breezedeus.com)
  • 模型在成长期
  • 有免费额度,有开源版的模型

Quicker整合(推荐)

• 如果经常使用,推荐用Quicker整合,实现截屏识别

• 公式识别3 动作信息 - Quicker (getquicker.net)👺

  • 使用Quicker软件(需要常驻后台)及其动作插件动作实现截图识别公式,查看该链接教程进行配置
  • 可以选择多种api,教程中给出了推荐,目前用simpletex提供的api来识别很不错
  • 经常使用的话十分推荐此方案,如果只是偶尔用用,那么用在线网站就够了

• Doc2X - by 蓝莓派 - 动作信息 - Quicker (getquicker.net)

可视化编辑和识别公式

• 在线LaTeX公式编辑器-编辑器 (latexlive.com)
  • 需要登录,每个账户每天有少量免费次数(可能会调整)
  • 这类普通账户有免费次数的机制有的人会注册几个账号,甚至叫亲朋好友帮忙注册,不太优雅,用得多的话可以用其他免费的代替品

其他

• 著名的收费公式识别(具有少量的免费额度
  • Mathpix OCR User Guide: Examples of Rendered Math and Text
• 图片转LaTeX公式在线 - LaTeX公式识别 - 照片转换成LaTeX公式 - 白描网页版 (baimiaoapp.com)

多模态大模型识别图片中的公式

• 做以下测试具有时效性,测试时都是免费功能,后续可能会有优化,也可能不再免费

  模型	示例	评价(仅先测试时的版本)
  通义千问		效果尚可,需要等一会,复杂公式需要久一些 点击通义回复的右下角复制按钮获得latex代码;但是默认缺乏排班,需要告诉模型追加源代码输出,而不仅仅是渲染后的公式
  文心一言		免费模型(3.5)测的,一般般,复杂公式识别不全,期待优化

• 大模型很多,这里就举出两个例子,其他的模型比如智谱清言也可以识别,但是同样的例子出现了错误,将来可能会改进

排版

• 注意到通义模型可以较好的识别公式,个别细节可能需要微调

• 我们也可以继续和模型交谈,让他输出源代码,或者排版,甚至给出改进建议,例如我要求输出公式源代码而非展示markdown渲染结果

开源模型

• Pix2Text/README_cn.md at main · breezedeus/Pix2Text (github.com)
• 当然还有其他的,一般能用在线免费的,就不需要本地部署了