阿拉伯语OCR准确率从62%拉到94%

去年有个数据挺扎眼的：主流开源OCR引擎（光学字符识别）在阿拉伯语上的准确率，平均只有62%。拉丁语系早就过了95%的及格线，阿拉伯语却还在及格线底下扑腾。一位叫Adawati的开发者花了三周，把自家产品的准确率干到了94%——不是靠砸算力，是靠重新理解这门语言的结构。

连笔、变位、小点点：阿拉伯语的三重诅咒

阿拉伯语OCR难，不是难在"识别"，是难在"理解"。

同一个字母，在词首、词中、词尾是三种完全不同的写法。比如"ب"（ba），开头是独立形态，中间要连笔变形，结尾又得换一套笔画。拉丁字母像积木，拆开再拼就行；阿拉伯字母像流体，位置和邻居决定了它长什么样。

更麻烦的是那些小点点。阿拉伯语靠点（نقطة）和符号（تشكيل）区分词义，一个点的位置偏移，"كتب"（kataba，写）能变成"كُتُب"（kutub，书）。学生拍教材时手一抖，这些细节就糊成一片。

Adawati在博客里列了三个真实场景：教室灯光偏黄导致色偏、手机俯拍产生梯形畸变、扫描件自带"椒盐噪声"。这些不是边缘case，是每天发生的常态。

预处理：把脏数据洗干净再喂给AI

他的解法分两步：先让图像"可读"，再让模型"可懂"。

第一步叫二值化（Binarization）。把彩色照片压成高对比度的黑白图，背景噪点直接抹掉。这一步干掉的是"视觉干扰"——教材上的水印、阴影、折痕，在纯黑白色调里失去藏身之处。

第二步是纠偏（Deskewing）。自动检测文本行的倾斜角度，把拍歪的照片掰正。Adawati没透露具体算法，但这类任务通常用霍夫变换（Hough Transform）找直线，再算旋转矩阵。他说"自动校正"，意味着用户不用手动调角度。

第三步去噪（Noise Reduction）。针对扫描PDF常见的"椒盐噪声"——那些随机出现的黑白像素点——用中值滤波或形态学操作清理。处理完的图像，边缘清晰得像是从正上方扫描的原稿。

这三步做完，输入质量从"能用"跳到了"好用"。模型看到的不再是用户随手拍的原始照片，而是标准化的、干净的视觉信号。

模型层：CNN抓形状，LSTM抓顺序

预处理解决的是"看清楚"，模型解决的是"读明白"。

Adawati用的是CNN（卷积神经网络）+ LSTM（长短期记忆网络）的混合架构。CNN负责从图像里抠特征：笔画走向、曲线弧度、点的分布位置。这些视觉特征被压缩成向量，喂给LSTM。

LSTM的关键作用是处理序列依赖。阿拉伯语的连笔特性，意味着字母不是孤立存在的——前一个字母的尾巴，就是后一个字母的开头。LSTM的"记忆"能力，让它能把一串视觉特征理解成连贯的词汇，而不是割裂的符号。

他没说具体用了哪个基座模型，但强调了"针对阿拉伯语脚本微调"（fine-tuned）。这意味着预训练权重来自通用OCR，但最后的几层是在阿拉伯语文本上重新训练的。开源社区有类似的方案，比如Kraken或Tesseract的阿拉伯语扩展，但Adawati的准确率数字（94%）明显高于Tesseract的基线表现。

零留存架构：一个反共识的产品决策

技术之外，有个细节更值得关注。

Adawati在架构层面做了"零留存"（Zero Retention）设计：图片进内存缓冲区处理，文本提取完立即删除，不建数据库，不记日志。用户不用注册，不用交邮箱，打开网页直接用。

这个决策和主流产品逻辑是反着来的。大多数免费工具靠数据换服务——你上传的文档变成训练素材，或者至少变成用户画像的拼图。Adawati的选择是牺牲潜在的模型迭代数据，换取即时信任。

他的目标用户很明确：需要转录课堂笔记的学生、面对不可搜索PDF档案的研究者。这两类人对隐私的敏感度，远高于普通办公场景。一个不用登录的工具，降低了"试试"的心理门槛。

产品目前免费。Adawati没提商业化路径，但在博客结尾留了反馈入口，特别提到"复杂字体"和"手写笔记"——这两个场景恰是OCR的深水区，也是训练数据最难获取的领域。

如果你测过阿拉伯语OCR工具，手写体的识别率现在能到多少？