工作清單

PP-OCRv6正式发布！Tiny仅1.5M、本地浏览器单图97ms，我实测用MCP把OCR能力接入AI工作流，开发者的文字识别引擎又进化了

逐字稿文字預覽

各位朋友大家好,欢迎大家关注昆蓬Talk。那百度又推出了新的OCR的模型叫PadPad OCR V6。那很多人说它前段时间不是出了一个PadPad OCR VL1.6吗?确实。我刚看了这个的时候,我以为我看错眼了。我特地去翻了一下我5月28号的视频,就是介绍这个VL1.6的模型。它确实推出了一个OCR V6的一个版本。那这个模型跟它俩的一个区别是啥呢?那目前呢,这个PP OCR呢,它不是基于VRM的一个模型,
这个模式。那这个VL呢,它是基于VRM,就是大语言模型的这个模式。那它这个OCR呢,是基于原来的OCR5上面升级上来的。那这个呢,是基于它的一个升级的版本。它还是基于它传统的那个架构。所以呢,它更轻量。你比如说那个,这个是0.9b的一个参数。那我们看一下这个,它这个V6,它有多个版本哈。然后呢,它的最小的版本,它都是几兆的一个参数,非常非常小。而且,你看350万的,150万的,150万的。
这个是350万的一个参数,非常小。就是,基本上可以在CPU上来去运行。当然了,它虽然小,但是它的性能不输那些大模型。比如说,我们来看一下它的一个能力哈。这个是,它在这个平均分数上,它的84分。你看那个,GPT5.5才45分。
它是,它是在手机上可以运行的一个版本。那我们来看一下哈。它其实官方,它提供了好几个,呃,呃,模型哈。比如说,ONIX,就是这种版本的,就可以在手机上无缝去运行。那我们来看一下哈。这个是它官网的一个介绍。
那我们来看一下哈。这个是它官网的一个介绍。我刚开始看了的时候,我以为我看错了,确实没看错哈。这是它的一个模型的一个能力。整个的一个能力呢,不管是,那个,呃,呃,Tiny的一个模型,还是它的这个Midia这个模型的整个的一个能力都是非常非常强的。呃,百度的OCR呢,我之前说过,确实是他们最牛逼的一个产品哈。就是在AI里。
啊,无人能力啊,这个确实是。那它目前呢,也在那个HunkFace上开源了。然后呢,在它的官网上,我们可以也可以看到它。然后这里面,呃,前段时间又就有人问我说,哎,这个MCP在Codex里面怎么用。嗯,我的Codex,我就给大家介绍一下哈。因为我这个Codex不知道那个我都恢复没哈。我来看一下。其实安装就到AI时代了,你不管怎么说,你把它发给它就行了。呃,帮我安装这个MCP。
确实有人问如何在Codex里面去安装哈。其实就把这部分的信息复制过来就行了。然后这里面OXS token也在这里面。大家不能看哈,这个一会我就删掉了。我现在就去删掉。等会吧,等我把这个视频录完。然后点这儿获取令牌就行了。然后它在这里面可以获取到它的令牌,你可以把它删掉。直接刷信一下,它就变了。那我们先不管它了。呃,让它看一下,我们看一下额度恢复,恢复没恢复哈。啊,恢复了。好的,我们稍等一下。嗯。那我趁
它在之前的过程当中,我也跟大家说一下,在设置里面。在设置里面,MCP服务器里面也可以在这儿来手动,啊,手动设置。比如说启动命令啊。然后这个,呃,参数啊,和它的环境变量。那,但是呢,呃,我们一般不手动设置哈。有了AI之后,其实它也花不了几个token。所以我们一般正常情况,肯定是用AI来生成的。
也让它加进来了,就是在这儿。我们可以看到。那,那,它说重启之后才可以使用。那我们把它关了,重新启一下。OK,我们随便传一张照片哈。看一下桌面上有没有照片。嗯,桌面上有没有。找一个要提取照片的。嗯,我找一个,就我用AI生成的吧。帮我提取。
帮我调用PP-OCRV6。帮我调用PP-OCRV6这个MCP。然后提取图片的内容。变得文字内容吧。然后PP-OCRV6,对。看它提起的效果。我们再继续稍等一下。啊,我们可以看一下。
它已经把完整的内容已经提取出来了。那,其实这个呢,不重要哈。就是,主要是给大家介绍一下,这个MCP是怎么去安装的。其实,不管是Codex,Codeout,Code,还是小东西,其实都一样。呃,我觉得这个最基本的哈,就是人把东西发给他。你不会的,就直接问AI就行了。就这么简单。那,百度的模型的能力一直都非常强。那,这个,OCRV6呢,它还有几个手机的一个版本。就是,我们可以在手机上去安装,测试,验证。呃,非常的方便。呃,它的手机端的地址,呃,
这是安卓的地址,呃,还有IOS的地址,呃,都是一样的。因为它可以支持在安卓手机上的去这个,上面去做测试。因为它只有几兆的一个大小,完全可以跑起来。而且在,呃,浮器上,呃,就算你没有,呃,那个,GPU在CPU上跑的速度也挺快的。
那,模型,它不是大模,不是基于VLM大语言模型的一个模型,它是纯视觉的一个模型。那,它的一个效果呢,也是,呃,秒杀了。目前,顶级了SOSA的这些模型,能力确实非常强啊。
当然呢,说的是OCR提取啊,比如说OCR,呃,图片理解,它做不到啊,那个呢,就得用VL1.6的那个,VL1.6呢,它是做通用文档识别提取的。那这个OCR呢,它就是做图片,就视觉模型。啊,它没办法进行推理。那,这就是二者的一个区别。那,好的,今天就介绍的,然后呢,感兴趣的话,可以自己来尝试一下,也可以把它接入到你的所有的Agent里面去尝试一下。那,好的,今天就介绍的,谢谢大家。

來源：transcript.txt

本次執行流程與問題處理

  1. 下達指令

    指令：videonote https://b23.tv/kt1ciWT --language zh --auto-source-subtitles

    來源：https://b23.tv/kt1ciWT

    辨識語言：zh ｜ 參數：--language zh --auto-source-subtitles

  2. 預期流程

    依指令產生的處理順序：

    1. 自動字幕優先，Whisper 作為備援
    2. 來源選擇與品質檢查
    3. 文字校正與句子單元
    4. 筆記與發布
    5. 公開網頁發布

  3. 1. 下載與語音辨識

    工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）

    處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿

    產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）

    耗時：21.6 秒

    關係：依序執行

    結果：完成

  4. 2. 全文快速校讀

    工具：videonote_rapid_transcript_review.py

    處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目

    產出：rapid_transcript_review_report.json（產出檔案）

    耗時：38.7 秒

    關係：依序執行

    結果：完成

  5. 3. 建立句子單元

    工具：videonote-build-sentence-units

    處理：將逐字稿切成帶時間軸的句子單元

    產出：sentence_units.json（句子單元）

    耗時：0.7 秒

    關係：依序執行

    結果：完成

  6. 4. 句子密度平衡

    工具：videonote_balance_sentence_units.py

    處理：平衡句子長度與密度

    產出：sentence_units.json（句子單元）

    耗時：0.7 秒

    關係：依序執行

    結果：完成

  7. 5. 時間軸稽核

    工具：videonote_timeline_audit.py

    處理：檢查時間軸與音訊對齊

    產出：timeline_audit_report.json（時間軸稽核）

    耗時：0.8 秒

    關係：依序執行

    結果：完成

  8. 6. 品質檢查

    工具：videonote_controlled_quality.py（檢查時間軸與品質）

    處理：檢查語言、時間軸與可讀性品質

    產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）

    耗時：0.8 秒

    關係：依序執行

    結果：完成

  9. 7. 播放時間軸回填

    工具：videonote_rebase_display_timeline.py

    處理：將網頁播放時間軸回填為校正字幕時間

    產出：display_timeline_rebase_report.json（時間軸回填報告）

    耗時：0.8 秒

    關係：依序執行

    結果：完成

  10. 8. 逐字稿交叉檢查

    工具：videonote_cross_check_transcript.py

    處理：交叉檢查逐字稿與來源字幕

    產出：transcript_crosscheck_report.json（交叉檢查）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  11. 9. 來源句整理

    工具：videonote_prepare_source_entries.py

    處理：整理來源句子供時間軸與頁面使用

    產出：sentence_units.json（句子單元）

    耗時：0.9 秒

    關係：依序執行

    結果：完成

  12. 10. 生成筆記摘要

    工具：videonote-generate-note（生成筆記摘要）

    處理：生成筆記摘要與重點

    產出：note.md（筆記 Markdown）、note.html（筆記 HTML）

    耗時：74.5 秒

    關係：依序執行

    結果：完成

  13. 11. 建立筆記頁面

    工具：videonote-render-html（產生筆記 HTML）

    處理：產生可閱讀的筆記 HTML 頁面

    產出：note.html（筆記 HTML）

    耗時：0.5 秒

    關係：依序執行

    結果：完成

  14. 12. 發布公開頁面

    工具：videonote-publish（發布公開頁面）

    處理：發布到公開網站與每日列表

    產出：公開筆記網址、result.json（管線結果）

    耗時：0.6 秒

    關係：依序執行

    結果：完成

手動來源字幕

自動來源字幕

Whisper 字幕

Qwen 字幕

Parakeet 字幕

MOSS 字幕

聲學時間證據（PyAnnote / WhisperX）

校正前後逐字稿

目前待解決問題與初步改善方向

進一步精進字幕與筆記
使用 Workbench 上傳校正字幕、中文參考稿或回饋 SRT，重新產生雙語與學習單元。
開啟 Workbench