工作清單｜哦吼！PP-OCRv6全场景实测｜本地部署训练格式对比PaddleOCR-VL文本识别模型

逐字稿文字預覽

大家好呀,给大家介绍一下PIDAL OCR V6,现在已经开源了。实测一下PP OCR V6的一个特性,以及我们的一个模型微调的一个过程,以及我们进行一个对比。杂志的排版,以及它的一个手写体进行一个实测。PP V6的模型,一个是Tiny,一个是Smoth,还有一个Medium。我们在本地测试的是Medium这个最大的模型。然后可以感受到的是它的速度是比较快的。无论是CPU或是CPU。
然后接下来我们可以看一下它的一个开源的地址,以及它的一个范围的覆盖。比如说它现在支持50中文语言。比如说像电路板CAD,这些都是可以支持的。然后接下来是它的罗望性的最高。然后这是它们的一个展现的成果。无论是轮胎还是它的一个手写体等等。可以看到它的一个对比测试,PP V6,PP V5,然后GPT的一个识别。这个是我们的一个后续。
然后来到我们的一个图解的页面。PP V6是属于CN模型的。像传统的OCR模型是属于两个技术路线。第一个是CN,也就是今天我们说的。第二个就是它的一个VRM。比如说MinerU的2.5,以及它的PiDoc2的1.6。这个之前我们都有测试过。我们可以看一下它的一个试取模型的一个效果。
然后接下来来到我们的图解页面。然后接下来我们首先看一下它的定位。它是PiDoc2的全流程的第一站。就是识别文档的所有的一个内容。比如说它的一个第一T的模型。就是文本位置的一个检测。
就是文本位置的一个检测。然后通过这个检测完之后。然后使用文本识别。我们看一下它的一个流程。我们首先第一步就是这个彩色的框框。识别出每个文字的位置。然后识别出来之后把它裁剪。
然后之后给这个模型进行一个识别文字。这是它的一个基础的一个流程。然后我们往下走。本次PiDoc2v6的一个模型发布了三款。然后有三个不同的模式。第一个是它的一个PiDoc2的格式。它是一个原生支持的。比如说像PiDoc2以及PiDoc2的产线可以进行一个调用。然后接下来比如说SafeTensors这个格式是比如说面向的是Hugging。
比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如说比如
然后然后进行一个机或讯息环境在此我们实验的是康达然后进行安装一下它的一个工具然后我们进行安装拍到的一个官方的一个命令然后我们根据自己的裤打的版本进行我的是裤打13.0让给大家看一下在这可以看到我的一个裤打的版本然后最终的话我们就可以进行了一个推理在此过程中它会进行自动的一个下载模型我们现在给大家看一下这个实测
看一下它的速度首先进行加载一个它的模型PPV6的Midium然后可以看到这三页跑的还是非常快的这是模型下载的一个位置然后模型的输出在这里面咱们可以自己指定然后接下来我们看一下它的
试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测�
相比之下它在词还是比较优秘试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测�
测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试测试�
我们对比一下之前的PED OCR的VR模型可以看到它同样的识别错了识别成了中国沙
比如说像MinderU的2.5的Pro它同样的识别错了比如说中国蓝
在此的话给大家介绍一下如何在表现不好的情况下进行一个训练
比如说来到我们第10个模块经过我们的查证PP OCR V6是可以使用之前的模型进行训练的
比如说像Coco格式然后我们可以给大家展示一下这些符号
比如说立方米平方米像一些这个Ad或者说复权号之类的
如果说它处理不好的话那我们可以通过这个进行一个截取图片
然后进行一个标注下然后使用这个命令进行一个我们最终的数据是这样子的
然后通过官方的命令进行一键训练还是非常快的
这是我们的一个训练的一个官方的一个事例
这个是我们所有的查证的官方资料的来源
如果说对您有帮助的话希望可以点赞三连
谢谢大家

來源：transcript.txt

本次執行流程與問題處理

下達指令
指令：videonote https://b23.tv/jfJm6NO --language zh --auto-source-subtitles

來源：https://b23.tv/jfJm6NO

辨識語言：zh ｜參數：--language zh --auto-source-subtitles
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
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：32.0 秒
關係：依序執行
結果：完成
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：38.3 秒
關係：依序執行
結果：完成
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：0.3 秒
關係：依序執行
結果：完成
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：0.4 秒
關係：依序執行
結果：完成
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：0.4 秒
關係：依序執行
結果：完成
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：0.4 秒
關係：依序執行
結果：完成
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：0.5 秒
關係：依序執行
結果：完成
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：0.5 秒
關係：依序執行
結果：完成
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：0.5 秒
關係：依序執行
結果：完成
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：96.6 秒
關係：依序執行
結果：完成
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：0.7 秒
關係：依序執行
結果：完成
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：0.8 秒
關係：依序執行
結果：完成

手動來源字幕

尚未產生

自動來源字幕

subtitle_acquisition.json 下載140 bytes

Whisper 字幕

transcript.whisper.json 純文字 JSON5,858 / 30,028 bytes
transcript.whisper.srt 下載6,699 bytes
transcript.whisper.tsv 下載6,210 bytes
transcript.whisper.txt 下載5,858 bytes
transcript.whisper.vtt 下載6,491 bytes

Qwen 字幕

尚未產生

Parakeet 字幕

尚未產生

MOSS 字幕

尚未產生

聲學時間證據（PyAnnote / WhisperX）

尚未產生

校正前後逐字稿

校正前 transcript.whisper.json 純文字 JSON 5,858 / 30,028 bytes
校正後 transcript.json 純文字 JSON 5,858 / 30,028 bytes

目前待解決問題與初步改善方向

逐字稿來源選擇未完全通過，仍先生成筆記待修正
no_trustworthy_transcript_source；原始逐字稿保留；請進入精進模式確認來源。
逐字稿全文快速校讀未完成待修正
已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。；RAPID_REVIEW_STATUS=REVIEW_REQUIRED_INVALID_OUTPUT
逐字稿可先使用，但有待校正清單待修正
segment=44 adjacent_duplicate: 與前一段完全重複，可能是滾動字幕或 ASR 重複；segment=60 sentence_boundary_unclear: 長段落沒有自然句尾，斷句位置待人工確認；segment=63 replacement_character: 包含 Unicode replacement character (�)；segment=64 replacement_character: 包含 Unicode replacement character (�)；segment=65 replacement_character: 包含 Unicode replacement character (�)
逐字稿品質檢核未完全通過待修正
{'stage': 'canonical_transcript_quality', 'action': 'published_with_warning', 'signals': ['canonical_hallucination_detected', 'extreme_long_sentence_units', 'transcript_selection_not_resolved']}
Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。

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

逐字稿文字預覽

本次執行流程與問題處理

下達指令

預期流程

1. 下載與語音辨識

2. 全文快速校讀

3. 建立句子單元

4. 句子密度平衡

5. 時間軸稽核

6. 品質檢查

7. 播放時間軸回填

8. 逐字稿交叉檢查

9. 來源句整理

10. 生成筆記摘要

11. 建立筆記頁面

12. 發布公開頁面

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