Mieru-OCR v1.2.0 发布：基于 ONNX Runtime Web 的浏览器端离线验证码识别工具
近日，原 DDDDOCR 浏览器版本迎来更新并正式更名为 Mieru-OCR v1.2.0。该项目是一款完全开源的验证码识别插件，核心技术在于利用 ONNX Runtime Web 实现 AI 模型在浏览器端的本地离线推理。新版本显著增强了...
标签索引
ocr
这个标签下有 33 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
DeepSeek火速上线多模态功能，实测OCR识别能力引发争议
继DeepSeek V4发布后，有用户发现其火速上线了多模态功能。然而，实测结果显示DeepSeek在视觉理解方面存在明显短板，特别是在手写文字OCR识别上，错误率高达90%，表现远逊于豆包（30%）和Llama 3.1（10%）。此外，测...
AI重塑历史归档：OldNYC借力GPT-4新增万张照片，并弃用谷歌地图
文章详细介绍了作者如何利用现代AI工具重构OldNYC历史地图项目。通过调用GPT-4o模型处理复杂的地理描述，项目成功新增并精准定位了1万张历史照片；同时利用GPT-4o-mini替代传统OCR，显著提升了老旧打字机文本的识别准确率。此外...
OCR实测：面对潦草手写文本，Gemini识别准确率显著优于豆包
一项针对多模态大模型OCR能力的对比测试显示，谷歌Gemini在处理极难识别的手写字迹时表现优于字节跳动的豆包。测试素材选用了字迹细小且书写潦草的私人日记文本，尽管对模型识别能力构成巨大挑战，Gemini仍展现出了更强的鲁棒性。测试数据表明...
开源新利器：基于多模态大模型的高精度OCR工具发布
开发者发布了一款名为LLM_OCR的开源工具，旨在利用多模态大语言模型（LLM）实现高性能的文本识别。相较于传统OCR软件，该项目在准确率和复杂排版处理上表现更优。该工具支持PDF及主流图片格式直接上传，并提供Markdown、Word、T...
利用浏览器端 OCR 技术破解 Kindle 网页版字体加密，实现完美 TTS 朗读
开发者针对 Kindle Cloud Reader 使用自定义加密字体导致传统 TTS 扩展失效的问题，提出了一种基于视觉的解决方案。该项目不依赖被混淆的 DOM 文本，而是直接捕获页面渲染像素，利用 tesseract-wasm 在浏览器...
BreezePDF：一款零上传、100%本地运行的浏览器级PDF编辑神器
BreezePDF 是一款主打“隐私优先”的免费 PDF 编辑器，核心亮点在于其 100% 客户端处理架构。通过在浏览器端直接利用 JavaScript 运算，它实现了文本编辑、图片插入、数字签名、合并拆分及格式转换等 30 多项功能，且全...
开源神器 Veil：在浏览器中实现不破坏图片的 PDF 暗黑模式
Veil 是一款纯浏览器端运行的开源 PWA 工具，旨在为用户提供极致的 PDF 暗黑阅读体验。它解决了传统深色模式会导致图片、图表颜色反转失真的痛点，通过三层技术架构实现：利用 CSS 滤镜反转文本颜色；利用 PDF.js 精确定位图像区...
SnapFlow：重新定义截图流程的开源 AI 工具，让屏幕内容“可读”更“可懂”
SnapFlow 是一款基于 Qt 开发的创新开源 AI 截图工具，旨在解决传统截图工具“只截不管”的痛点。它将截图视为后续智能处理的入口，深度集成了 OCR 文字识别、多语言翻译以及基于大模型（如通义千问）的图像分析与处理功能。用户在截取...
LLM充当OCR“纠错员”：如何选择最具性价比的API模型？
该贴探讨了在PDF表格OCR项目中，如何利用大语言模型（LLM）修正Azure OCR识别置信度低的问题。开发者对比了输入纯文本与截图对模型结果保守程度的影响，并分享了使用Gemini 2.5 Flash作为纠错模型的实践。这一案例反映了传...