書譯
書譯

日文直書 OCR：保留分欄順序與處理假名

以正確的版面設定萃取日文直書文字、將注音假名與正文分離，並透過可下載的範例檢查實際的 OCR 輸出結果。

BookTranslator

BookTranslator Team

PDF 翻譯翻譯品質控制
21 min read

對於日文直書 OCR，請在變更影像濾鏡之前先檢查書寫方向。使用能夠處理直書的日文模型與分段設定、以預期的順序驗證分欄，並決定您需要單純的主文或是連同假名一起處理。充滿可辨識字元的頁面，如果其字元順序錯誤，依然會是無法使用的轉錄結果。

我們進行了一項小型的可重現本機實驗，以將這些決策具體化。橫書設定打亂了我們三個直欄的順序。直書設定復原了純文字正文，但加上假名後改變了兩個標點符號，而裁切掉注音文字並未消除標點符號的錯誤。

這些是刻意縮小的合成樣本的結果，並非針對所有日文書籍的準確度聲明。有用的教訓更為具體：分別評估字元辨識、閱讀順序以及註解處理。 不要只因為結果看起來像日文就將它送去翻譯。

首先辨識您實際需要的文字

在傳統的日文直書排版中，字元由上往下依序排列，而行則由右向左推進。注音（Ruby）是與基本字元相關的小型文字；假名通常提供其讀音。W3C 的日文文字排版需求 描述了這些書寫方向與注音關係。

在 OCR 之前，標記頁面中有意義的區域：

  • 主要的直向分欄；
  • 正文旁的小型注音；
  • 橫向標題、圖說或表格；
  • 頁碼與頁首標題；
  • 邊註或無關的相鄰頁面。

不要將每一個直向條帶都視為獨立的段落。夾在 図書館 旁邊的狹小假名條帶可能是它的讀音，としょかん 而不是下一句。

在評估 OCR 之前先選擇輸出政策：

讀者的任務期望的結果什麼情況算是有問題
搜尋或翻譯內文依順序排列的主要文字；實用的讀音會另外保存插入內文的注音、被略過的內文、重新排序的欄位
學習發音主要文字加上正確對應的讀音缺少注音，或讀音附著到錯誤的單字上
產生忠實的轉錄保留主要文字、註釋關係與編輯決策默默刪除或正規化你原本想保留的素材

相同的輸出結果可能在某個任務中通過，但在另一個任務中失敗。我們的實驗使用 純內文轉錄 作為其比較目標。它不接受將缺少的注音視為發音學習版本的可接受範圍。

一個真正的三句 OCR 實驗

範例使用了以下自創句子：

朝の図書館で本を読む。
古い地図には川が見える。
明日は友人と駅で会う。

它們描述在圖書館閱讀、在舊地圖上看到河流，以及在車站與朋友見面。移除換行符號後，共有 34 個正文 Unicode 字元點，包含三個日文句號。

我們以三種形式呈現相同的內文：

  1. 橫排文字.
  2. 三個直排欄位，由右至左讀取。
  3. 帶有注音的相同直排欄位 旁，以及 図書館, 地図, 友人，與 駅.

合成日文 OCR 樣本，包含三個由右至較左讀取的直排欄位，以及所選單字右側較小的注音。

這些是乾淨的教學圖片，而不是書中的掃描頁面。渲染器使用 Noto Sans CJK JP、64 像素的正文字元、24 像素的注音，以及簡化的逐字元直向排列。它將直向句號繪製為手動選定位置的小型外框圓圈，而不是使用字型本身的正確直向字元定位；因此，標點符號的結果無法建立 OCR 在正確排版書籍上的表現。它並未重現每個日文排版規則。測試中沒有模糊、傾斜、紙張紋理、手寫字、歷史字體或混合方向的頁面。

引擎、模型與設定

該實驗於 2026 年 9 月 7 日進行，在 macOS ARM64 上本地使用 Tesseract.js 7.0.0 與 Tesseract.js-core 7.0.0。所有成功的呼叫皆使用官方的 tessdata_fast 模型，提交版本為 87416418657359cb625c412a48b6e1d6d41c29bd，並使用 OEM 1（僅限 LSTM 引擎模式）。

Tesseract 的官方模型儲存庫提供獨立的 jpn 與 jpn_vert 檔案。其說明文件將 PSM 5 描述為均勻垂直對齊的區塊，將 PSM 6 描述為均勻的文字區塊；請選擇適合要辨識區域的分段假設。請參閱 頁面分段說明文件.

我們記錄的案例中，水平文字使用 jpn 搭配 PSM 6，垂直文字使用 jpn_vert 搭配 PSM 5，並刻意使用不匹配的 jpn/PSM 6 垂直對照組。兩種垂直配置的模型與分段皆有改變，因此這是一項工作流程比較，而非隔離任一設定效果的實驗。

初次嘗試使用 tessdata_best 時，在可用的 WebAssembly 核心中即終止，未能產生 OCR 文字。為了相容性，我們改用官方的整數 tessdata_fast 模型並記錄了該次失敗。無法從該切換得出任何關於某個模型家族準確度的結論。

實際返回的內容

比較時會移除空白並套用 Unicode NFC 正規化。它 不會 取代標點符號、修正漢字或重新排列文字。完整的 原始輸出與版本／模型雜湊值, 內文比較 CSV，以及 錯誤註解 可供下載。

輸入與組態針對僅本文目標的觀察結果
橫排、jpn，PSM 6移除空白後，所有 34 個字元代碼皆相符
直排、jpn，PSM 6 控制組輸出跨越了直行並包含字元替換；無法作為可用內文
直排、jpn_vert，PSM 5移除空白後，所有 34 個字元代碼皆相符；直行順序正確
附振假名之直排、jpn_vert，PSM 5主文維持順序，但有兩個。 標記變成了 ASCII.；ruby 未作為獨立讀音傳回
來自振假名圖片的三個正文直行裁切畫面、jpn_vert，PSM 5第一行結尾為.，第二行為,，第三行為。；裁切並未移除所有標點符號缺陷

例如，振假名案例傳回了以下第一行：

Expected: 朝の図書館で本を読む。
Observed: 朝 の 図書 館 で 本 を 読む .

這些空格會被我們規定的比較規則忽略，但最終標點符號則不會。僅靠搜尋的工作流程或許能容忍這種差異，但忠實的轉錄應該予以記錄並修正。

不相符的垂直控制始於 明 古 昌，它跨越了各欄頂部的字元，而不是沿著預期的第一句進行。其輸出說明瞭識別單一符號並不等於重建閱讀順序。

總共進行了七次 OCR 呼叫：四個全圖案例與三個裁切片段。我們保留了每一個輸出。一位代理程式將結果與編寫的基準真相進行對比，並目視檢查了影像；其中並無盲測的人工審查或廣泛的基準語料庫。這項實驗並未確立普遍最佳的引擎、書籍級別的準確率，或是針對您掃描檔案的效能。

在您自己的頁面上使用區域優先的工作流程

1. 保留原始來源並選擇一個困難的頁面

保持原始影像或 PDF 不變。在副本上作業，並記錄頁碼。選擇一個包含您正試圖解決之問題的頁面：密集的注音（ruby）、狹窄的行距、橫向標題位於直排文字上方，或是異常小的字體。

乾淨的封面對於內文頁面排版不同的書籍來說，並不是一個有用的驗收測試。如果來源是 PDF，請在執行純影像 OCR 工作流程之前，使用您信賴的工具萃取或算繪選定的頁面。這篇文章的指令碼接受 PNG 檔案；它們不處理 PDF 或建置可搜尋的 PDF 圖層。

如需完整的掃描檔案準備與翻譯流程，請使用更廣泛的 掃描 PDF 工作流程。本指南聚焦於日文書寫方向、分割、注音與轉錄決策。

2. 在不破壞小字的情況下修正擷取缺陷

以有用的縮放層級檢查實際字元。拉直非預期的傾斜、移除無關的頁面邊框，並保留足夠的對比度以辨識小假名與標點符號。避免將激進的閾值處理或銳利化視為自動改進：在信任 OCR 之前，請將產生的影像與原始影像進行比較。

Tesseract 的 影像品質指引 涵蓋了解析度、雜訊、傾斜與邊框。這些與書寫方向是分開的。對以某個角度拍攝的頁面進行去傾斜，與將直立的日文垂直文字向側邊旋轉並不是相同的操作。

範例檔案帶有 300 dpi 的詮釋資料，但這個數字並未創造出遺失的細節。其實際的內文字形大小為 64 像素。一張被重新標示為「300 dpi」的低解析度照片，依然是那張低解析度照片。

3. 當頁面違反其中一項排版假設時，請分離區域

在要求單一 OCR 呼叫處理橫向標題、直排散文、插圖和頁碼之前，先自行嘗試主要的垂直區塊。保留簡單的區域記錄，例如「第 12 頁，內文，從右算起第 1 欄」。該記錄使後續的組合得以審核。

對於混合方向的素材，請使用適當的橫向設定識別橫向區域，並使用垂直設定識別垂直區域，然後以文件預期的順序將它們組合起來。這是建議在您的檔案上測試的工作流程，而不是由我們三個範例影像所衡量的混合排版功能.

我們的裁切實驗使用了確切的已知座標，以排除每個合成欄位旁邊的注音條，同時保留其內文與白色邊距。這是一項手動區域選取示範，而非自動去除注音的演算法。請勿將其座標套用到真實的書籍頁面上。

4. 在校對個別字元之前先檢查欄位

依預期的方向運作，比較每一欄的第一個與最後一個內文字元。確認沒有任何欄位遺失、重複、反轉或與相鄰欄位混淆。接著檢查欄位邊界處的句子。

唯有在此之後，您才應該修正個別的漢字、假名、標點符號、數字和名稱。否則，您可能會把時間浪費在打磨那些被組裝到錯誤段落中的片段上。

一個實用的三階段審閱流程為：

  1. 區域與順序： 確保每個預期的本文區域都只出現一次且順序正確。
  2. 字元： 將實際影像與文字進行比對，包括微小的標點符號和假名。
  3. 註釋： 決定是否保留、分離或刻意排除每個注音假名（ruby）項目、筆記或邊欄標籤。

引擎的信心水準數值無法取代這些檢查。我們的混亂控制項仍然回報了一個引擎產生的信心數值，但这並未讓它的閱讀順序變得可以接受。

在弄清楚原因之前，切勿移除振假名（furigana）

對於純本文提取而言，注音假名不應意外變成第二層散文。但刪除每一個小型假名字串並不是一項安全的通用規則。發音有助於釐清人名、保留作者選擇的讀音，或是支援讀者的學習任務。

在我們的振假名影像中，OCR 輸出包含了主漢字，但沒有將四個讀音回報為獨立的註釋集。對於純文字搜尋任務來說，這在修正標點符號後可能就足夠了。但如果交付項目承諾提供發音資訊，這便遠遠不夠。

請將重要的讀音分開儲存，並將其與正確的出現位置關聯起來。例如：

Page: sample 1
Column: 1 from the right
Base text: 図書館
Reading shown: としょかん
Decision: retain body text; save reading in the annotation record

範例的 獨立注音轉錄 讓該政策變得明確。這是與影像一同產生的真實基準（ground truth），而非 OCR 成功的聲明。

如果 OCR 將假名混入單字中或遺失了關聯，請對照影像進行修復並調整轉錄。切勿要求語言模型猜測來源，並將猜測結果呈現為復原後的文字。請改為將不確定的讀音標記以供審閱。

裁剪結果也反駁了過於簡單的「移除注音假名，一切就會改善」的規則：有兩個標點符號的差異依然存在，且受影響的句尾也改變了。該觀察結果僅適用於這個特定的乾淨測試夾具。它告訴我們要在分割後驗證結果，而不是裁剪通常會有幫助或有害於 OCR。

重現測試或保留審閱記錄

下載 實驗 README 以取得釘選的模型與字型來源、相依性版本、檔案說明以及指令。 範例產生器, OCR 執行器，以及比較腳本分別進行圖片建立、辨識與評估。

執行程式使用有記錄的Tesseract.js worker API。對於垂直區域，其主要設定為：

const worker = await createWorker("jpn_vert", 1, {
  langPath: modelDirectory,
  gzip: false,
  cacheMethod: "none",
});
await worker.setParameters({
  tessedit_pageseg_mode: "5",
  user_defined_dpi: "300",
});

modelDirectory必須包含已下載且未壓縮的jpn_vert.traineddata檔案。這是一個片段，並非完整的程式；提供的執行程式也會儲存原始結果並終止 worker。

如果您使用其他 OCR 應用程式，即使設定名稱不同，也請保留相同的佐證資料：來源區域、原始檔案、模型或工具版本、方向、分割選擇、實際輸出、校正後文字以及未解決的字元。審查記錄範本是空白的，因此它不暗示您的頁面已經通過審查。

請勿將我們微小的精確符合結果轉化為整本小說的承諾百分比。不同的字體、擁擠的欄位、歷史字體、低品質掃描以及漫畫對話框都需要各自具代表性的測試。漫畫排版與手寫辨識不在本實驗範圍內。

僅在恢復的來源可靠時進行翻譯

如果您的目標是搜尋、複製引文或查字典，已驗證的日文文字可能就是最終結果。您不需要僅因為涉及 OCR 就翻譯整份文件。

如果語言障礙仍然阻礙閱讀，且您有可上傳的可用檔案，請繼續進行PDF 翻譯工作流程。請保留原始掃描檔與核對過的轉錄內容，以便區分辨識錯誤與翻譯錯誤。範例執行程式會產生文字與 TSV 檔案，而非可供自動上傳的 PDF；請準備好下一個工具所需的實際輸入格式。

BookTranslator 的 OCR 模式會重建翻譯內容，而非保證維持原有的垂直排版。請勿假設它會保留所有 ruby 關聯或修復未經驗證的辨識錯誤。請使用PDF 格式保留指南與最終 PDF 品質保證檢查清單.

可靠的交接並非「OCR 已完成。」而是「所需的日文文字已存在、其順序已經過檢查，且註解的處理方式已有記錄。」

相關文章