飞舟OCR：一个文档识别与翻译的「万能瑞士军刀」

写给每一个被文档数字化折磨过的人：学生、研究员、开发者、法务、财务、医学从业者。

一、为什么我们需要又一个 OCR 工具？

如果你曾经经历过以下场景，请举手：

• 老师发给你的 PDF 论文，想复制里面的公式，结果粘贴出来是一堆乱码
• 收到一份扫描版合同，需要提取关键条款做翻译对照，打开三个软件来回切换
• 公司发票堆积如山，手动录入 Excel 录到怀疑人生
• 用了某在线 OCR 服务，传了敏感文件后心里一直不踏实

飞舟OCR 就是为这些痛点而生。它不是一个简单的在线识别工具，而是一个本地优先、多引擎可切换、识别+翻译一体化的桌面应用。

二、核心能力速览

1. PaddleOCR 本地推理 — 离线可用，隐私无忧

这是飞舟OCR 与在线 OCR 服务最大的区别。

PaddleOCR 完全本地运行，基于 MNN 推理引擎完成文字检测与识别，模型文件放在应用资源目录，识别过程中文档内容不会离开你的电脑。对于合同、病历、财务报表这类敏感文件，这一点至关重要。

内置 3 个精度档位的预置模型，可在设置中随时切换：

模型	特点	推荐场景
PP-OCRv6 Tiny	轻量快速	日常文档、清晰图片
PP-OCRv6 Small	均衡之选（默认）	大多数场景
PP-OCRv6 Medium	高精度	复杂排版、低质量扫描件

开箱即用 — 安装后无需任何配置，选择模型即可开始识别。

2. 大模型视觉 API — GPT-4o / Ollama / LM Studio 全能接入

飞舟OCR 不只是传统 OCR 工具。当你需要理解文档上下文、处理复杂排版时，可以切换到大模型视觉 API 模式：

引擎	适用场景
GPT-4o	最强通用能力，理解上下文，保留格式
Ollama	本地部署大模型，零成本无限用，数据不出本机
LM Studio	桌面端大模型运行器，图形化操作
OpenAI Compatible	任何兼容 OpenAI 接口的服务（如 vLLM、TGI）

实际用法举例：

• 日常中文文档 → 选 PaddleOCR（快、准、免费，完全离线）
• 英文学术论文 → 选 GPT-4o（理解上下文，保留格式）
• 离线环境 → 选 Ollama + Qwen3.6（本地跑，不花钱）

每种引擎支持独立的 API Key / Endpoint / Model 配置，互不干扰。

3. 翻译不只是翻译，是「对照式工作流」

大多数 OCR 工具识别完就结束了。但飞舟OCR 认为：识别只是第一步，对照翻译才是真正的生产力。

翻译引擎支持 GPT-4o / Ollama / LM Studio / OpenAI Compatible 等大模型接口，也支持自定义 API 端点接入其他翻译服务。

更关键的是翻译体验：

• 并排对照：左侧原文，右侧译文，同步滚动
• 逐段对照：按段落切分，精细对比每一句
• 术语表：自定义专业术语，保证翻译一致性（如 Force Majeure = 不可抗力）
• 三种风格：直译 / 意译 / 专业（可选法律、医学、技术、金融、文学等领域）
• 翻译缓存：相同内容不重复调用 API，省钱

一个真实场景：法学学生拿到一份英文合同扫描件 → PaddleOCR 识别 → GPT-4o 以「法律专业」风格翻译 → 术语表锁定专业词汇 → 导出 Markdown 对照文档。全程 3 分钟，不用切换任何软件。

4. 跨平台桌面应用

基于 Tauri + React 构建：

• Windows / macOS / Linux 三端皆可编译运行
• 安装包仅数十 MB（相比 Electron 动辄几百 MB）
• 启动速度快，内存占用低
• 内置自动更新，永远保持最新版本
• 系统托盘常驻，关闭窗口不退出（后台继续运行）

5. 文件管理一站式

上传文件后，飞舟OCR 就是你的文档工作台：

• 支持 PDF / JPG / PNG / BMP / TIFF 五种格式
• 拖拽上传，批量识别
• 列表视图 + 状态标识清晰展示
• 搜索、筛选、分页完整支持
• 每个文件保留识别结果、置信度、所用模型
• Markdown 编辑模式：识别结果不满意？直接改

6. 更多细节功能

• PDF 多页处理：自动将 PDF 逐页转为图片后调用 OCR，结果合并导出
• 输出格式：Markdown / 纯文本 / JSON / HTML 四选一
• Markdown 选项：表格识别、代码块、标题层级、图片嵌入
• 文件编码：UTF-8 / UTF-8 with BOM / GBK
• 段落合并：按空行 / 按缩进 / 不合并
• 快捷键：Ctrl+O 打开、Ctrl+Enter 识别、Ctrl+S 保存、Ctrl+Shift+E 导出
• 深色模式：护眼夜间工作
• 双语界面：中文 / English 随心切换

三、给不同人群的使用建议

给个人用户 / 学生

你是飞舟OCR 最典型的用户。推荐工作流：

1. 默认配置：PaddleOCR + PP-OCRv6 Small 模型（开箱即用，无需配置 API Key）
2. 论文阅读：PDF 上传 → PaddleOCR 识别 → 复制 Markdown 到笔记软件
3. 外语学习：识别英文 → GPT-4o 翻译为中文 → 逐段对照学习
4. 考试复习：扫描教材 → 识别为可搜索文本 → 导出 Markdown 复习

学生最大的痛点是「免费」。PaddleOCR 完全免费且离线可用，不用花一分钱。如果想用 GPT-4o，每月几美元 API 费用足够日常使用。

给技术开发者

飞舟OCR 本身就是一个开源项目的范例，技术栈值得研究：

• 前端：React 18 + TypeScript + Zustand + Tailwind CSS
• 桌面框架：Tauri 2.x（Rust 后端）
• OCR 引擎：PaddleOCR Rust 绑定，MNN 推理引擎
• PDF 处理：PDF.js 动态加载 + canvas 转图
• 代理机制：开发环境用 Vite Proxy，生产环境用 Rust HTTP Proxy 绕过 CORS

作为开发者你可以这样使用：

1. 本地 OCR 服务：把飞舟OCR 当作本地的 OCR 服务，比调用在线 API 更快更稳
2. 模型实验平台：同时配置多个引擎，对比不同模型在同类文档上的识别效果
3. 集成到你的工作流：识别 → 导出 JSON → 程序化处理
4. 二次开发：项目结构清晰，可作为 Tauri + OCR 集成的参考实现

技术细节亮点：

• 多引擎抽象：统一的 runOcr 接口，per-provider 配置隔离
• PaddleOCR 多模型：3 个精度档位，设置中一键切换
• MNN 推理：PaddleOCR 模型转 MNN 格式，跨平台加速
• proxyFetch 工具：自动在浏览器 / Tauri 环境切换请求方式

给企业 / 专业人士

企业用户最关心的三件事：隐私、专业、批量。

1. 隐私合规：PaddleOCR 本地推理，文档不外传。适合法务、财务、医疗等敏感行业
2. 专业翻译：选择「专业」风格 + 对应领域（法律/医学/技术/金融/文学），配合术语表，翻译质量接近专业译员
3. 批量处理：拖拽多个文件 → 全选 → 批量识别 → 逐个查看结果
4. 私有部署：可配置 Ollama / LM Studio 本地大模型，整个识别+翻译链路完全在内网完成

典型企业场景：

• 法务部门：合同扫描件 → PaddleOCR 识别 → GPT-4o 法律风格翻译 → 导出对照文档归档
• 财务部门：发票批量识别 → 导出 JSON → 对接 ERP 系统
• 医院病案室：病历扫描件本地识别 → 术语表锁定医学术语 → 翻译为英文用于国际交流
• 科研机构：外文文献识别翻译 → 逐段对照阅读 → 导出标注文档

四、技术架构一览（给好奇的人）

┌─────────────────────────────────────────┐
│         用户界面 (React + TS)           │
│  Files │ Results │ Translate │ Settings │
└──────────────────┬──────────────────────┘
                   │
        ┌──────────┴──────────┐
        │   Tauri Bridge      │
        │  (invoke / proxy)   │
        └──────────┬──────────┘
                   │
    ┌──────────────┼──────────────┐
    │              │              │
    ▼              ▼              ▼
┌────────┐  ┌──────────┐  ┌────────────┐
│ Rust   │  │ PaddleOCR│  │ HTTP Proxy │
│ Backend│  │ (MNN)    │  │ (reqwest)  │
└────────┘  └──────────┘  └────────────┘
                              │
                ┌─────────────┼─────────────┐
                │             │             │
                ▼             ▼             ▼
           OpenAI API    Ollama API    Other API
           GPT-4o        Qwen-VL      OpenAI Compatible
           ...           LM Studio

关键设计决策：

1. Tauri 而非 Electron：安装包小 10 倍，内存占用低 3 倍
2. MNN 而非 PaddleInference：跨平台一致，无需 Python 依赖
3. PaddleOCR 模型预置：PP-OCRv6 Tiny / Small / Medium 三档可选
4. Per-provider 配置隔离：每个引擎独立配置 API Key / Endpoint / Model，互不干扰
5. Rust HTTP Proxy：生产环境绕过浏览器 CORS，开发环境用 Vite Proxy

五、快速开始

下载安装

访问飞舟OCR 的 GitHub Release 页面，根据你的操作系统选择对应版本：

• Windows：.msi 或 .exe 安装包
• macOS：.dmg 文件（支持 Intel 和 Apple Silicon）
• Linux：.AppImage 或 .deb

首次使用三步走

第一步：上传文件 打开应用 → 文件管理页 → 拖拽文件到上传区，或点击「选择文件」

第二步：识别

• 默认使用 PaddleOCR，无需任何配置
• 点击文件行的「重新识别」按钮
• 或多选文件后点击「批量识别」

第三步：查看与导出

• 点击「查看结果」进入三栏视图
• 左栏原文预览，中栏识别结果（可编辑），右栏翻译（可选）
• 点击「导出」选择 Markdown 或 TXT 格式

进阶配置

想用 GPT-4o 或其他大模型？打开 设置 → 识别引擎配置：

1. 选择 OCR 引擎（如 GPT-4o）
2. 填入 API 端点（默认 https://api.openai.com/v1）
3. 填入 API Key
4. 点击「获取列表」拉取可用模型，或手动输入模型名
5. 点击「测试连接」验证配置
6. 保存设置

翻译引擎配置同理，在「翻译引擎配置」中操作。

六、为什么叫「飞舟」？

飞舟是一种能在水面上高速航行甚至腾空跃起的舟艇。它既能在水面破浪前行，又能在空中凌空飞渡——这种跨界能力正是飞舟OCR 的写照：

• 既能在本地推理（PaddleOCR），又能调用云端大模型（GPT-4o 等）
• 既能识别文字，又能翻译对照
• 既适合个人用户，也满足企业需求
• 既支持中文，也覆盖全球主要语种

希望飞舟OCR 能像它的名字一样，帮你跨越文档数字化的鸿沟。

七、路线图与未来

飞舟OCR 仍在持续迭代，接下来计划中的功能：

• 手写体识别优化
• 表格结构化输出
• 批量自动化脚本
• 更多语言支持

八、立即体验

飞舟OCR，让每一份文档都能被读懂。

看完不过瘾，那就自己发一篇吧！