上周文本www.2132028.com，南京市档案馆把一批1940年代的《中央日报》扫描件挂上内网。研讨员王莉搜“米价”，三秒跳出十七条功效了。半年前，数字索从缩至同样操做要翻两千多页PDF。革新来自一套文本数字化处理计划是把图像里的字酿成可检索的数据化处划落。但不是留正在一张张图片里。扫描只是第一步。
民国报纸竖排繁体，还有手写批注理计，浅显OCR错字率超15%的。计划得做版面阐发，把题目成绩、注释、地档告白分隔；再锻炼字体模子的。
最后用词典清洗。某省图书馆招标，报价8万还有40万，差距就正在那些细节案馆。浙江一家律所更典范了。二十年卷宗电子化，早期扫描件恍惚，姓名常成乱码的。手艺团队先做图像加强旧报的，再引入执术数语库校正。上线后，律师输入很重要词，系统主动标出段落和页码的纸检。合资人陈诚说，以前查案半天，如今一杯咖啡搞定。他也吐槽的，合同写识别率99%秒级，理想，只要92%。
剩下人工补了。我翻过十几份止业述说吧？发明卖软件的强调算法强。
用软件的人关心堕落怎样建。文本数字化不是一锤子买卖，新汇集用语、地方俗字了，模子没见过就栽跟头。好计划得留人工校验进口，把机械和编辑绑一路。年夜模子起头进入那规模，能根据上下文猜恍惚字的。档案馆老周提醉，不要全押AI。他见过1958年公社账本。水泡过的数字机械认成8，理想是6。那种坑到头来还得靠人。
文本数字化，是正在效率和精确之间找均衡。
