扫描件图书翻译：OCR 准确率之外，出版级交付还差什么？

很多出版机构的数字化卡在同一个地方：老书、孤本、海外授权文件扫描成 PDF 之后，文字识别率看似够高，却怎么也无法直接翻译。问题不在「认字」，而在「认结构」。

正文、脚注、图注、表格、页眉页脚混在一起，普通 OCR 输出的是一锅粥；学术书里一个脚注编号错位，都会让译者反复回查，效率反而比手工录入更低。

我们把多引擎融合识别做到 99%+，包括模糊页与手写体兜底。但在出版场景里，识别率只是最低要求。真正决定能否直接翻译的是结构还原：哪些文字属于正文，哪些属于注脚，表格的合并单元格关系是否保留，图注和正文引用是否对应。

结构化的输出必须是可编辑 Word/TXT，而不是一张「看起来像原文」的图片式 PDF。只有这样，后续的翻译智能体、术语库与审校系统才能直接接管。

任何 OCR 都有识别盲区：水渍、装订阴影、铅字磨损。把这些区域混在「99% 准确率」里交给客户，等于把风险转嫁到编辑端。

我们的做法是把低置信字符与区域单独标注，附置信度清单交付。人工只复核这 1% 的可疑区，比全文通读快一个量级，也避免「看起来都对、实际有错」的隐患。

某出版社 15 本学术丛书、890 万字扫描件，10 周完成 OCR、术语一致性修改、翻译与审核全流程。核心不是更快，而是更少返工：结构一次做对，术语一次锁定，编辑只在真正的疑点上花时间。