OCR与语音识别——政务AI的两个实用场景
OCR和语音识别，听起来高大上，实际上做起来没那么复杂。这篇记录我用EasyOCR、PaddleOCR做文字识别，用科大讯飞做语音转文字的过程。不是论文，是踩坑笔记。
一、EasyOCR：最省事的文字识别
importeasyocr reader=easyocr.Reader(['ch_sim','en'],gpu=False)result=reader.readtext(r'd:\20250325151517.jpg')fordetectioninresult:print(detection[1])三行代码。ch_sim是简体中文，en是英文，gpu=False用CPU跑。输入一张图片，输出识别的文字。
优点：
- 安装简单，
pip install easyocr一条命令 - 支持中文，开箱即用
- CPU就能跑，不需要GPU
缺点：
- 速度慢，一张图几秒钟
- 中文识别准确率一般，手写体和模糊图片效果差
- 不支持表格结构识别
适合场景：简单的文字提取，不要求高准确率。
二、PaddleOCR：中文识别更强，还支持表格
文字识别
frompaddleocrimportPaddleOCR ocr=PaddleOCR(use_angle_cls=True,lang='ch')result=ocr.ocr(r'd:\20250325151517.jpg',cls=True)forlineinresult:forjinrange(0,line.__len__()):print(line[j][1][0])也是几行代码。use_angle_cls=True开启文字方向检测，图片倒着也能识别。
比EasyOCR好在哪：
- 中文识别准确率明显更高
- 速度更快（PaddlePaddle底层优化）
- 支持旋转文字检测
表格结构识别
frompaddleocrimportPPStructure table_engine=PPStructure(table_model_dir=r'e:\model\ch_ppstructure_mobile_v2.0_SLANet_infer')result=table_engine(r'd:\20250325151517.jpg')print(result)PPStructure是PaddleOCR的扩展，专门做文档结构分析。输入一张包含表格的图片，输出表格的结构（行、列、单元格）和内容。
政务场景大量表格——审批表、报销单、统计报表。以前要人工录入，PPStructure可以直接从图片里提取表格数据。
注意事项：
- 模型文件要单独下载，不像文字识别模型自动下载
- 表格识别准确率取决于图片质量，拍照歪的、有阴影的效果差
- 复杂合并单元格识别不太准
两者对比
| 维度 | EasyOCR | PaddleOCR |
|---|---|---|
| 安装 | pip一条命令 | pip安装+可能需要额外下载模型 |
| 中文准确率 | 一般 | 较好 |
| 速度 | 慢 | 快 |
| 表格识别 | 不支持 | 支持（PPStructure） |
| GPU需求 | 不需要 | 不需要，但有GPU更快 |
| 适合场景 | 快速验证、简单文字 | 生产环境、表格提取 |
我的结论：在政务场景下，PaddleOCR是更好的选择。中文识别准确率更高，表格识别是刚需。具体选型可以看我另一篇《政务OCR选型：EasyOCR vs PaddleOCR》。
三、科大讯飞语音听写：PCM音频转文字
政务热线有大量电话录音，需要转成文字做分析。
原理
讯飞语音听写API用WebSocket协议：客户端把音频分帧发送，服务端实时返回识别结果。
importwebsocketimportbase64importjson STATUS_FIRST_FRAME=0STATUS_CONTINUE_FRAME=1STATUS_LAST_FRAME=2frameSize=1280# 每帧1280字节intervel=0.04# 发送间隔40ms，模拟实时语音流withopen(AudioFile,"rb")asfp:whileTrue:buf=fp.read(frameSize)audio=str(base64.b64encode(buf),'utf-8')ifnotaudio:status=STATUS_LAST_FRAME# 第一帧：带参数ifstatus==STATUS_FIRST_FRAME:d={"header":{"status":0,"app_id":APPID},"parameter":{"iat":{"domain":"slm","language":"zh_cn","accent":"mulacc"}},"payload":{"audio":{"audio":audio,"sample_rate":16000,"encoding":"raw"}}}ws.send(json.dumps(d))status=STATUS_CONTINUE_FRAME# 中间帧：只带音频elifstatus==STATUS_CONTINUE_FRAME:d={"header":{"status":1,"app_id":APPID},"payload":{"audio":{"audio":audio,"sample_rate":16000,"encoding":"raw"}}}ws.send(json.dumps(d))# 最后一帧elifstatus==STATUS_LAST_FRAME:d={"header":{"status":2,"app_id":APPID},"payload":{"audio":{"audio":audio,"sample_rate":16000,"encoding":"raw"}}}ws.send(json.dumps(d))breaktime.sleep(intervel)鉴权机制
讯飞的API鉴权比较复杂——HMAC-SHA256签名：
signature_origin="host: iat.cn-huabei-1.xf-yun.com\n"signature_origin+="date: "+date+"\n"signature_origin+="GET /v1 HTTP/1.1"signature_sha=hmac.new(APISecret.encode('utf-8'),signature_origin.encode('utf-8'),digestmod=hashlib.sha256).digest()authorization=base64.b64encode(signature_sha).decode('utf-8')把host、date、request-line拼接后用HMAC-SHA256签名，再base64编码，拼成URL参数。这是标准的HTTP签名鉴权模式，很多云服务都用这种方式。
返回结果解析
defon_message(ws,message):message=json.loads(message)payload=message.get("payload")ifpayload:text=payload["result"]["text"]text=json.loads(str(base64.b64decode(text),"utf8"))result=''foriintext['ws']:forjini["cw"]:result+=j["w"]print(result)讯飞返回的结果是base64编码的JSON，里面ws是词组列表，cw是字列表，w是每个字的文本。解析过程有点绕，但跑通一次就好了。
注意事项
- 音频格式：讯飞要求PCM格式，16K采样率。如果是WAV/MP3，需要先用FFmpeg转换
- 实时性：每帧40ms发送，模拟实时语音流。如果是离线文件转写，讯飞也有专门的API
- 并发限制：免费版有并发连接数限制，批量转写需要注意
四、环境搭建总结
| 组件 | 安装方式 |
|---|---|
| EasyOCR | pip install easyocr，首次运行自动下载模型（约100MB） |
| PaddleOCR | pip install paddleocr，表格模型需手动下载 |
| 讯飞语音 | pip install websocket-client，需注册讯飞开放平台获取APPID/Key |
| Python | 3.9-3.11 |
三个工具都不需要GPU，CPU就能跑。PaddleOCR和讯飞语音在有GPU的环境下会更快。
五、总结
| 工具 | 做了什么 | 关键点 |
|---|---|---|
| EasyOCR | 简单文字识别 | 安装最简单，中文准确率一般 |
| PaddleOCR | 中文文字+表格识别 | 政务场景首选，表格识别是刚需 |
| 讯飞语音 | PCM音频转文字 | WebSocket分帧发送，实时返回结果 |
三个工具分别解决三个问题：图片里有字→OCR提取、图片里有表格→PPStructure解析、录音里有话→讯飞转写。在政务AI落地中，这三个能力经常组合使用：热线电话录音转文字 → 文字做NLP分析 → 分析结果输出到报表，报表里的表格可能又需要OCR识别。环环相扣。
相关阅读：
- 《政务OCR选型：EasyOCR vs PaddleOCR》
- 《94万条热线问题的分析之路——KMeans聚类、动态相似度与大模型分类》
- 《向量数据库实战——用Milvus+Ollama搭建社保知识检索系统》
