OCR 对不同语言和文字系统的识别准确率差异很大，错误的设置会导致结果不可用。
了解应该选择哪些语言模型，以及如何针对每种文字系统进行优化设置，最大限度提高识别准确率。
01 支持的语言概览
Tesseract.js 继承了 Tesseract OCR 引擎的强大多语言能力，支持超过 100 种语言的文字识别。以下是最常用的语言及其特点。
每种语言都有对应的训练数据模型文件，首次使用某种语言时会自动下载对应的模型（通常为几 MB）。模型下载后会被浏览器缓存，之后无需重复下载。
- English (eng) — 英语，拉丁字母，识别率最高
- Chinese Simplified (chi_sim) — 简体中文，适合大陆文档
- Chinese Traditional (chi_tra) — 繁体中文，适合港台文档
- Japanese (jpn) — 日语，含平假名、片假名和汉字
- Korean (kor) — 韩语，韩文字母（谚文）
- French (fra) — 法语，含重音符号的拉丁字母
- Spanish (spa) — 西班牙语，含特殊字符 ñ、¿、¡
- German (deu) — 德语，含变音字母 ä、ö、ü、ß
- Russian (rus) — 俄语，西里尔字母
- Arabic (ara) — 阿拉伯语，从右到左书写系统
02 中日韩（CJK）字符识别技巧
中日韩文字因为字符集庞大、笔画复杂，对 OCR 引擎的挑战比拉丁字母大得多。要获得理想的识别效果，需要注意以下几个关键点。
首先，图片分辨率至关重要。由于 CJK 字符笔画密集，低分辨率图片容易导致笔画粘连或模糊，建议确保文字在图片中的高度至少为 30 像素以上。
其次，正确区分简体和繁体中文非常重要。使用错误的模型不仅会降低识别率，还可能产生大量错字。日语文档如果包含大量汉字，可以考虑同时加载日语和中文模型。
最后，对于竖排文字（常见于传统中文和日文排版），识别效果可能不如横排理想，建议在条件允许时将图片旋转为横排后再进行识别。
中文 OCR 建议使用至少 300 DPI 的图片。如果是从屏幕截图获取，可以先放大到 200% 再截图。
03 混合语言文档的处理方法
在实际工作中，很多文档并非单一语言。技术文档中常见中英混排，学术论文可能包含拉丁语、希腊语符号，商务文件可能涉及多国语言。
Tesseract.js 允许同时加载多种语言模型来处理混合语言文档。操作方式是在语言选择中勾选所有涉及的语言。例如，处理中英混排文档时，同时选择"English"和"Chinese Simplified"。
需要注意的是，加载的语言模型越多，处理速度越慢，内存占用也越大。建议只选择文档中确实包含的语言，避免加载不必要的模型。通常 2-3 种语言是比较理想的平衡点。
04 准确率优化技术
无论使用哪种语言，以下优化技巧都能帮助您显著提高 OCR 识别的准确率。
图片质量是影响识别效果的首要因素。确保图片清晰、文字边缘锐利、背景与文字之间有足够的对比度。如果原始图片质量不佳，可以先使用图片编辑工具进行预处理。
文字方向和对齐也很重要。确保图片中的文字是水平的、没有明显倾斜。即使很小的倾斜角度（2-3度）也可能显著影响识别准确率。大多数图片编辑工具都提供旋转和校正功能。
- 使用 300 DPI 或更高分辨率的图片
- 确保文字与背景有高对比度（深色文字浅色背景最佳）
- 裁剪掉不必要的边距和非文字区域
- 校正倾斜的图片使文字保持水平
- 避免使用过度压缩的 JPEG 图片（伪影会干扰识别）
- 对于模糊图片，尝试先锐化处理再识别
常见问题
Tesseract.js 支持多少种语言？
Tesseract.js 支持超过 100 种语言，包括所有主要的世界语言和许多区域性语言。最常用的包括英语、简体/繁体中文、日语、韩语、法语、西班牙语、德语、俄语和阿拉伯语等。
中文 OCR 识别率低怎么解决？
提高中文 OCR 识别率的关键是：使用高分辨率图片（至少 300 DPI），确保选择了正确的中文模型（简体或繁体），裁剪只保留文字区域，并确保文字不模糊、不倾斜。如果是中英混排，同时选择英文和中文模型。
能同时识别多种语言吗？
可以。Tesseract.js 支持同时加载多种语言模型。在语言选择器中勾选所有需要的语言即可。但建议不要超过 2-3 种，否则处理速度会变慢，准确率也可能下降。
阿拉伯语和希伯来语等从右到左的语言能识别吗？
Tesseract.js 支持阿拉伯语和希伯来语等 RTL（从右到左）语言的识别。但由于这类文字的连笔和方向特殊性，识别准确率可能不如拉丁字母高。确保图片清晰度足够以获得最佳效果。
语言模型文件有多大？会占用很多存储空间吗？
大多数语言模型文件在 1-15 MB 之间。英文模型约 4 MB，中文模型约 10-15 MB。这些文件会被浏览器缓存，不会重复下载。如果需要释放空间，可以通过清除浏览器缓存来移除已下载的模型。