# OCR与语音识别——政务AI的两个实用场景

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

python 复制代码

import easyocr

reader = easyocr.Reader(['ch_sim', 'en'], gpu=False)
result = reader.readtext(r'd:\20250325151517.jpg')

for detection in result:
    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

python 复制代码

from paddleocr import PaddleOCR

ocr = PaddleOCR(use_angle_cls=True, lang='ch')
result = ocr.ocr(r'd:\20250325151517.jpg', cls=True)

for line in result:
    for j in range(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

python 复制代码

from paddleocr import PPStructure

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。

python 复制代码

import websocket
import base64
import json

STATUS_FIRST_FRAME = 0
STATUS_CONTINUE_FRAME = 1
STATUS_LAST_FRAME = 2

frameSize = 1280    # 每帧1280字节
intervel = 0.04     # 发送间隔40ms，模拟实时语音流

with open(AudioFile, "rb") as fp:
    while True:
        buf = fp.read(frameSize)
        audio = str(base64.b64encode(buf), 'utf-8')

        if not audio:
            status = STATUS_LAST_FRAME

        # 第一帧：带参数
        if status == 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
        elif status == 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
        elif status == STATUS_LAST_FRAME:
            d = {
                "header": {"status": 2, "app_id": APPID},
                "payload": {"audio": {"audio": audio, "sample_rate": 16000, "encoding": "raw"}}
            }
            ws.send(json.dumps(d))
            break

        time.sleep(intervel)

鉴权机制

讯飞的API鉴权比较复杂------HMAC-SHA256签名：

python 复制代码

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

python 复制代码

def on_message(ws, message):
    message = json.loads(message)
    payload = message.get("payload")
    if payload:
        text = payload["result"]["text"]
        text = json.loads(str(base64.b64decode(text), "utf8"))
        result = ''
        for i in text['ws']:
            for j in i["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》