Zerox OCR

Zerox OCR 是由Omni-AI团队开发的一款开源AI工具。它并非传统的OCR软件，而是利用大语言视觉模型（如GPT-4o-mini）来“阅读”文档页面，并直接生成结构化的Markdown内容。核心流程是先将PDF等文件转换为图像，再交给视觉模型进行识别与转换，最终输出便于编辑和集成的Markdown文档。这种创新的方法使在处理复杂排版、表格甚至手写体时，准确率优于许多传统方案。

官网入口地址

https://getomni.ai/ocr

下载地址

• 开源项目地址：https://github.com/getomni-ai/zerox

• Python包安装：使用 pip install py-zerox 命令安装

• Node.js安装：使用 npm install zerox 命令安装

功能介绍

Zerox OCR 的功能围绕高效、精准的文档智能化处理展开：

• 零样本OCR识别：基于GPT-4o-mini视觉模型，无需针对特定文档类型进行预先训练，即可直接识别各种格式的文档，包括扫描件、排版复杂的报告等。

• Markdown格式输出：识别结果以结构化的Markdown格式呈现，保留了文档的层级结构（如标题、列表、表格），极大方便了后续的编辑、分析和导入他系统。

• 复杂文档处理：能有效处理包含表格、图表、多栏排版甚至手写体内容的复杂文档，准确提取关键信息。

• 多模型与多格式支持：除GPT-4o-mini外，还支持通过配置调用Azure OpenAI、Anthropic Claude、Google Gemini等多种模型。支持PDF、DOCX、图片等30多种文件格式。

• 灵活部署与API集成：支持本地运行，保障数据隐私安全。同时提供Node.js和Python的SDK及API接口，便于开发者集成到现有应用或自动化工作流中。

应用场景

• 企业文档自动化：自动处理大量的发票、合同、内部报告，快速提取关键字段并录入系统。

• 学术与科研：将纸质论文、技术文档转换为可编辑、可搜索的电子格式，便于文献管理和信息抽取。

• 法律与金融：对法律卷宗、财务报表等复杂文件进行数字化和结构化处理，提高审查效率。

• 内容创作与出版：将旧有印刷资料或图片格式的内容快速转换为Markdown等通用格式，用于网站发布或电子书制作。

使用方法

Zerox OCR 主要通过代码调用使用，以下是Python环境的基本流程：

1. 安装依赖：

   • 在系统上安装 poppler-utils（用于PDF转图像）。

   • 执行 pip install py-zerox 安装Python包。

2. 设置模型与密钥：在代码中配置想要使用的视觉模型（如 gpt-4o-mini）和对应的API密钥。

3. 编写调用代码：

   • 导入 zerox 模块。

   • 调用 zerox() 函数，传入文件路径（支持本地或URL）、模型名称等参数。

4. 运行与获取结果：运行脚本，程序会自动完成文件转换、图像识别和Markdown生成。最终结果可以在代码中直接使用，或保存到指定的输出目录。

服务支持

Zerox OCR 是一个开源项目，核心服务通过调用用户自备的AI模型API来实现。费用主要取决于所选用模型的API调用成本。根据公开数据，使用 gpt-4o-mini 处理1000页文档的成本约为4美元，在同类服务中具有较高性价比。