Image to manuscript vision

图片转文稿（原生视觉转写）

核心原则

1. 直接看图转写。 使用模型原生视觉理解读取页面，不调用任何 OCR 引擎、OCR API、OCR 命令行工具或带 OCR 的文档转换流程。
2. 忠实优先于流畅。 不确定的字不得靠语感偷偷补齐；必须留下可追踪标记。
3. 逐页闭环。 每一页都要经历：识别 → 记录首尾 → 复核 → 标记完成。
4. 不虚报。 未逐页完成二次核对时，不得声称“完全准确”“错误率极低”或给出没有验证依据的准确率。
5. 保护隐私。 默认只处理本地/当前会话中的图片，不上传到外部网站或第三方服务。

明确禁止

除非用户明确改变要求，否则不得：

• 运行 tesseract、paddleocr、easyocr、ocrmypdf、Apple Vision OCR、Google/Azure/AWS OCR 或同类服务；
• 从 PDF 的隐藏文字层、现成 OCR 文本层或自动字幕层冒充“自己看图识别”；
• 用模糊的语义补全替代页面上的原文；
• 跳过页面后仍声称全文已经完成；
• 先用 OCR 生成底稿，再只做少量人工修订，却把结果描述为纯视觉转写。

允许使用的辅助操作：旋转图片、裁切边缘、放大、调亮、增强对比度、建立图片清单、统计字数、生成文稿文件。这些操作不得包含文字识别。

开始前

1. 确认输入

• 确认所有目标图片在当前会话或本地文件系统中可访问。
• 统计图片数量、文件名、尺寸、方向和明显的缺页/重复页。
• 图片缺失时，只询问缺失的目标，不要假装已有图片可用。

可运行：

python scripts/inventory_images.py <图片目录>

此脚本只读取文件名和图像尺寸，不识别文字。

2. 判断页面顺序

先按文件名和上传顺序建立初始顺序，再根据以下线索修正：

• 标题、题号、页码；
• 上一页末句与下一页首句是否衔接；
• “第1题/第2题”“参考答案（一）/（二）”等结构；
• 同一页左右露出的邻页内容只作为线索，不纳入当前页正文。

顺序不确定时，记录为“待确认”，不得强行拼接。

3. 选择输出模式

用户未指定时，默认生成：

1. 忠实转写稿：最大限度保留标题、段落、题号、标点和页间边界；
2. 整理文稿：去掉纸张换行造成的断行，统一空格和段落，但不改写原意；
3. 存疑清单：列出所有无法确认、被裁切或疑似错字的位置。

用户只要一种格式时，按要求输出。

逐页转写流程

1. 分批处理

• 一次处理 1–4 页；密集小字页面优先 1–2 页一批。
• 完成一批后立刻写入中间文稿，不要把几十页全部留在临时上下文中。
• 每页添加内部页标记，例如：<!-- PAGE: Image_001.jpg -->。最终整理稿可移除，忠实稿建议保留。

2. 视觉读取

对每页按以下顺序阅读：

1. 页面标题和题号；
2. 从上到下、从左到右逐段读取；
3. 检查缩进、序号、括号、数字、专有名词；
4. 记录该页正文的前 12–20 个字和后 12–20 个字；
5. 检查页边、书脊、弯曲、反光和裁切区域。

不得把旁边露出的另一页、桌面花纹、手写批注误当正文。手写批注只有在用户要求时才单独转写，并标注“手写”。

3. 存疑标记

统一使用：

• 〔无法辨认〕：看不清且没有可靠候选；
• 〔疑似：甲｜备选：乙〕：存在两个以上合理读法；
• 〔裁切缺字〕：原图未拍全；
• 〔页序待确认〕：页面衔接无法确定；
• 〔原文疑误〕：页面本身疑似存在错别字，但仍按原文抄录。

不要用方括号补出“应该是”的文字而不说明依据。

4. 页面台账

维护一份台账，至少包含：

页/文件	开头文字	结尾文字	存疑数	状态
Image_001.jpg	……	……	0	已复核

可复制 assets/transcription-ledger.md 作为模板。

二次复核

每一页必须重新看图核对一遍，重点检查：

• 标题、题号、段落是否遗漏；
• 同音/形近字：的/地/得、村委/村两委、群众/群体等；
• 人名、地名、政策名、机构名；
• 数字、日期、金额、百分比、电话号码、字数；
• 否定词“不、未、无”、程度词“仅、均、全部”等高影响词；
• 页首、页尾是否与相邻页面重复或断裂；
• 是否误录邻页露出的文字；
• 是否因页面弯曲而漏掉行首或行尾。

完成后把台账状态改为“已复核”。仍有疑问的页不要标为无误。

长文档完整性检查

转写完成后：

1. 核对图片总数与台账页数；
2. 搜索所有存疑标记；
3. 检查是否有重复段落、缺页标记和断句异常；
4. 计算实际字数，不凭感觉估算；
5. 确认忠实稿与整理稿没有大段内容差异。

可运行：

python scripts/check_manuscript.py <文稿文件>

该脚本只做字数、页标记和存疑标记统计，不识别图片。

输出规则

忠实转写稿

• 保留题号、标题、原段落；
• 保留原文中明显存在的措辞和语法；
• 纸张自然换行可合并，但不得改变句子；
• 建议格式：Markdown 或 TXT。

整理文稿

• 修复因排版产生的断行；
• 统一中文标点、空格和段前段后；
• 不擅自润色、删减、改写；
• 如修复明显排版错误，需在存疑清单中说明。

Word 文档

用户要求 DOCX 时：

• 使用标题层级、正文段落和合理页边距；
• 不把每个原始图片页强制做成一个 Word 页面，除非用户要求版式复刻；
• 生成后必须检查是否有乱码、缺字、错位和异常分页；
• 同时保留一份纯文本或 Markdown 作为可核对底稿。

质量报告

交付时必须说明：

• 共处理多少张图片、多少页；
• 是否使用 OCR：明确写“未使用 OCR”或“经用户同意使用了 OCR”；
• 已复核页数；
• 尚有多少处存疑、裁切或页序问题；
• 输出文件名称；
• 准确率只能在有抽样或逐字对照依据时估算，并说明方法。没有独立对照时，写“未进行独立准确率测定”。

推荐交付表述：

已处理 18 张图片，18 页均完成两遍视觉核对；未使用 OCR。文稿中仍保留 7 处存疑标记，主要位于书脊弯曲和页边裁切区域。未进行独立准确率测定。

失败与降级策略

• 某一页过于模糊：先完成其他页面，再单独列出需要补拍的页；
• 页面严重倾斜：先旋转/裁切后再看图，不得自动 OCR；
• 跨页文字被裁切：保留 〔裁切缺字〕，请求补拍相邻页；
• 文档太长导致上下文压力：按批次保存到文件，使用台账恢复进度；
• 模型无法可靠看清：坦白说明，不得以语义猜测填充。

完成标准

只有同时满足以下条件才算完成：

• 所有可用图片均已登记；
• 每页均有首尾记录和状态；
• 每页至少完成一次转写和一次视觉复核；
• 未解决问题全部进入存疑清单；
• 输出文件能够打开，正文不为空；
• 最终答复没有虚构准确率，也没有隐瞒 OCR 使用情况。