kotaro-kinoshita/yomitoku

解決的問題

YomiToku 是一個專為日文文字與版面設計的文件 AI 引擎。它解決了從文件影像中提取結構化資訊的問題，能處理一般 OCR 工具常難以應對的日文特有挑戰，例如垂直書寫、手寫文字以及複雜的表格結構。

工作原理

本專案使用四個自訂訓練的 AI 模型，完成完整的文件分析流程：

1. 文字檢測：定位影像中文字所在的位置。
2. 文字識別：將檢測到的文字區域轉換為字串，支援超過 7,000 個日文字符。
3. 版面分析：識別文件的語意結構，包括段落、圖表與圖片。
4. 表格結構識別：分析表格的格線與單元格結構，以維持資料之間的語意關係。

支援多種輸出格式，包括 Markdown、HTML、JSON、CSV 與可搜尋 PDF。也提供「輕量」模式，用於在 CPU 上實現更快的推論。

適用對象

• 希望在應用中整合高精度日文 OCR 與版面分析的 開發者。
• 致力於日文文件數位化的 研究人員。
• 需要自動化提取表單、報告與發票資料的 企業（透過表格語意解析器與提取器）。

亮點

• 日文專精：對垂直書寫與手寫日文文字具有高精度識別能力。
• 結構化提取：能將表格轉換為結構化 JSON 或 CSV，同時保留閱讀順序。
• 彈性提取：透過 YAML 模式，同時支援固定表單的規則提取與非結構化文件的 LLM 提取。
• 硬體高效：可在 VRAM 少於 8GB 的 GPU 上運行，或使用輕量模型在 CPU 上運行。
• 隱私優先的示範：提供瀏覽器端示範（YomiToku Studio），透過 WebAssembly/WebGPU 在本地執行推論，確保影像不會上傳至伺服器。