低资源语言零样本 OCR 准确率：斯 恰利亚语与泰米尔语比较分析
计算与语言
2025-08-26 v2
摘要
针对拉丁字母及其衍生脚本的光学字符识别（OCR）问题，由于在英语及其他高资源语言（HRL）上的研究已相当成熟，问题基本被解决。然而，对于使用独特脚本的低资源语言（LRL），该问题仍悬而未决。本研究对比分析了六种不同 OCR 引擎在两种 LRL（斯 恰利亚语与泰米尔语）上的零样本性能。所选引擎包括商业与开源系统，以评估各类型的优势。对斯 恰利亚语与泰米尔语分别评估了 Cloud Vision API、Surya、Document AI 和 Tesseract，而 Subasa OCR 与 EasyOCR 因限制因素仅针对一种语言进行测试。通过五种度量技术严格评估，这些系统在字符级和词级上的准确率。根据结果，Surya 在斯 恃利亚语的所有指标中表现最佳，词错误率（WER）为 2.61%；而 Document AI 在泰米尔语的所有指标中卓越表现，字符错误率（CER）仅为 0.78%。本文还引入了一个新的合成泰米尔语 OCR 基准数据集。
引用
@article{arxiv.2507.18264,
title = {Zero-shot OCR Accuracy of Low-Resourced Languages: A Comparative Analysis on Sinhala and Tamil},
author = {Nevidu Jayatilleke and Nisansa de Silva},
journal= {arXiv preprint arXiv:2507.18264},
year = {2025}
}
备注
11 pages, 4 figures, 1 table, Accepted paper at Recent Advances in Natural Language Processing (RANLP) 2025