# ai_imagerecognition_translation

**Repository Path**: loadtogitee/ai_imagerecognition_translation

## Basic Information

- **Project Name**: ai_imagerecognition_translation
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-07-15
- **Last Updated**: 2026-07-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 屏幕区域 OCR 识别 + LLM 翻译工具

框选屏幕任意区域，持续 OCR 识别其中的英文文本，带时间戳写入本地文件。识别完成后可调用 LLM（DeepSeek）将英文翻译为中文。

## 功能

- **交互式区域框选**：半透明覆盖层 + 鼠标拖拽框选屏幕区域
- **持续 OCR**：基于 EasyOCR，实时识别英文文本
- **智能去重**：基于文本相似度（非精确匹配），解决 OCR 对同一字幕产生微小差异导致重复记录的问题
- **LLM 翻译 + 修正**：调用 DeepSeek API 先修正 OCR 识别错误（补全、纠错），再翻译为中文，输出三语对照

## 安装

```bash
# 1. 安装依赖
pip install -r requirements.txt

# 2. 下载 EasyOCR 英文模型（二选一）
```

### 方式一：自动下载（首次运行时 EasyOCR 自动联网下载）

直接运行 `python image_recognition.py`，EasyOCR 会在首次启动时自动下载模型文件。

### 方式二：手动下载模型

模型文件需放入 `D:\Source\easyocr_models`（或通过 `--model-dir` 指定其他目录）。

需要下载两个文件：

| 文件 | 用途 | 大小 | 下载地址 |
|------|------|------|----------|
| `craft_mlt_25k.pth` | 文本检测模型 | ~79MB | [GitHub Releases](https://github.com/JaidedAI/EasyOCR/releases/download/pre-v1.1.6/craft_mlt_25k.zip) |
| `english_g2.pth` | 英文识别模型 | ~14MB | [GitHub Releases](https://github.com/JaidedAI/EasyOCR/releases/download/v1.3/english_g2.zip) |

下载后解压 zip 文件，将 `.pth` 文件放入模型目录即可。

## 使用

### 1. OCR 录制

```bash
# 交互式框选区域
python image_recognition.py

# 预设区域（跳过框选）
python image_recognition.py --region 100,200,600,100

# 自定义参数
python image_recognition.py -o my_output.txt -f 3 --no-gpu

# 调整去重灵敏度
python image_recognition.py --similarity 0.60 --stability 5
```

| 参数 | 默认值 | 说明 |
|------|--------|------|
| `-o, --output` | `ocr_output.txt` | 输出文件路径 |
| `-f, --fps` | `2.0` | 每秒截取帧数（0.5~10） |
| `--no-gpu` | 关闭 | 强制 CPU 模式 |
| `--region x,y,w,h` | 交互框选 | 预设截取区域 |
| `--model-dir` | `D:\Source\easyocr_models` | 模型文件目录 |
| `--similarity` | `0.70` | 文本相似度阈值（0~1） |
| `--stability` | `3` | 稳定性帧数 |

运行中按 **Ctrl+C** 停止录制。

### 2. LLM 翻译

```bash
# 设置 API Key（一次性配置）
setx ANTHROPIC_API_KEY your-api-key
setx ANTHROPIC_BASE_URL https://api.deepseek.com/anthropic

# 翻译 OCR 输出
python ai_translation.py

# 指定输入输出
python ai_translation.py -i ocr_output.txt -o translation_output.txt
```

| 参数 | 默认值 | 说明 |
|------|--------|------|
| `-i, --input` | `ocr_output.txt` | OCR 输出文件 |
| `-o, --output` | `translation_output.txt` | 翻译输出文件 |
| `--model` | `deepseek-chat` | 模型名 |
| `--api-key` | 从环境变量读取 | API Key |

> 翻译需要 DeepSeek API Key。API Key 从环境变量 `ANTHROPIC_API_KEY` 读取，
> 通过 `ANTHROPIC_BASE_URL` 指定 DeepSeek 的 Anthropic 兼容端点。

### 3. 输出示例

**ocr_output.txt**（OCR 原始识别结果，含识别错误）：
```
[00:00] Happy New Year!
[00:05] I you had a New Year' s Eve; and I hope that the new year treats you well. hope good
[00:12] I just wanted to start this video by thanking all of you for watching my Youtube videos:
[00:19] I know help you leatn English, but their also a lot of fun for meito make, and I started they
[00:29] Two years ago I had 0 subscribers, and as of I have close to 18,000 subscribers. today
[00:40] You're awesomel
```

**translation_output.txt**（LLM 修正英文 + 中文翻译）：
```
[00:00]
EN_OCR: Happy New Year!
ZH: 新年快乐！

[00:05]
EN_OCR: I you had a New Year' s Eve; and I hope that the new year treats you well. hope good
EN: I hope you had a good New Year's Eve, and I hope that the new year treats you well.
ZH: 我希望你跨年夜过得愉快，也希望新的一年对你好一点。

[00:19]
EN_OCR: I know help you leatn English, but their also a lot of fun for meito make, and I started they
EN: I know they help you learn English, but they're also a lot of fun for me to make, and I started them
ZH: 我知道它们能帮助你们学英语，但制作这些视频对我来说也很有意思。

[00:40]
EN_OCR: You're awesomel
EN: You're awesome!
ZH: 你们太棒了！
```

> `EN_OCR` = OCR 原始识别文本，`EN` = LLM 根据语义修正后的英文（无修正时不显示），`ZH` = 中文翻译。

## 模块

| 文件 | 说明 |
|------|------|
| `image_recognition.py` | 主入口：CLI 参数、区域框选、截屏循环 |
| `region_selector.py` | 半透明覆盖层框选工具 |
| `ocr_processor.py` | EasyOCR 引擎、文本去重、文件写入 |
| `ai_translation.py` | LLM 翻译，独立运行 |

## 依赖

- [EasyOCR](https://github.com/JaidedAI/EasyOCR) — 离线 OCR 引擎
- [mss](https://github.com/BoboTiG/python-mss) — 高速屏幕截取
- [Anthropic SDK](https://github.com/anthropics/anthropic-sdk-python) — LLM API 调用