合成数据能把 Thai OCR 带到多远?

TL;DR 仅用合成文档训练的泰语 OCR 模型 Wayu-Paxa-OCR-Zero，通过解耦字体多样性、页面结构与真实手写字形等关键因素，在无真实 OCR 标签下显著降低字符错误率，逼近真实标注监督效果。

问题

问题背景

低资源语言 OCR 长期受限于真实标注稀缺，合成数据因其可扩展、标签精确而成为替代方案，但合成到真实的迁移效果并不稳定。

现有方法局限

现有合成 OCR 管道通常把“真实感”作为单一目标，混淆了多个独立因素：源文档域、页面上下文、字体多样性、二维空间结构、手写字形变化。这导致三方面问题：

• 合成渲染缺乏可控消融，无法判断哪些因素真正影响迁移；
• 训练粒度（页面级 / 裁剪级）与源域匹配的交互未经验证，同一合成策略在不同粒度下表现相反；
• 手写体合成普遍退化为印刷体或有限字体，难以覆盖真实手写的字形分布。

为什么这个问题难且重要

泰文文字系统复杂：无显式分词、含声调符号与组合字符，合成渲染需同时保证字形正确与排版自然。真实 OCR 标注成本极高，而合成数据虽可无限生成，但域差距会显著放大 字符错误率 (CER)。业界关注如何用最小真实标注成本获得可部署的低资源 OCR 模型，因此分离迁移因子、量化各因素贡献具有直接工程价值。论文中一个关键发现是：源域匹配的效果取决于训练粒度——页面级训练时 in-domain 重建接近真实监督（1.82% vs 1.31% 中位 CER），而裁剪级训练时 out-of-domain 重建反而更优（15.59% vs 5.52%）。

行业类比

类似自动驾驶中的合成街景数据：若不能区分天气、光照、纹理等独立因素，域随机化的增益有限；只有可控消融才能指导数据生成策略，避免无效堆料。

核心洞察

• 合成数据迁移玄机在于将“真实性”解耦为可独立控制的因子，而非追求单一视觉上的“像”。该论文通过受控文档重建管线，分别考察源域、页面上下文、字体多样性、二维空间结构、手写字形等因素。与大多数仅堆叠合成数据或盲目增加数据量的工作不同，它给出各因子的量化影响：非文本上下文作用有限，字体多样性与二维结构、真实手写字形显著提升迁移。这为合成数据生成提供了明确的优先级排序，工程师可以据此设计渲染管线，用有限的算力产生最大的域迁移收益。
• 训练粒度决定合成数据的域匹配最优策略，页面级与 crop 级训练需要不同的数据构造逻辑。实验发现，页面级训练时，域内重建的合成数据接近真实监督（CER 1.82% vs 1.31%）；而 crop 级训练时，域外重建反而表现更好（15.59% vs 5.52%）。这种反转表明，OCR 模型在整页序列建模中更依赖版面上下文，而裁剪后的局部识别更依赖字形本身。因此，工程实践中不能将同一套合成数据直接用于不同训练格式，必须针对训练粒度调整合成数据的源域和版面属性。
• 合成数据驱动的参数高效微调能超越更大规模的专用 OCR 模型。论文用 45,723 张合成页面将 0.9B 参数的 PaddleOCR-VL-1.6 适配为 Wayu-Paxa-OCR-Zero，在打印体 CER 从 6.64% 降至 1.24%，手写体从 74.87% 降至 20.55%，并在五个评测集上超过 7B 的 Typhoon OCR v1。这表明在数据受限场景下，精心设计的合成数据管线比单纯扩大模型参数量更具性价比，为资源有限团队提供了可行的技术路径。

方法

输入 → 关键模块 → 输出

该方法以真实打印/手写泰国文档页面为参考，结合大规模无标注文本，构建受控文档重建流水线。输入包括：结构化文本行、字体与字形资源、真实手写字形裁剪样本。

关键模块如下：

• Fit-Constrained Rendering：将文本行约束到页面区域，模拟真实排版中的空间填充与对齐。
• Typeface Rendering：通过多样字体（含粗体、斜体变体）渲染字符，提升模型对打印字体的泛化。
• Handwriting Real-Glyph Rendering：从真实手写样本中提取真实字形，重组为手写风格文本行，避免合成手写风格失真。
• 训练粒度切换：分别采用页面级（整页文档图像）和裁剪级（文本行图像）训练，考察不同粒度下合成数据迁移能力。

输出为带有精确字符级标签的合成文档图像。最终将 PaddleOCR-VL-1.6（0.9B 参数）在 45,723 张合成页面上适配，得到 Wayu-Paxa-OCR-Zero，无需真实 OCR 标注。

与同类合成数据方法不同，本工作不是简单堆叠噪声或字体随机化，而是通过消融实验量化源域、字体、结构、字形等因素对迁移的独立贡献，并据此根据训练粒度调整重建策略。

实验

实验设计

通过受控文档重建管线解耦“真实感”中的源域、页面上下文、字体、空间结构和字形变化。分别在 page-level 与 crop-level 粒度训练，在 printed 和 handwritten 泰语文档上评估。最终用 45,723 张合成页面适配 PaddleOCR-VL-1.6。

关键发现

• 非文本上下文 几乎无一致影响；字体多样性、二维结构、真实手写字形显著提升迁移。
• 训练粒度改变源域匹配效应：page-level 下 in-domain 重建 达到 1.82% median CER，接近真实打印监督的 1.31%；crop-level 下 in-domain 重建（15.59%）反而不如 out-of-domain 重建（5.52%）。
• 最终模型在打印页 median CER 从 6.64% 降至 1.24%，手写从 74.87% 降至 20.55%，且在所有五个评估集上超过 Typhoon OCR v1 7B。

与基线对比解读

合成数据若只覆盖单一域，crop-level 训练易过拟合，多样性不足；page-level 训练迫使模型利用二维布局，in-domain 重建因此能逼近真实监督。但 crop-level 下 out-of-domain 重建 提供更广泛字形与背景变化，更鲁棒。这说明 数据构造策略比模型容量关键：0.9B 模型通过精心设计的合成数据超越 7B 基线。

行业影响

落地场景

该工作展示了纯合成数据在泰语 OCR 上的有效性，适合缺乏标注数据的小语种场景。可直接应用于需要处理泰语文档的产品，例如：

• 电商平台对商品图片、收据、订单截图进行文字提取与结构化；
• 内容平台对泰语 PDF、用户上传图片建立可搜索索引；
• 企业服务中的合同、发票、表格自动录入，以及手写笔记数字化。 模型基于 0.9B 参数的 PaddleOCR-VL-1.6，推理轻量，可部署在云端或移动端。

商业价值

• 降本：合成数据生成替代昂贵人工标注，仅用 45,723 张合成页面将打印 CER 从 6.64% 降至 1.24%，标注成本几乎为零，且训练管线可复制到其他小语种。
• 增收/体验：高准确率减少人工校验，提升自动化流程效率；支持手写体（CER 74.87%→20.55%），扩展至表单、笔记等增量场景。
• 竞争壁垒：小模型（0.9B）性能超越 7B 级 Typhoon OCR v1，降低推理成本，适合大规模商用。

与现有产品/工作流的接口

• 模型基于 PaddleOCR 生态，可无缝替换现有 PaddleOCR 流水线中的文本识别模块，无需改动前后处理。
• 支持页面级与 crop 级推理，可适配不同文档布局分析（DLA）输出，与主流 MLOps 工具链集成。
• 合成数据生成管道（文档重建 + 字体多样性 + 二维结构 + 真实手写字形）可作为数据增强模块，嵌入现有 OCR 训练流程，持续迭代新语种。

局限

• **语言与场景单一性**：本研究只针对泰文 OCR，且主要覆盖打印和手写文档，未涉及复杂版式、多语言混排或低质量扫描图像。合成数据管道依赖泰文字体库和手写字形库的构建，这些资源在其他语言（尤其是低资源语言）中可能难以获取，导致方法泛化性受限。论文对非泰文场景的适用性讨论不足，若需迁移到其他文字系统，需重新设计字体和字形渲染流程，工作量较大。
• **手写性能仍存在显著差距**：尽管手写 CER 从 74.87% 降至 20.55%，但绝对错误率依然偏高，与打印场景的 1.24% 形成鲜明对比。手写字形库的规模和多样性可能不足，无法充分覆盖真实手写中的连笔、倾斜、笔画变形和噪声。此外，模型对手写文本的行分割与字符切分可能仍不鲁棒，导致后续识别错误累积。这一局限表明合成手写数据还有很大改进空间。
• **对比实验与模型选择有限**：论文主要与 Typhoon OCR v1 7B 对比，未纳入更多主流泰文 OCR 系统或使用真实标注数据训练的强基线。基础模型采用 PaddleOCR-VL-1.6，其预训练知识和架构可能对结果有重要影响，而论文未探索其他基础模型或结合少量真实数据的半监督策略，可能限制了性能上限。此外，合成数据仅覆盖有限页面布局和噪声类型，真实文档中的复杂背景、光照变化和扫描伪影未充分模拟，导致模型在实际部署时可能退化。