多语种 OCR 的训练数据与数据标注是如何构建的？

1. 真实数据采集与半自动标注

高质量训练数据是多语种 OCR 的关键。实践中优先采集真实场景数据，并采用半自动标注策略：先利用成熟 OCR 引擎生成初始标注结果，再通过人工修正构建黄金数据集。例如为小语种标注图像时，借助预标注可将人工修正时间大幅缩短。

2. 合成数据生成

针对低资源语言标注数据稀缺的问题，可通过合成数据生成框架弥补数据缺口。以波斯文为例，研究者构建了包含多种字体（Naskh、Nastaliq）与多种退化模型的大规模合成图文对数据集，有效支撑了 Transformer 识别模型的训练，使模型能够泛化到复杂的书法风格。

3. 众包标注与字形校验

对于许多少数民族文字，可开发支持对应文字输入的众包标注工具，并集成字形校验功能（如藏文字符必须符合堆叠规则），在保证标注质量的同时降低标注成本。