中英文手写作文都能识别？分栏、涂改、阅读顺序这三道关，AI 怎么过

摘要：

中文的连笔粘连与英文的连写、大小写，让双语手写识别比单语更难。分栏、涂改、阅读顺序三关直接决定输出能不能用：栏位归属、内容取舍、排列次序，任何一处判错，文本表面正常却没法直接用。

一、双语手写为什么比单语更难

单语手写识别已经不容易，双语材料还要多一层复杂度：两种文字的书写形态完全不同，对版面理解的要求也不同。中英文手写作文识别的定位是支持中英文手写长文本识别，把两种语言放在同一个问题里看，难点主要体现在三处。

第一处在字本身的形态。中文常用字数量大，字形相近的字多，书写时字距紧凑、连笔普遍，字与字之间没有空格作为天然分隔，字界要靠笔画走向和版面线索去推。英文的字符类别少得多，看起来更"简单"，但它有自己的麻烦：字母有大写和小写的形态差异，手写时字母之间常常连写，单词间距忽宽忽窄，标点在潦草书写中容易与相邻字母粘连或被省略。同一个学生写的同一页纸，中文字迹的难点在"字与字分不开"，英文字迹的难点在"字母与字母分不开"，两者指向的其实是同一类判断——在没有明确分隔符的地方切出正确单元。

第二处在文本的切分逻辑。中文没有词与词之间的空格，语义单元的切分依赖字序和上下文；英文以空格分词，词边界相对明确，但断词换行、缩写与标点都会影响切分结果。一篇中英夹杂的作文里，这两套逻辑要同时成立：中文段落按连续字序还原，英文段落按空格还原，切分策略在同一篇里来回切换。如果按单一逻辑处理，中文部分会被多余的"词"边界切碎，英文部分则可能把两个单词粘成一个。

第三处在版面理解的依赖度。一页纸上同时出现两种文字时，书写密度、留白与断行方式都不一样，版面判断很难用一套统一规则套下来；而版面一旦判错，后续的处理都会建立在错误的基础上。

这些差异叠加起来，决定了双语手写识别不能只做一次"认字"，还需要一套针对版面结构的判断规则。三道关就是这套规则要依次通过的地方。

二、分栏、涂改、阅读顺序三道关

这三处判断有一个共同点：做对了，输出读起来毫无异样；做错了，也不会以报错的方式暴露，而是把问题原样带下去。

2.1 分栏关：多栏排版下确定可读顺序

多栏排版的第一层难点是"物理相邻不等于阅读相邻"。两栏作文纸里，左栏最后一行与右栏第一行在纸面上隔着一道空白，在阅读顺序上却是紧挨着的。

要过这道关，判断要分三步做。第一步是识别栏与栏之间的空白通道，把画面切成若干纵向区域；第二步是把每个文字块归属到它所在的栏；第三步是在栏内自上而下排序，栏间按从左到右衔接。三步里最容易被忽略的是第二步：文字块贴近栏界、或者某一栏只有短短几行时，归属判断会变难，一个字块判错栏位，它就会跑到另一个完全不相干的位置上。

分栏判断在双语材料里还有一层特殊要求。中文作文字数多、行距紧，栏界附近的书写容易越线；英文单词较长，写到栏末时可能被拆到下一行开头，跨栏的片段看起来像是另一栏的内容。这些都需要在分栏判断时一并考虑，而不是靠单一的空隙宽度阈值来决定。

分栏信息本身不会出现在最终文本里，但它决定了文本的排列方式。分栏判断一旦出错，输出会是一段"每个字都对、顺序全错"的文本。

2.2 涂改关：让输出保留"最终那一版"

从识别的角度看，涂改带来的问题有一个共性：纸面上同时存在被否定的内容和被确认的内容，机器必须判断哪些该留下。这个判断在中英文里的表现形式不一样。

中文作文的涂改多为整句划掉和行间补字。划掉的句子往往较长，线条与笔画在图像上会混在一起；补写常在字缝之间，位置紧凑，一两个字挤在上一行的空隙里。英文作文常见的是单词级修改：改写结尾的字母以调整时态或单复数、划掉整个单词后在上方补写、用插入符号添加缺漏的词。单词级修改的难点在粒度更细——补写的一两个字母紧挨着原词，稍不留意就会与相邻字母连成另一个词，读出来是拼写错误，而学生原本写的没问题。

覆盖重写是两种语言都常见的情况。涂改带、涂黑或者直接压在原字上重写，都会让字形不完整，需要结合上下文推断这个位置该是什么字。中文字数多、可选项多，推断难度更高；英文受拼写规则约束，可选项相对少一些。

无论形式如何，下游要的都是同一份产物：内容对应学生最终想表达的版本，涂改痕迹属于过程信息，不该混进结构化文本。这个前提不成立时，下游的批改会大量误判——教师看到的"错误"，可能是修改过程留下的痕迹，而不是学生最终的写法。

2.3 阅读顺序关：顺序错，整篇语义跟着错

前两关处理完之后，还有一道关看起来最简单，影响却最直接：阅读顺序。

输出是线性文本。线性意味着顺序本身携带信息——同样的字符按不同顺序排出来，是完全不同的两句话。在中文里，阅读顺序错乱会产生看起来像病句、实际是乱序的字符串；在英文里，单词顺序颠倒会直接破坏语法结构。更麻烦的是，下游处理的都是"按顺序理解"的任务：批改要定位到具体句子，素材整理要能按段落取用，归档要能还原整篇结构。顺序错了，这些动作全部跟着错位。

判断阅读顺序的依据，是人的阅读习惯，而不是像素坐标。多栏排版、页面插图、行间批注、跨栏书写，都会打断图像上的线性排布。中英文混排时这种打断更常见：同一段落内两套排布规则交替出现，行末还可能有一次断词拆行。阅读顺序要还原到"读起来对"的程度，输出才能真正可用。

三关的关系到这里也就清楚了：它们之间存在先后依赖——分栏判断错了，阅读顺序再准也只是在错误的栏位上排序；涂改判断错了，顺序再对也只是把错的内容排整齐。缺其中任何一环，输出都不可用。

三、结构化输出之后能接什么

输出规范决定了结构化文本能走多远。顺序正确、内容完整的文本，可以进入三条下游路径。

第一条是批改。批改里的诊断动作依赖文本本身的正确性，也需要能定位到具体位置：哪里是学生真正写错的，哪里是表达不够好的。文本顺序错乱时，定位就失去意义；文本缺了涂改后的新内容时，诊断会落在旧内容上。识别的输出规范越稳，教师复核时越省力。

第二条是教研素材。识别出来的作文文本可以进入素材库，供讲评、教研与范文选取使用。这条路径对输出规范的要求偏向结构：段落边界要清晰，中英文段落不该被混成一段，后续按段落取用或按语种筛选时才不必再人工回切。中英夹杂的作文尤其怕这一点——如果中文和英文被并成一段连续字符，按语种做的统计都会失真。

第三条是电子化归档。纸本作文的检索只能靠翻，转成文本后可以按班级、学期、题目归档和检索。归档对输出规范的要求偏向完整与顺序：一篇作文读下来要能还原成学生写的样子，包括中英文混排与较长篇幅的段落。

三条路径的侧重并不相同，但都建立在一个共同前提上：输出的文本要按阅读顺序排列，内容与学生的真实表达一致。

四、规格与成本口径

中英文手写作文识别对应接口 HandwritingEssayOCR，默认频率限制 5 次/秒。输入侧有几项参数直接决定能不能识别：Base64 编码后不超过 10M，分辨率建议 600×800 以上，图片下载时间不超过 3 秒，仅支持 PDF 单页识别；可接收的文件格式为 PNG、JPG、JPEG、BMP 与 PDF。双语作文如果分多页拍摄，需要按页分别识别，一页一次调用。

计费按次。后付费 0.24 元/次；预付费资源包 1000 次档 360 元，折合 0.36 元/次，1 万次档 3000 元，折合 0.30 元/次，10 万次档 18000 元，折合 0.18 元/次。按日常价折算，前两档的单次成本都高于后付费，年度用量在万次量级时按量付费反而更省，资源包要到更大的量级才能把单次成本摊到后付费以下。免费额度同样是 1000 次/用户，开通时一次性发放、1 年内有效。

五、总结

双语手写识别的难处，不在多认几种字，而在同一页纸上同时面对中英文两套书写逻辑，再叠加分栏、涂改、阅读顺序这三道版面判断。任何一关出错，输出看起来正常却用不了——分栏错位、顺序颠倒，或把涂改痕迹混进了正文。三关都过，得到的才是一份按阅读顺序排列、与学生真实表达一致的结构化文本，也才有条件进入批改、教研素材与归档。

如果手写作文的电子化正卡在中英混排和分栏这两处，可以先取一个班的双语作文做小规模验证，重点看分栏归属与阅读顺序的实际表现，再决定覆盖范围。中英文手写作文识别首次开通即发放 1000 次免费额度、一年内有效，用免费额度就够把识别链路验证一遍，不必一上来就付费；确认效果后再按需放量，可对照 文档智能特惠活动 的折扣档位：中英文手写作文识别不限新老用户低至 6 折，按用量选规格更划算。