tisfeng/Easydict

🚀 功能建议：多模态模型作为ocr渠道

Open

#871 创建于 2025年4月12日

在 GitHub 查看
 (3 评论) (0 反应) (0 负责人)Swift (13,140 star) (657 fork)batch import
PR wantedenhancementgood first issue

描述

请先确认以下事项

  • 已仔细阅读了 README
  • 在 issues 页面搜索过（包括已关闭的 issue），未发现类似功能建议
  • Easydict 已升级到 最新版本
  • 我理解并认可上述内容，并理解项目维护者精力有限，不遵循规则的 issue 可能会被无视或直接关闭

功能描述

是否可以考虑拓宽ocr渠道，比如像使用qwen和gemini这类多模态模型做ocr，效果都还不错

使用场景

ocr

实现方案（可选）

和翻译一样拓宽ocr渠道，接入本地ocr模型或者多模态模型ocr

是否愿意提交 PR 实现该功能

  • 我愿意提交 PR 实现该功能

贡献者指南

技术栈
swiftrest api
领域
apimachine learning
议题类型
feature
难度面向新贡献者的预计实现难度，1 表示很小改动，5 表示专家级工作。
3
预计时间有经验贡献者完成调查、实现、测试并准备 pull request 的粗略时间范围。
1-2 days
活动状态议题当前的可参与程度：新鲜、活跃、陈旧、阻塞或等待维护者输入。
fresh
清晰度议题是否清楚说明期望改动、验收标准和下一步。
mostly clear
前置要求
Swift programmingFamiliarity with Easydict's codebaseKnowledge of REST API integration
新手友好度1-100 的估计分数，表示该议题对首次贡献者的友好程度。
45
研究方向
Examine the existing OCR service implementations (likely in files like `Easydict/OCR/OCRService.swift` or similar) to understand the pattern for adding new services. Then implement support for multimodal model APIs (e.g., Qwen, Gemini) following the same pattern, including authentication, request formatting, and response parsing. Check the issue comments for any additional context or maintainer guidance. Test with sample images to ensure correct OCR output.