OCR 电子书之我见(续):用 SoMark 解放大模型

在上一篇《OCR电子书之我见》里，我介绍了配合 Antigravity 使用的全自动制作电子书的 Skill（pdf-book-ocr^[1]）。

那个方案虽然能跑通，但实际用下来有两个问题：

秉承着“面向小红书编程”的优良传统，我在评论区网友的安利下看到了 SoMark^[2]。

去官网看了一下，发现它是专门做文档解析的工具，目前每个月有 2000 页的免费额度，每天限 500 页，个人平时转几本书完全够用。

试了一下，在识别速度上确实比通用大模型快得多，排版的还原度也算不错。既然有了轻量且专业的工具，大模型就完全不需要再当“抄书苦力”了。

于是我重新写了一个新的 Skill：somark-book-epub^[3]。

这次最大的改动，是放弃了上一代每 15 页硬切一刀的做法，改成按真实篇目切片。

只要切片的物理边界就是文章的自然章节，切片末尾正好是文章结尾，跨切片的断句问题就从根本上消失了。上一版写的那些接缝检查、断句拼接代码，直接全部删掉。

实现起来分两种情况：

底层的文字识别和配图下载交给工具后，大模型只需要负责校对文本。

比如：OCR 输出时，经常把图片正下方的短说明（比如“工作台前的我。”）识别成普通正文，导致这段图注带着首行缩进混在故事里，显得很不协调。

大模型负责判断图片下方的短句是不是在给图片做说明，如果是，就提取到 Markdown 图片语法  里面，并在正文中删掉这一行。这样编译出来的 EPUB 就会呈现正规居中、无缩进的图注样式。

这个新 Skill 已经开源在 GitHub，支持在各种 Agent 工具中作为 Skill 使用。有需要的朋友可以去 SoMark 注册一下，复制 API key 配合使用。