PaddleOCR还是Tesseract：中文识别与英文CPU速度如何取舍

处理中文扫描件、手机票据和复杂表格，PaddleOCR通常是更值得优先比较的候选；处理干净的印刷英文，尤其是在普通CPU上批量提取纯文本，Tesseract仍有竞争力。在DocsAPI的同机CPU对照中，一张纯英文规则表格图由Tesseract处理耗时0.16秒，由PaddleOCR默认的PP-OCRv6 medium模型处理耗时3.64秒，后者约慢23倍；计时取模型加载完成后的单图运行中位数。

准确率来自另一项测试：DocsAPI的500份真实文档基准使用Tesseract 5.x与PaddleOCR的PP-OCRv4，干净英文两者均为97%至99%，手机拍摄票据分别为58%和82%，英语混合中文或西班牙语的文档为71%和89%，多页银行表格为64%和79%，手写表单为61%和73%。这些类别说明复杂输入可能拉开差距，但混合语言组并非独立的中文测试集，银行表格的行级评分也不能与普通文本的字符准确率混作同一指标。

干净英文：先看交付内容，再看速度

如果文件主要是清晰的英文印刷页，排版稳定，业务只需要可搜索的文字，公开测试没有显示PaddleOCR带来明显的识别率收益。此时，CPU运行时间、进程管理和部署成本更可能决定选择。Tesseract的处理路径较直接，适合作为这类任务的基线；若还需版面恢复或字段提取，就应把附加步骤算进它的总耗时。

单张图片的耗时不能直接换算成服务器的每小时处理量。图片中的文字密度、分辨率、模型档位、是否预热以及是否反复启动进程，都会影响整批完成时间。前述速度差对应一张规则表格图，而真实文件库可能包含长页、模糊扫描和不同尺寸的图片。对英文批处理而言，真正有用的是在相同输出要求下比较整批文档的完成时间，而不是挑出最快的一张。

手机票据与中文混排：关键错误比平均分更重要

手机票据常有倾斜、褪色、反光或背景干扰，文字定位与字符识别会同时受影响。公开基准中PaddleOCR对这类输入的领先，为它进入票据项目的候选名单提供了理由。不过，票据落库时最要紧的可能是合计金额、日期或编号；即使整张票据的字符准确率看起来不错，漏掉合计金额仍可能使结果无法使用。因此，票据比较还应单独记录关键字段是否完整、数字是否正确。

中英混排也需要拆开看。英语地址、中文商品名、阿拉伯数字和货币符号可能出现在同一页，语言切换处的错误未必会被整页平均分突出。公开基准的混合语言类别同时包含中文与西班牙语，适合支持“优先比较PaddleOCR”的判断，却不足以给简体中文、繁体中文或某种字体分别指定准确率。若文件库以繁体字、竖排或低清晰度影印件为主，结论仍须由相应样本决定。

表格：读对字符，还要放对行列

表格任务取决于最终需要什么。仅为扫描页建立全文检索时，识别文字即可；银行流水或报销明细若要进入数据库，交易日期、摘要和金额还必须保持正确的行列关系。字符全对却把金额接到相邻交易，业务结果依然错误。多页表格还会增加续表、重复表头和跨页记录的处理难度。

PaddleOCR的表格识别文档列出结合表格分类、结构识别和单元格检测的专用流水线，并提供HTML与电子表格输出。这是结构化录入所需的能力，但流水线包含的模型与前后处理也会改变耗时。普通文字识别模型的单图速度，不能代替完整表格流水线的速度；银行表格的行级得分，也不等于每种单元格版式都能被正确恢复。

手写件应单独评估

手写表单在公开基准中是两款引擎都较弱的一类。字迹整齐程度、填写位置和扫描质量可能在同一批文件内变化，印刷文字上的优势未必能平移到姓名、地址或金额等手写字段。如果这些字段必须准确，选型时应把它们从印刷件中分出，记录字段错误，并为无法可靠识别的结果保留复核路径。

同样的分组原则也适用于票据和表格。把干净英文、低质量照片、混合语言、跨页表格与手写件合成一个平均分，会让数量最多的容易样本掩盖少数代价最高的错误。分别观察各类文件的结果，才能看出哪种引擎适合实际的文档构成。

版本与语言设置会改变结论

PaddleOCR 3.0技术报告将PP-OCRv5用于多语言文字识别、PP-StructureV3用于文档结构解析、PP-ChatOCRv4用于关键信息提取。它们解决的并非同一任务：识别文字、恢复版面和抽取指定信息，对应不同的输出与计算开销。旧版真实文档基准的得分不能直接写到新版模型名下；单图速度对照采用的模型，也与那项真实文档基准不同。

Tesseract的结果则会受语言与页面分割设置影响。Tesseract官方命令行说明写明默认语言为英文，可组合语言模型；语言顺序可能改变耗时和输出，页面分割模式也可调整。因此，英文单语任务的速度不能直接代表中英混排任务。对规整表格、手机票据或分栏页面，改变分割方式也可能改变阅读顺序和最终文本。

选型可以从文档构成出发：清晰英文纯文本用Tesseract建立CPU基线，中文扫描件和手机票据优先比较PaddleOCR，需要行列结构时纳入完整的表格流水线，手写件另列。两边应交付相同类型的结果，再比较字段错误、结构错误与整批耗时。这样才能判断识别质量的收益是否足以抵消运行开销，以及英文批处理中的速度优势能否在自己的文件库中保持。