fishtail.dev
../ projects

~/projects/ocr-asr

OCRASR

这是最近在做的一个项目：把图片、音频和文档处理放到一个本地入口，输出能接着用的文字与 Markdown。

Python 3.11+ / FastAPI / Uvicorn / MCP

# overview

浏览器界面处理手动操作，MCP 提供工具调用。图片和语音识别通过腾讯云完成；文本类文档在本地解析，本机不运行识别模型。

# capabilities

图片 OCR
文字 / 表格两种模式，输入 ≤ 10 MB，结果整理为 Markdown。
短音频 ASR
≤ 60 秒、≤ 3 MB，同步转写；支持多个音频格式与语言引擎。
长音频 ASR
≤ 1 GB，浏览器按 10 MB 分块上传，异步提交与结果查询。
文档提取
PDF / DOCX / TXT / MD，≤ 100 MB，本地转换为 Markdown。
实时 ASR
后端支持 WebSocket 音频流；独立于短音频和长音频操作。

# architecture

Web UI / MCP
    │
    └─ FastAPI
         ├─ 图片 / 音频 ─ 腾讯云 OCR / ASR
         └─ 文本类文档 ─ 本地解析
                              │
                         Markdown 结果

长音频通过私有 COS 预签名 URL 提交任务，SQLite 保存任务映射；查询到任务结束后保存结果，并清理 COS 临时对象。

文本 PDF 与扫描 PDF 走不同路径。扫描 PDF 需另外使用图片 OCR。

# related notes