7月24日，Tesseract 悄悄发布了 5.5.3 版本。到今天正好满月，我翻了翻这一个月的社区讨论，发现一个挺有意思的反差：一边是 GitHub 上 7 万多星的老牌 OCR 引擎照常更新。知乎另一边是知乎、B站上到处都在讨论"现在做文字识别，还该不该用 Tesseract"。
今天就把这事掰扯清楚：5.5.3 到底更新了什么、Tesseract 现在处于什么状态、以及最关键的——哪些场景它依然是最优选，哪些场景你该换工具了。
先看 5.5.3 更新了什么：别期待识别率提升
先给期待"新版本识别更准"的朋友泼盆冷水。我看了官方 release note，5.5.3 的更新清单是这样的：修复多页 PAGE XML 输出缺失闭合标签的问题、修复 Apple 交叉编译时 CMake 的问题、Windows 安装包新增葡萄牙语支持、修复多实例互斥、文档和 CI 依赖更新……
全是维护性工作，没有一条涉及识别模型或精度。GitHub再往前翻版本记录就更清楚了：5.5.0 是 2024 年 11 月发的，之后 5.5.1（2025年5月）、5.5.2（2025年12月）、5.5.3（2026年7月），基本保持半年到一年一个维护版本的节奏，内容也都是修 bug、改构建、更新依赖。这说明什么？Tesseract 作为引擎本身已经进入了成熟稳定期。它不会突然哪天官方宣布"中文识别率大幅提升"——从 4.0 引入 LSTM 神经网络引擎之后，大的架构演进就停在这里了。知乎想靠等官方更新来解决识别率问题，方向就错了。
社区在吵什么：中文识别率这个老话题
翻最近几个月的讨论，绕不开的还是那个经典话题：Tesseract 的中文识别。
知乎上最近几个高热度 OCR 问题下，多个回答反复表达同一个观点：这几年 OCR 发展太快，传统方案比如 Tesseract 在中文场景下表现一直不太理想，商业 API 又贵又不灵活。知乎今年 7 月底还有一篇 64 赞的实践帖很典型，作者说自己折腾 Tesseract 识别率只有 35%，被评论区点醒后改用多模态 AI 方案，干到了 95% 以上。知乎更有意思的是，已经有线上工具开始"去 Tesseract 化"。6 月份笔记软件 NoteGen 发布 v0.30.0，直接把 Tesseract 移除了，安装包瘦到 17.9MB，识别还更快了。哔哩哔哩说句公道话：这个"传统方案中文不理想"的说法最近在多个 OCR 问题下反复出现，其中不乏疑似同质化的推广回答，看的时候要留个心眼。但它指向的痛点是真实的——中文复杂场景下 Tesseract 开箱即用的体验确实一般，这一点被多个独立实践帖交叉验证过。
但先别急着下"过时了"的结论，另一边的信号同样真实：8 月初还有人专门写 SpringBoot + Tesseract 的发票识别流水线实践，6 月底还有 Tesseract LSTM 自定义训练的详细教程，至于 B站上"10分钟学会 Tesseract""安装配置全流程"这类教程，播放量几千到上万的一直都在更新。
所以真实情况不是"该不该用"，而是"在哪用"。
一张表说清楚：什么场景用什么
这是我替大家梳理的重点。结合社区实践帖、对比讨论和这一个月的版本信息，不同需求对应的选择其实很清晰：
继续用 Tesseract 的场景
给 PDF 批量加可搜索文字层：ocrmypdf 这类工具底层就是 Tesseract，这条链路依然是事实标准，目前没有更好的开源替代。知乎
服务器端/嵌入式/低配机器的离线识别：体积小、C++ 写的、跨平台、不依赖深度学习运行时，Apache 2.0 协议商用无忧。这种"轻量到哪儿都能跑"的特性，新引擎反而做不到。
英文、代码、简单排版：LSTM 引擎对这些场景够用，别小看老家伙。
建议换工具的场景
中文印刷体、扫描件、截图识字：优先考虑 PaddleOCR 或它的 ONNX 移植版 RapidOCR，这也是最近对比讨论里出镜率最高的两个名字。知乎
图文混排、表格、公式、复杂版式的文档：这是传统 OCR 的弱项，社区实践普遍转向专门的文档解析工具（比如最近知乎讨论里出现的 MonkeyOCR，以及做 PDF 提取的 MinerU），或者干脆上多模态大模型。
手写体、艺术字、低质量照片：有用户实测从 35% 提到 95%+ 的路径就是换多模态 AI，这类场景训练 Tesseract 的性价比很低。
两个避坑提醒
第一，别一上来就走"自定义训练"路线。识别率低先检查这三件事：装没装 chi_sim 中文语言包、预处理（去噪、转正、二值化）做没做、PSM 页面分割模式选没选对。这三步能解决大部分问题，解决不了再考虑换工具，而不是花一周训练。
第二，别拿社区里的单一测试当绝对结论。比如那篇 35%→95% 的实践，样本是艺术字加大幅插画背景，本来就是 Tesseract 最难的场景，换个场景结论可能就反过来了。知乎选工具前，拿自己的真实样本跑一遍，比看十篇评测都管用。
写在最后
Tesseract 不是不行了，而是退居到了它最擅长的位置：轻量、离线、可嵌入、PDF 数字化基建。如果你是照着教程刚装好它、正在被中文识别率折磨的值友，先别怀疑自己的安装姿势——大概率是工具选错了场景。
接下来值得持续留意的信号：一是 Tesseract 会不会出 6.0 级别的大版本（按目前维护节奏看，短期概率不大）；二是国产开源方案在中文场景的迭代速度，今年明显是这条线在领跑。有最新进展我会再来同步。
你平时用什么工具做文字识别？欢迎评论区聊聊你的场景和选择。
