Spotify正在测试一项名为“页面匹配”的新功能，允许用户通过扫描纸质书页来同步有声书和纸质书的进度。该功能利用光学字符识别技术，帮助用户快速找到有声书的对应时间戳。用户需购买有声书并拥有纸质或电子版书籍。虽然尚未正式发布，但该功能有潜力简化听书与阅读之间的切换。

光学字符识别（OCR）技术已从简单识别发展到理解文档结构。随着深度学习的进步，OCR能力在多模态模型中逐渐显现，成为智能任务的基础。华中科技大学等推出的OCRBench v2评测基准涵盖23种任务，评估58个主流模型，发现模型普遍存在“偏科”现象，整体表现尚可，但在细粒度任务上得分较低。开源模型逐渐具备竞争力，榜单将定期更新。

百度在Hugging Face发布了PP-OCRv5，这是一种高效的光学字符识别模型，专注于文本识别，支持多语言，适合边缘部署。尽管对其多语言能力有疑虑，但在手写和印刷文本的基准测试中表现优异。

谷歌为Android版Chrome推出更新，用户可通过滑块放大文本而不影响网页外观。光学字符识别工具现可自动识别桌面扫描PDF，支持高亮、复制和搜索文本。此外，TalkBack与Gemini的集成得到扩展，用户可询问图像细节。新功能“表达式字幕”实时捕捉声音内容及语气，已在英语国家推出。

本文介绍了如何在视频流中使用Tesseract.js进行光学字符识别，并通过绘制边界框突出显示识别的文本。内容包括设置Tesseract.js、捕获视频流、识别文本和绘制边界框的步骤。确保使用最新版本以获取边界框数据，并处理可能出现的错误。

截图作为捕捉数字信息的重要工具，不仅能保存内容，还能传达用户关注点。通过光学字符识别和AI模型，截图能够自动整理和识别信息，帮助用户更好地管理数据。未来，截图有望成为AI助手的输入系统，提升用户体验。

Mistral OCR是一款先进的文档理解和光学字符识别工具，能够高效提取复杂文档中的结构化信息，支持多语言和多模态处理，准确性优于其他主流OCR模型，适用于科学研究、文化保护和企业文档自动化等领域。

本文讨论了如何在C#中使用光学字符识别（OCR）技术准确识别车牌号码和文本，并在Windows窗体中展示识别结果。

Nvidia Ingest是一种新微服务，能够处理PDF、Word和PowerPoint文档，提取元数据并以JSON格式返回。它利用光学字符识别提取结构化信息，用户需提供JSON作业描述。该服务可扩展，支持多种处理方法，依赖多个服务和至少两块H100或A100 GPU。

谷歌推出的ChromeOS 128更新引入了类似Windows 11的Snap Groups功能，方便用户将应用程序以多种全屏布局进行分组。此外，摄像头应用新增光学字符识别（OCR）功能，支持从图像中提取文本，并支持77种语言。更新还简化了摄像头和麦克风的隐私控制设置，提高了视频通话音质。