HSK Manga：将漫画转化为初学者中文水平

# HSK漫画：将漫画转化为初级中文读物 来源：https://hskmanga.com/blog/ 博客 我的哥哥学习中文已经好几年了。他常读英文翻译版漫画，但当他尝试阅读中文原版时，总是感到沮丧——依然无法理解许多句子，而且花费在查词典上的时间比实际阅读还多！这其实是非常普遍的现象。研究表明，需要掌握约95%的词汇才能借助辅助理解文本，而达到98%才能流畅阅读（Hu & Nation, 2000 (https://nflrc.hawaii.edu/rfl/item/43)）。 一种解决方案是分级读物——为特定HSK等级（HSK是1-9级的中文水平标准）设计的简化文本。但手工编写无法规模化，且优质的分级读物难得一见。因此我创建了HSK漫画 (https://hskmanga.com/)，供所有人免费使用。它能将网上已有的漫画对话按分级读物方式改写：选择1-4级的HSK等级，章节中每行对话都会相应简化。 漫画页面改造为HSK读物的前后对比 过去六个月，作为高中生的我一直在开发这个项目。本文将介绍其处理流程中三个核心环节： 处理流程示意图（标注本篇讲解的三个阶段） ## 文本提取 在简化对话前，首先需要将漫画中的对白转化为可编辑文本。由于漫画页面文字嵌入图像，必须使用光学字符识别技术（OCR）。我使用的是PaddleOCR，并针对漫画页面进行了定制化开发。 ### OCR识别问题 OCR在扫描漫画页面时会提取所有文字，包括无用信息。无用文字主要是背景文字或高度风格化的拟声词（画面中的音效文字）。提取这类文字不仅毫无意义，手绘字符的渲染效果也难以与画面协调。我通过建立过滤规则解决了这个问题：利用PaddleOCR提供的边界框尺寸、色彩饱和度、旋转角度和置信度等数据，过滤掉明显多余或高度风格化的文本。由于真实对话与无用文字的区分难度较大，调整这些过滤器耗费了数百个样本章节。 另一个OCR问题是按行提取文字，导致单个对话框的内容被拆分成多个片段。这破坏了漫画对话按气泡分割的特性。解决方案类似于过滤无用文本：我编写了合并函数，当边界框满足特定条件（位置接近且对齐程度符合单一对话框特征）时，会将它们重新组合。 真实页面的OCR识别结果：原始五个框、过滤后三个框、合并后一个框 上图示例章节页面中，OCR返回五个框：三行对话和两个音效（喔耶、啊啊）。音效被过滤后，剩余三行合并回原始对话框。这样就能精准提取需要简化的文本段落。 ## 文本简化 项目初期，我天真地认为用AI简化文本很简单：只需写好提示词，AI就能自动完成。但经过大量测试、提示词调整以及对同类解决方案的调研，我发现提示词工程在简化质量上存在瓶颈。AI模型虽然能很好地保持语义和语法完整，但对HSK等级把握不足，简化程度往往不够。 为此，我尝试使用GBNF语法格式限制模型只能使用特定词汇（如低级HSK词汇）。但这个约束过于严格，因为某些词汇没有更简单的替代方案（比如人名）。于是我改用更灵活的对数概率偏置技术：该技术通过调整模型生成特定词元（token）的概率权重，实现更柔和的词汇控制。这样就能增加简单词汇的出现概率，降低高难度词汇的出现概率，而不完全禁止任何词汇。 模型选择下一个词汇的概率分布：左侧为原始概率（倾向选择高级词汇），右侧为偏置调整后（倾向选择初级词汇） 那么具体如何应用概率偏置？关键在于两点：词元偏置映射表和AI服务商选择。构建映射表时，我扫描模型词元库的所有词元，将其分为两类：字符均属于目标HSK等级的词元，以及由初级字符组合形成的高级词汇/短语词元。选择Fireworks AI服务商运行DeepSeek V4 Flash模型，因为这是唯一能支持如此大规模偏置映射表（约22,000个词元）的平台。 确定偏置强度是另一个关键。经过多组参数测试，最终选定±2.5的偏置值：对等级内词元施加+2.5正偏置（使其出现概率提升约12倍），对超纲词元施加-2.5负偏置。偏置值低于2.5时简化不足，高于2.5则会出现拙劣替换（例如将"敏捷"简化为"快"，"沉浸"简化为"喜欢"等不合语境的替换）。 ## 文本擦除、覆盖与渲染 为确保输出版面美观，原文需要被覆盖或擦除。 同一页的三种呈现方式：原始版本、擦除对白版本、渲染简化文本版本 上图展示了完整的文本替换流程。由于音效词在早期过滤阶段已被排除，因此得以保留。具体操作是：利用OCR获取的边界框定位文本区域，根据背景类型选择处理方式——当背景非纯色时使用LaMa模型（类似Photoshop的内容感知填充）进行智能擦除；当背景为纯色时直接覆盖填充。 判断背景是否纯色的原理很简单：采样文本框周边的像素点，计算与中间色匹配的比例。 通过采样文本框周边条带判断处理方式 匹配度≥95%的区域直接覆盖纯色填充（如左侧对话框达到100%），匹配度仅49%的右侧文字区域则使用LaMa擦除。在纯色背景下，覆盖与擦除视觉效果相似，但覆盖效率更高；对于复杂背景，LaMa能智能预测背景图案，效果显著优于简单覆盖。 纯色覆盖与LaMa擦除的效果对比 完成原文处理后，需要将简化文本渲染到对应位置。这一步很简单：复用OCR获取的边界框作为文本框，填入简化后的对话内容即可。 ## 项目现状 截至目前，HSK漫画已简化超过500个章节。本文仅概述了核心流程，项目还包含拼音标注、词汇释义和语音朗读等丰富功能。项目仍在持续改进中，欢迎通过评论、邮件或 hskmanga.com/feedback (https://hskmanga.com/feedback) 提交反馈——我会阅读每一条建议！无论是提升简化质量、增加新功能，还是优化界面体验，我都致力于不断完善HSK漫画。