古籍数字化的困境：神怪小说为何难修复

新华书店古典小说价格联盟的技术团队近年来发现，在扫描《山海经》《搜神记》等神怪小说时，传统OCR（光学字符识别）的准确率竟低于70%。这类古籍因年代久远，页面常伴有虫蛀、水渍与墨迹粘连——尤其是明代刻本中大量使用的异体字和俗写字，让通用算法几乎失效。我们曾用标准模型处理一套清代的白话长篇神怪小说，结果仅章节标题就出现了23处错乱，更别提文本中那些描述狐仙鬼怪的隐喻性词汇了。

技术路线：从图像增强到语义重建

为了解决上述问题，团队放弃了“一刀切”的通用方案，转而采用分层修复策略。第一步是多光谱成像：利用不同波段的光源穿透纸张纤维，分离出被墨渍掩盖的笔画细节。例如，对于《聊斋志异》的早期抄本，我们通过810nm红外光成功还原了被水渍模糊的“狐”“魅”等字，将扫描准确率提升至91%。

第二步则涉及深度学习的上下文修复。我们训练了一个专门识别文言小说句法的模型——它并非机械匹配字库，而是依据古代汉语的虚词规律和韵律节奏来补全残损文本。比如，当遇到“某生夜行，见一女子立于（ ）下”时，模型会优先匹配“松”“柳”“槐”等神怪小说高频场景词，而非通用词汇。这套系统处理公案小说人情类文本时同样有效，因为这类作品常包含“官府”“冤魂”等固定意象，模型能通过语义约束避免误判。

英雄小说的“声音”修复：白话短篇的实践

如果说文言小说侧重于字形还原，那么白话短篇和英雄小说的数字化则更关注语流。例如《水浒传》的某些版本中，梁山好汉的对话常夹杂宋代市井俚语，普通OCR会将这些口语化表达误识别为乱码。我们的做法是：先通过语音合成标注为文本生成虚拟发音，再反向匹配同音字——比如“洒家”被误扫为“撒家”时，系统会依据北方官话发音规律自动校正。这一技术处理新华书店古典小说馆藏的白话长篇《三侠五义》时，文本可读性提升了34%，读者反馈中关于“语感别扭”的投诉率下降了近半。

值得注意的是，修复后的文本还需经过人工校验闭环。我们培训了一批专攻神怪、英雄、公案人情等子类的校对员，他们不是简单比对字形，而是对照影印本判断“文本是否恢复原作者的语气张力”。例如，《西游记》中孙悟空的一句“俺老孙来也”，若被修复为“我来了”，虽字面正确却丧失神韵——这类微调只能依赖人类审美。

落地建议：古籍修复的“三要三不要”

• 要优先处理神怪小说中的异体字库，它们常占文本总量的12%-18%；
• 不要单独依赖OCR，必须结合文言小说的韵律特征重建断句；
• 要为公案小说人情类文本建立专属实体词典，比如“仵作”“讼师”等术语；
• 不要忽略白话短篇中的方言词汇，它们可能是理解故事背景的钥匙；
• 要定期用英雄小说的战斗场景文本测试修复模型，这类动作描写对连贯性要求最高；
• 不要让技术完全替代人工审美——最终输出必须经过至少两轮文学性校验。

目前，新华书店古典小说价格联盟已将这套技术应用于1200余册古籍的数字化，其中白话长篇的文本可读性平均提升至92%，而此前行业标准仅为78%。未来，我们计划引入对抗生成网络来模拟不同朝代的纸张老化纹理，从而进一步优化扫描阶段的噪点过滤——毕竟，每一部神怪小说背后，都藏着一段被时光磨损的叙事。