Odniesienie / Archiwum i integracje
Telegram · Lokalne rozpoznawanie tekstu (OCR) i transkrypcja
Rozpoznawanie przechwyconych obrazów i plików audio za pomocą lokalnego modułu roboczego; zachowanie powiązania tekstu wyodrębnionego z plikiem źródłowym.
TgWitness / Dokumentacja · Dochodzenie
Przewodnik po procesie pracy · Wiki
Otwórz rekord dziennika media.saved
, wybierz opcję „Rozpoznaj załącznik
”, a następnie wybierz
OCR lub transkrypcję w sekcji Więcej narzędzi → Zapytaj archiwum
(opcja ta
nosi nazwę Rozpoznawanie maszynowe,
gdy sztuczna inteligencja archiwum jest wyłączona). Przetwarzanie odbywa się ręcznie i lokalnie.
Nie ma trybu mediów w chmurze ani automatycznego przesyłania. Oryginalne bajty załącznika oraz
media_sha256
pozostają niezmienione; rozpoznany tekst jest wyraźnie oznaczony jako
rozpoznanie maszynowe i przechowywany oddzielnie wraz z skrótem źródłowym, wersją silnika/modelu,
językiem, parametrami i czasem zakończenia. Transkrypcje zachowują zwrócone znaczniki czasu.
Wyszukuj wyniki za pomocą funkcji „Wyszukaj rozpoznany tekst” oraz filtra OCR/transkrypcji lub wybierz rozpoznany tekst jako źródło wyszukiwania najlepszego dopasowania w dzienniku. Oba filtry dopasowują formy słów za pomocą indeksu przechowywanego w pamięci. Jest to oddzielne wyszukiwanie w danych pochodnych; nie przekształca ono w tle rozpoznanego przez maszynę tekstu w oryginalny tekst z Telegrama ani nie dodaje go do podpisanych zdarzeń.
Skonfiguruj opcjonalnego pracownika#
Wersja 1 wymaga hosta z systemem Linux z lokalnym demonem Docker. W przypadku instalacji w systemie Windows narzędzie TgWitness można uruchomić w środowisku maszyny wirtualnej z systemem Linux lub WSL z własnym lokalnym demonem. Panel nigdy sam nie odszyfrowuje zaufanych załączników.
docker build -f deploy/media-worker/Dockerfile -t tgwitness-media:local .
export TGWITNESS_MEDIA_IMAGE=tgwitness-media:local
Ustaw te zmienne w środowisku usługi TgWitness i uruchom ją ponownie. Domyślnym
gniazdem demona jest /var/run/docker.sock; w przypadku wdrożeń bez uprawnień roota można ustawić
TGWITNESS_DOCKER_SOCKET. Moduł roboczy wyraźnie korzysta z tego gniazda Unix, a nie
ze zdalnego kontekstu Docker. Nie należy udostępniać interfejsu API Docker użytkownikom panelu ani montować
jego gniazda wewnątrz kontenera rozpoznawania.
W celu transkrypcji należy osobno zainstalować model Whisper zgodny z CTranslate2,
a następnie ustawić TGWITNESS_WHISPER_MODEL_DIR na jego katalog. Moduł roboczy ładuje go za pomocą
local_files_only=True; wybrany model i dane wejściowe są montowane w trybie tylko do odczytu.
Zobacz dokumentację silnika dotyczącą ładowania modeli.
Dostarczony obraz OCR zawiera dane szkoleniowe w języku angielskim i rosyjskim. W razie potrzeby dodaj kolejny
język do swojego obrazu; kody języków są zgodne z
interfejsem CLI Tesseract.
Podczas przetwarzania nie są pobierane żadne modele. Proces kompilacji/pobierania plików instalacyjnych może wymagać połączenia z siecią;
w każdym rzeczywistym kontenerze rozpoznawania połączenie sieciowe jest wyłączone. Zainstaluj obraz
przed jego włączeniem; środowisko uruchomieniowe korzysta z --pull=never.
Ograniczenia i odzyskiwanie danych#
Kontener działa jako użytkownik bez uprawnień specjalnych, z katalogiem głównym tylko do odczytu, ograniczonymi
uprawnieniami, no-new-privileges
, jednym procesorem, 2 GiB pamięci, limitem PID oraz ograniczonym
tymczasowym systemem plików. Zamontowana jest wyłącznie zweryfikowana kopia wybranego pliku oraz opcjonalny
katalog modelu. Baza danych kolektora, skarbiec i sesja
nie są montowane. Flagi środowiska uruchomieniowego Docker
egzekwują te ograniczenia; pozostaje to granicą kontenera, a nie enklawą sprzętową.
Pliki są ograniczone do 50 MiB, obrazy do 20 milionów pikseli, pliki audio do 30 minut o znanym czasie trwania, a przetwarzanie do pięciu minut. W danym momencie działa tylko jeden procesor, przy maksymalnie 20 zadaniach w kolejce/w trakcie wykonywania i 100 zadaniach zachowanych na obszar roboczy. Anulowanie zatrzymuje kontener; ponowna próba tworzy nowe zadanie powiązane z poprzednią próbą. Przerwane zadania są oznaczane po ponownym uruchomieniu. Przetwarzanie może zakończyć się niepowodzeniem, gdy model nie mieści się w skonfigurowanych limitach; nie działa on w tle bez izolacji.