BroadRouter
Loslegen

Texterkennung (OCR)

Aktualisiert

Optische Zeichenerkennung (OCR) ist eine Technik, die gedruckten oder handgeschriebenen Text in einem Bild, Scan oder PDF erkennt und in maschinenlesbare Zeichen umwandelt. Klassische OCR liefert Text und seine Position auf der Seite; Vision-Language-Modelle können Text lesen und direkt Fragen dazu beantworten.

Auch genannt: OCR, optische Zeichenerkennung, Texterkennung, Bild zu Text, Dokumenten-OCR, Text aus Scans extrahieren, optical character recognition, text recognition, image to text, document OCR, scanned text extraction

OCR ist der Schritt, der aus dem Foto eines Kassenbons Text macht, den ein Programm durchsuchen, speichern oder prüfen kann.

So funktioniert es

Eine klassische OCR-Engine findet Textbereiche auf der Seite, zerlegt sie in Zeilen und erkennt die Zeichen jeder Zeile. Tesseract, die bekannteste Open-Source-Engine, hat in Version 4 ein neuronales LSTM-Netz bekommen, das ganze Zeilen erkennt, und kann ab Werk „recognize more than 100 languages“ (Übersetzung: „mehr als 100 Sprachen erkennen“). Die Ausgabe gibt es als Klartext, hOCR (HTML), PDF, PDF mit unsichtbarem Text, TSV, ALTO oder PAGE, sodass Sie auch die Wortpositionen erhalten.

Klassische OCR hört bei den Zeichen auf. Um zu wissen, welche Zahl der Gesamtbetrag oder welche Zeile der Lieferantenname ist, brauchen Sie Regeln oder ein zweites Modell.

Vision-Language-Modelle gehen einen anderen Weg. Die Task-Seite image-text-to-text von Hugging Face beschreibt die Beantwortung von Fragen zu Dokumenten als „an OCR-free approach“ (Übersetzung: „einen OCR-freien Ansatz“): Das Dokumentbild geht direkt an ein Vision-Language-Modell, das es liest und antwortet. Sie können direkt nach Feldern fragen und sie als Structured Output zurückbekommen.

Klassische OCR (z. B. Tesseract) Vision-LLM
Ausgabe Zeichen plus Positionen Antworten, Zusammenfassungen oder JSON-Felder
Layoutverständnis begrenzt, braucht Regeln liest Tabellen und Beschriftungen im Kontext
Läuft lokal, keine Gebühr pro Aufruf meist über eine API, Abrechnung pro Token
Risiko falsch gelesene Zeichen falsch gelesene Zeichen und erfundene Werte

Warum es wichtig ist

  • Kosten. Ein Bild, das an eine LLM-API geht, wird als Input-Tokens abgerechnet. Lokale OCR kostet nichts pro Aufruf, braucht aber Server und Wartung.
  • Genauigkeit prüfen. Ein Vision-Modell kann einen plausiblen Gesamtbetrag liefern, der nicht auf der Seite steht. Lassen Sie es den Ausgangstext zitieren und prüfen Sie Summen im Code.
  • Arabisch. Text von rechts nach links, verbundene Buchstabenformen und eine Mischung aus arabischen und lateinischen Ziffern machen es schwieriger. Testen Sie jede Engine und jedes Modell mit Ihren eigenen Scans.

Bei BroadNet Inference

BroadNet dokumentiert keinen eigenen OCR-Endpoint. Die Dokumentation zeigt, wie man eine Rechnung liest, indem man das Bild als data:-URL an ein Chat-Modell schickt, dessen Modellzeile Bilder oder Vision aufführt, etwa DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B oder Qwen3.8 27B. Mit einem Pay-as-you-go-Schlüssel zählt das Bild als Input-Tokens zum Input-Preis des Modells ($0.10 pro 1 Mio. bei Gemma), und größere Bilder verbrauchen mehr Tokens. Gehen Sie es in der Anleitung zu arabischen Rechnungen durch, und lesen Sie Arabische OCR mit Vision-LLMs, um zu sehen, wann klassische OCR weiterhin das bessere Werkzeug ist.

Häufige Fragen

Was ist der Unterschied zwischen OCR und einem Vision-LLM?

OCR liefert die gefundenen Zeichen und ihre Position. Ein Vision-LLM liest das Bild und kann eine Frage beantworten, etwa „Wie hoch ist der Rechnungsbetrag?“, oder benannte Felder als JSON zurückgeben.

Hat BroadNet einen OCR-Endpoint?

Ein eigener OCR-Endpoint ist nicht dokumentiert. Sie senden das Bild an ein visionfähiges Chat-Modell über /v1/chat/completions und fragen nach dem Text oder den Feldern, die Sie brauchen.

Lohnt sich klassische OCR noch?

Ja, bei großen Mengen sauber gedruckter Seiten, wenn Sie nur den Text und seine Position brauchen. Sie läuft lokal, ohne Gebühr pro Aufruf. Vision-Modelle sind besser, wenn Sie Felder, Tabellen oder Antworten statt roher Zeichen brauchen.

Als Markdown lesenChatGPT fragenClaude fragenPerplexity fragen