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.