Kapag hinanap mo ang “Arabic OCR API”, karamihan ng resulta ay mga ranking site na hindi sinasabi kung saan galing ang mga score nila. Mas makitid na trabaho ang ginagawa ng page na ito, iyong kailangan ng mamimili. Para sa bawat API, ipinapakita nito kung ano ang sinasabi ng sariling dokumentasyon ng vendor tungkol sa Arabic, ano ang ibinabalik ng API at magkano ang isang page. Binasa ang bawat figure mula sa page ng vendor noong Nobyembre 15, 2026. Ang BroadRouter ay website ng BroadNet, at nagbebenta ang BroadNet ng isa sa mga opsyon sa ibaba (vision LLM, hindi OCR), kaya sinasabi namin kung saan mas mahusay ang iba.
Kung pinagpapasyahan mo pa sa prinsipyo kung OCR o vision LLM, magsimula sa Arabic OCR vs vision LLM. Ipinapaliwanag nito kung bakit pinahihirap ng dugtong-dugtong na script, mga tuldok at mga linyang halo-halo ang direksyon ang Arabic. Ipinapalagay ng post na ito na alam mo na iyon at gusto mo nang pumili ng vendor.
Aling mga OCR API ang opisyal na sumusuporta sa Arabic?
| API | Arabic na printed text | Arabic na sulat-kamay | Ano ang ibinabalik |
|---|---|---|---|
Google Cloud Vision (DOCUMENT_TEXT_DETECTION) |
Oo, ar, nakalista bilang Modern Standard |
Hindi nakalista (wala ang Arabic script sa handwriting table) | Text na may impormasyon sa page, block, talata, salita at break |
Azure AI Document Intelligence, Read (prebuilt-read) |
Oo, ar |
Oo, sa v4.0 (wala sa v3.1) | Printed at sulat-kamay na text |
Azure AI Document Intelligence, Layout (prebuilt-layout) |
Oo, ar |
Oo, sa v4.0 | Text, table, istruktura ng dokumento at selection mark |
| Azure prebuilt invoice at receipt | Inililista ng invoice ang Arabic (ar); inililista ng thermal receipt ang Arabic |
n/a | Mga nakapangalang field ng invoice at resibo |
| Amazon Textract (Detect Document Text) | Oo, kasama sa 40+ wika | Hindi: “handwriting … in English only” (salin: sulat-kamay … English lang) | Mga salita at linya, bawat isa may bounding box at confidence score |
Mistral OCR (mistral-ocr-latest) |
Oo, nakalista sa Middle Eastern na wika | Hindi sinabi | Markdown kada page kasama ang JSON field: table, larawan, header, footer, block, confidence score |
| Vision LLM (Qwen3.8 27B, Gemma 4 VL 26B, DeepSeek V4.1 Flash sa BroadNet) | Nababasa ang Arabic na larawan; hindi OCR engine | Hindi dokumentado | Anumang hingin mo: text, field, JSON, translation |
Dalawang detalye ang mas mahalaga kaysa sa mga oo/hindi na column:
- Hindi lang sulat-kamay ang nililimitahan ng Textract. Sabi ng FAQ nito: “Handwriting, Invoices, and Receipts, Identity documents, and Queries processing are in English only.” (salin: English lang ang pagproseso ng sulat-kamay, invoice at resibo, identity document at Queries.) Sa mga Arabic na dokumento, text at posisyon ang ibinibigay ng Textract, hindi invoice field.
- Bago sa v4.0 ang Arabic na sulat-kamay ng Azure. Hindi kasama ang Arabic sa handwriting table ng v3.1. I-pin ang API version na tine-test mo.
Sabi ng language page ng Mistral, ang listahan nito ay “languages with strong expected performance” (salin: mga wikang inaasahang mahusay ang performance), na pahayag ng vendor, hindi nasukat na score.
Magkano ang bawat Arabic OCR API kada 1,000 page?
Mga presyo sa US dollar, binasa noong Nobyembre 15, 2026 mula sa pricing source ng bawat vendor:
| API at feature | Libreng allowance | Entry price kada 1,000 page | Presyo sa mataas na volume |
|---|---|---|---|
| Google Cloud Vision, Document Text Detection | Unang 1,000 unit kada buwan | USD 1.50 (unit 1,001 hanggang 5,000,000) | USD 0.60 lampas sa 5M unit kada buwan |
| Azure Document Intelligence, Read (East US) | 500 page kada buwan sa free tier | USD 1.50 | USD 0.60 pagkatapos ng unang 1M page |
| Azure Document Intelligence, Layout at prebuilt model (East US) | Parehong free tier | USD 10 | Nakalista ang commitment tier sa pricing page ng Azure (naglo-load ang presyo sa browser; i-check ang region mo) |
| Amazon Textract, Detect Document Text (US West, Oregon) | 1,000 page kada buwan para sa mga bagong AWS customer, sa loob ng tatlong buwan | USD 1.50 (unang 1M page kada buwan) | USD 0.60 pagkatapos ng 1M page |
| Mistral OCR | Hindi sinabi | May presyo kada 1,000 page; wala ang halaga sa static HTML ng page, kaya hindi namin ito makumpirma | Sabi ng Mistral, hinahati ng batch processing ang presyo ng API nito |
Sinisingil ng Google ang bawat PDF page bilang isang larawan, at ang bawat feature bilang hiwalay na unit. Dalawang unit ang paghingi ng dalawang feature sa isang page. Sakop ng prebuilt price ng Azure ang layout, invoice at receipt. Kung kailangan mo ng structured na invoice field mula sa Azure, planuhin ang USD 10 na rate, hindi ang USD 1.50 na Read rate.
Magkano ang vision LLM kada page?
Walang presyo kada page ang vision LLM. Sa mga pay-as-you-go key ng BroadNet, sabi ng docs, ang larawan ay “counts as input tokens at the model’s input price” (salin: binibilang bilang input token sa input price ng model), at mas maraming token ang mas malaking larawan. Ang gastos ng page ay ang image token kasama ang prompt mo, dagdag ang sagot sa output price.
Nag-iiba ang image token ayon sa model at resolution. Gumagamit ang Gemma 4 ng budget na 70, 140, 280, 560 o 1,120 token kada larawan, at inirerekomenda ng docs ng Google ang mas mataas na budget para sa pinakamahusay na katumpakan sa mga visual task. Bilang hugis sa pagpaplano, hindi sukat, ipalagay ang mga 1,000 input token at 300 output token kada page:
| BroadNet model | Input kada 1M | Output kada 1M | 1,000 page sa mga 1M input at 0.3M output |
|---|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 | $0.10 dagdag ang tatlong ikasampu ng $0.22 |
| Qwen3.8 27B | $0.175 | $2.17 | $0.175 dagdag ang tatlong ikasampu ng $2.17, dagdag ang reasoning |
| DeepSeek V4.1 Flash | $0.175 | $0.52 | $0.175 dagdag ang tatlong ikasampu ng $0.52, dagdag ang reasoning |
Nagre-reason muna ang Qwen3.8 27B at DeepSeek V4.1 Flash bago sumagot, at sinisingil ang reasoning bilang output. Panatilihin ang max_tokens sa 1,000 o higit pa, o itakda ang reasoning_effort sa low, kung hindi ay puwedeng bumalik na walang laman ang sagot (bakit). Sukatin ang sarili mong mga page: magpadala ng sampu, basahin ang usage.prompt_tokens at usage.completion_tokens, at i-multiply. Ginagawa ng image token calculator at ng gastos ng vision LLM kada larawan ang kuwenta.
Hindi magkatulad ang pinaghahambing. Raw na text at posisyon ang nabibili ng USD 1.50 kada 1,000 page. Kayang ibalik ng isang vision LLM call ang vendor, VAT number, petsa at total bilang JSON sa iisang request, kaya natitipid mo ang hakbang ng parsing. Sakop din ng $5 na panimulang credit ang Gemma 4 VL 26B. Kailangan ng top-up ang Qwen3.8 27B at DeepSeek V4.1 Flash.
Paano nagkakaiba ang mga detalye ng integration?
| Google Cloud Vision | Azure Document Intelligence | Amazon Textract | Mistral OCR | Mga vision LLM ng BroadNet | |
|---|---|---|---|---|---|
| Input | Larawan; PDF at TIFF sa DOCUMENT_TEXT_DETECTION |
Tingnan ang listahan ng file type ng Read model | Tingnan ang listahan ng file type ng Textract | image_url (PNG, JPEG, AVIF at iba pa) o document_url (PDF, PPTX, DOCX at iba pa) |
Isang larawan kada content item bilang data: URL; i-render muna sa larawan ang mga PDF page |
| Language hint | Opsyonal na ar hint |
Opsyonal; payo ng Microsoft na huwag itong itakda maliban kung sigurado ka | Hindi tinalakay sa FAQ | Hindi sinabi | Sabihin sa prompt na “the document is in Arabic” |
| Structured field | Hindi (text hierarchy lang) | Oo, prebuilt invoice at receipt | English lang ang invoice, resibo at Queries | Opsyonal na document annotation | Humingi ng JSON; para sa Qwen3.8 27B lang dokumentado ang structured output |
| Hugis ng API | Google Cloud API | Azure REST at SDK | AWS SDK | Mistral /v1/ocr |
OpenAI-compatible na /v1/chat/completions |
Sulit basahin ang tala ng Microsoft tungkol sa language code kung pinaghahalo ng mga dokumento mo ang Arabic at English: “Don’t provide the language code as the parameter unless you are sure of the language … Otherwise, the service may return incomplete and incorrect text.” (salin: Huwag ibigay ang language code bilang parameter maliban kung sigurado ka sa wika … Kung hindi, puwedeng magbalik ang service ng kulang at maling text.)
Aling Arabic OCR API ang dapat mong piliin?
Walang iisang sagot, at walang vendor na naglalathala ng independiyenteng Arabic accuracy test na na-verify namin. Pumili muna batay sa output, saka mag-test:
- Kailangan mo ng searchable na text mula sa mahahabang scanned archive. Google Cloud Vision, Azure Read o Textract. Inililista ng tatlo ang Arabic na printed text sa parehong entry price. Piliin ang cloud na ginagamit mo na para sa storage at identity.
- Kailangan mo ng Arabic na sulat-kamay. Azure Document Intelligence v4.0 lang ang OCR API dito na naglilista nito. I-test din ang isang vision LLM sa parehong mga page, dahil wala ring dokumentasyon ang alinman sa kanila tungkol sa sulat-kamay.
- Kailangan mo ng invoice field mula sa mga Arabic na invoice. Ikumpara ang prebuilt invoice model ng Azure (USD 10 kada 1,000 page) sa isang vision LLM na nagbabalik ng JSON. Sa BroadNet, Qwen3.8 27B ang model na may dokumentadong structured output. May gumaganang code ang pagbasa ng Arabic na invoice gamit ang vision model.
- Gusto mo ng Markdown na may table para sa RAG. Nagbabalik ang Mistral OCR ng Markdown kada page na may table at block. Kumpirmahin ang kasalukuyang presyo nito kada page sa pricing page ng Mistral.
- Kailangan mo ng field, translation at buod sa iisang call. Isang vision LLM. Nasa pagkuha ng invoice data bilang JSON gamit ang vision LLM ang pipeline, kasama ang validation.
Paano i-test ang mga Arabic OCR API sa sarili mong mga dokumento?
- Pumili ng 50 hanggang 100 totoong page: malinis na PDF, litrato mula sa telepono, kupas na thermal receipt, invoice na may tatak at, kung mayroon ka, mga form na sulat-kamay.
- Mag-type ng ground truth para sa mga field na mahalaga sa iyo. Panatilihin ang Eastern Arabic digits (٠١٢٣) gaya ng pagkaka-print, at itala nang hiwalay.
- I-score nang hiwalay ang character at field. Ipinapakita ng character error rate ang kalidad ng pagbasa. Ipinapakita ng katumpakan ng field (total, petsa, VAT number) ang kalidad para sa negosyo. Mas mahalaga ang isang-digit na error sa total kaysa sa sampu sa footer.
- I-check ang pagkakasunod sa mga halo-halong linya. Ang linyang gaya ng “الإجمالي: 1,250.00 SAR” ay puwedeng bumalik na nauuna ang numero sa label. Problema iyon sa bidirectional na pagkakasunod, hindi recognition error, pero kailangan pa rin itong kayanin ng parser mo.
- I-validate ang mga numero sa code anuman ang piliin mo: tugma sa total ang suma ng line item, tugma sa rate ang VAT at napa-parse ang mga petsa. Ipadala ang mga pumalya sa isang human review queue.
Saan pumapasok ang BroadNet Inference
Ang BroadRouter ay website ng BroadNet. Hindi nagbebenta ang BroadNet Inference ng OCR engine. Nagbebenta ito ng mga vision LLM sa iisang OpenAI-compatible API: Qwen3.8 27B, BroadNet Gemma 4 VL 26B at DeepSeek V4.1 Flash, na lahat ay tumatanggap ng larawan. Kung kailangan mo ng pinakamurang raw na text mula sa milyun-milyong scanned page, o ng Arabic na sulat-kamay na may posisyon, mas bagay ang isang klasikong OCR API na nakalista sa itaas. Bagay ang BroadNet kapag gusto mo ng field o JSON mula sa mga Arabic na dokumento, na may zero data retention: sabi ng BroadNet, hindi itinatago ang inference content. Subukan ang Gemma 4 VL 26B sa $5 na panimulang credit, o basahin ang API reference at kumuha ng key.
