Ang OCR ang hakbang na ginagawang text ang litrato ng isang resibo, text na kayang hanapin, i-store o suriin ng isang program.
Paano ito gumagana
Hinahanap ng klasikong OCR engine ang mga bahagi ng page na may text, hinahati ang mga ito sa mga linya, at kinikilala ang mga character sa bawat linya. Ang Tesseract, ang pinakakilalang open-source engine, ay nagdagdag ng LSTM neural network sa version 4 na kumikilala ng buong linya, at kaya nitong “recognize more than 100 languages” (Salin ng BroadRouter: “kilalanin ang higit sa 100 wika”) agad-agad. Lumalabas ang output bilang plain text, hOCR (HTML), PDF, invisible-text PDF, TSV, ALTO o PAGE, kaya nakukuha mo rin ang posisyon ng mga salita.
Hanggang character lang ang klasikong OCR. Para malaman kung aling numero ang total o aling linya ang pangalan ng supplier, kailangan mong magdagdag ng mga rule o ng pangalawang model.
Ibang daan ang tinatahak ng mga vision-language model. Inilalarawan ng image-text-to-text task page ng Hugging Face ang document question answering bilang “an OCR-free approach” (Salin ng BroadRouter: “isang paraang walang OCR”): diretso ang larawan ng dokumento sa isang vision-language model, na binabasa ito at sumasagot. Puwede mong hingin nang direkta ang mga field at makuha ang mga ito bilang structured output.
| Klasikong OCR (hal. Tesseract) | Vision LLM | |
|---|---|---|
| Output | mga character at posisyon | mga sagot, buod o JSON field |
| Pag-unawa sa layout | limitado, kailangan ng mga rule | binabasa ang mga table at label ayon sa context |
| Saan tumatakbo | lokal, walang bayad kada tawag | kadalasang API, sinisingil kada token |
| Panganib | maling basa ng character | maling basa ng character at inimbentong value |
Bakit ito mahalaga
- Gastos. Sinisingil bilang input token ang larawang ipinadala sa isang LLM API. Walang singil kada tawag ang lokal na OCR pero nangangailangan ito ng mga server at maintenance.
- Pagsuri sa accuracy. Puwedeng magbalik ang vision model ng kapani-paniwalang total na wala naman sa page. Ipa-quote dito ang source text at suriin ang mga sum sa code.
- Arabic. Nagpapahirap ang text na right-to-left, ang magkakadugtong na anyo ng letra at ang halo ng Arabic at Latin na numero. I-test ang anumang engine o model sa sarili mong mga scan.
Sa BroadNet Inference
Walang nakadokumentong hiwalay na OCR endpoint ang BroadNet. Ipinapakita ng docs nito ang pagbasa ng invoice sa pamamagitan ng pagpapadala ng larawan bilang data: URL sa isang chat model na may images o vision sa model row nito, gaya ng DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B o Qwen3.8 27B. Sa isang pay-as-you-go key, binibilang ang larawan bilang input token sa input price ng model ($0.10 kada 1M sa Gemma), at mas maraming token ang nagagamit ng mas malalaking larawan. Sundan ito sa gabay sa Arabic invoice, at tingnan ang Arabic OCR with vision LLMs para malaman kung kailan mas mahusay pa rin ang klasikong OCR.