BroadRouter
Commencer

Reconnaissance optique de caractères (OCR)

Mis à jour

La reconnaissance optique de caractères (OCR) est une technologie qui détecte le texte imprimé ou manuscrit d’une image, d’un scan ou d’un PDF et le convertit en caractères lisibles par une machine. L’OCR classique produit le texte et sa position sur la page ; les modèles vision-langage peuvent lire le texte et répondre directement à des questions dessus.

Aussi appelé : OCR, ROC, reconnaissance optique de caractères, reconnaissance de texte, image vers texte, OCR de documents, extraction de texte de scans, optical character recognition, text recognition, image to text, document OCR, scanned text extraction

L’OCR est l’étape qui transforme la photo d’un ticket de caisse en texte qu’un programme peut rechercher, stocker ou vérifier.

Comment ça marche

Un moteur OCR classique repère les zones de texte sur la page, les découpe en lignes et reconnaît les caractères de chaque ligne. Tesseract, le moteur open source le plus connu, a ajouté dans sa version 4 un réseau de neurones LSTM qui reconnaît des lignes entières, et il sait « recognize more than 100 languages » (traduction : « reconnaître plus de 100 langues ») sans configuration. La sortie peut être du texte brut, du hOCR (HTML), du PDF, du PDF à texte invisible, du TSV, de l’ALTO ou du PAGE, ce qui vous donne aussi la position des mots.

L’OCR classique s’arrête aux caractères. Pour savoir quel nombre est le total ou quelle ligne est le nom du fournisseur, il faut ajouter des règles ou un second modèle.

Les modèles vision-langage prennent un autre chemin. La page de la tâche image-text-to-text de Hugging Face décrit les questions-réponses sur documents comme « an OCR-free approach » (traduction : « une approche sans OCR ») : l’image du document va directement à un modèle vision-langage, qui la lit et répond. Vous pouvez demander directement des champs et les récupérer en sortie structurée.

OCR classique (p. ex. Tesseract) LLM de vision
Sortie caractères et positions réponses, résumés ou champs JSON
Compréhension de la mise en page limitée, demande des règles lit tableaux et libellés en contexte
Exécution en local, sans frais par appel en général une API, facturée au token
Risque caractères mal lus caractères mal lus et valeurs inventées

Pourquoi c’est important

  • Coût. Une image envoyée à une API LLM est facturée en tokens d’entrée. L’OCR locale n’a pas de frais par appel, mais demande des serveurs et de la maintenance.
  • Contrôle de la précision. Un modèle de vision peut renvoyer un total plausible qui ne figure pas sur la page. Demandez-lui de citer le texte source et vérifiez les sommes dans le code.
  • Arabe. Le texte de droite à gauche, les formes de lettres liées et le mélange de chiffres arabes et latins compliquent la tâche. Testez tout moteur ou modèle sur vos propres scans.

Sur BroadNet Inference

BroadNet ne documente pas d’endpoint OCR distinct. Sa documentation montre comment lire une facture en envoyant l’image sous forme d’URL data: à un modèle de chat dont la ligne indique images ou vision, comme DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B ou Qwen3.8 27B. Avec une clé en paiement à l’usage, l’image compte en tokens d’entrée au prix d’entrée du modèle ($0.10 par million sur Gemma), et les images plus grandes consomment plus de tokens. Suivez le guide des factures arabes, et lisez OCR arabe avec des LLM de vision pour savoir quand l’OCR classique reste le meilleur outil.

Questions fréquentes

Quelle différence entre l’OCR et un LLM de vision ?

L’OCR renvoie les caractères trouvés et leur position. Un LLM de vision lit l’image et peut répondre à une question, comme « quel est le total de la facture ? », ou renvoyer des champs nommés en JSON.

BroadNet a-t-il un endpoint OCR ?

Aucun endpoint OCR distinct n’est documenté. Vous envoyez l’image à un modèle de chat capable de vision sur /v1/chat/completions et demandez le texte ou les champs voulus.

L’OCR classique vaut-elle encore le coup ?

Oui, pour de gros volumes de pages imprimées propres quand seuls le texte et sa position comptent. Elle tourne en local, sans frais par appel. Les modèles de vision sont meilleurs quand il vous faut des champs, des tableaux ou des réponses plutôt que des caractères bruts.

Lire en MarkdownDemander à ChatGPTDemander à ClaudeDemander à Perplexity