OCR वह क़दम है जो रसीद की फ़ोटो को ऐसे टेक्स्ट में बदलता है जिसे प्रोग्राम सर्च, स्टोर या जाँच सके।
यह कैसे काम करता है
क्लासिक OCR इंजन पेज पर टेक्स्ट वाले हिस्से ढूँढता है, उन्हें लाइनों में बाँटता है, और हर लाइन के अक्षर पहचानता है। सबसे जाना-माना ओपन-सोर्स इंजन Tesseract वर्शन 4 में एक LSTM न्यूरल नेटवर्क लाया जो पूरी लाइन पहचानता है, और वह बिना किसी सेटअप के “recognize more than 100 languages” (अनुवाद: 100 से ज़्यादा भाषाएँ पहचान) सकता है। आउटपुट plain text, hOCR (HTML), PDF, invisible-text PDF, TSV, ALTO या PAGE के रूप में आता है, इसलिए आपको शब्दों की जगह भी मिलती है।
क्लासिक OCR अक्षरों पर रुक जाता है। कौन-सी संख्या कुल है या कौन-सी लाइन सप्लायर का नाम है, यह जानने के लिए आप नियम या दूसरा मॉडल जोड़ते हैं।
Vision-language मॉडल दूसरा रास्ता लेते हैं। Hugging Face का image-text-to-text टास्क पेज दस्तावेज़ पर सवाल-जवाब को “an OCR-free approach” (अनुवाद: बिना OCR वाला तरीका) बताता है: दस्तावेज़ की इमेज सीधे vision-language मॉडल को जाती है, जो उसे पढ़कर जवाब देता है। आप सीधे fields माँग सकते हैं और उन्हें structured output के रूप में वापस पा सकते हैं।
| क्लासिक OCR (जैसे Tesseract) | Vision LLM | |
|---|---|---|
| आउटपुट | अक्षर और उनकी जगह | जवाब, सारांश या JSON fields |
| लेआउट की समझ | सीमित, नियम चाहिए | टेबल और लेबल संदर्भ में पढ़ता है |
| कहाँ चलता है | लोकल, प्रति कॉल कोई शुल्क नहीं | आम तौर पर API, प्रति टोकन बिल |
| जोखिम | ग़लत पढ़े अक्षर | ग़लत पढ़े अक्षर और गढ़ी हुई वैल्यू |
यह क्यों मायने रखता है
- लागत. LLM API को भेजी गई इमेज इनपुट टोकन के रूप में बिल होती है। लोकल OCR पर प्रति कॉल शुल्क नहीं, पर सर्वर और रखरखाव चाहिए।
- सटीकता की जाँच. Vision मॉडल ऐसा विश्वसनीय दिखने वाला कुल लौटा सकता है जो पेज पर है ही नहीं। उससे स्रोत टेक्स्ट quote करवाएँ और जोड़ कोड में जाँचें।
- अरबी. दाएँ से बाएँ टेक्स्ट, जुड़े हुए अक्षर-रूप और अरबी व लैटिन अंकों का मिश्रण, सब मुश्किल बढ़ाते हैं। किसी भी इंजन या मॉडल को अपने स्कैन पर टेस्ट करें।
BroadNet Inference पर
BroadNet कोई अलग OCR एंडपॉइंट दर्ज नहीं करता। उसके डॉक्स इनवॉइस पढ़ना ऐसे दिखाते हैं: इमेज को data: URL के रूप में ऐसे चैट मॉडल को भेजें जिसकी मॉडल पंक्ति में इमेज या vision दर्ज हो, जैसे DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B या Qwen3.8 27B। उपयोग के अनुसार भुगतान वाली key पर इमेज मॉडल की इनपुट कीमत पर इनपुट टोकन के रूप में गिनी जाती है (Gemma पर $0.10 प्रति 1M), और बड़ी इमेज ज़्यादा टोकन लेती है। अरबी इनवॉइस गाइड में यह क़दम-दर-क़दम देखें, और क्लासिक OCR कब अब भी बेहतर औज़ार है, इसके लिए vision LLM से अरबी OCR देखें।