BroadRouter

OCR bahasa Arab vs vision LLM: membaca dokumen dan faktur Arab

Oleh tim BroadNet Inference · 5 menit baca · Dipublikasikan

OCR klasik mengubah gambar halaman berbahasa Arab menjadi teks mentah; vision LLM membaca gambar dan mengembalikan field yang Anda minta, seperti vendor, tanggal, dan total, dalam format JSON. Untuk faktur dan struk, vision LLM biasanya menghemat langkah parsing. Di BroadNet Inference, Qwen3.8 27B, DeepSeek V4.1 Flash, dan BroadNet Gemma 4 VL 26B menerima gambar.

Parcels on a conveyor labelled "FRAGILE", "ZERBRECHLICH" and "取扱注意", with the text "From printed text to useful data."

Untuk faktur, struk, dan formulir bahasa Arab yang harus Anda tindak lanjuti, pakai vision LLM: model ini membaca gambar dan mengembalikan field yang Anda minta, seperti vendor, nomor PPN, tanggal, dan total, dalam format JSON. Pakai optical character recognition (OCR) klasik untuk pencarian teks lengkap pada halaman hasil pindai yang panjang atau pekerjaan offline. Apa pun pilihannya, cek angka di kode.

Bahasa Arab membuat kedua jalur lebih sulit daripada bahasa Inggris, karena alasan-alasan berikut.

Kenapa OCR bahasa Arab sulit?

  • Aksara bersambung. Huruf Arab saling menyambung, dan sebagian besar punya hingga empat bentuk (terpisah, awal, tengah, akhir). Mesin OCR harus menyegmentasi kata yang tepinya tidak terlihat.
  • Titik membawa makna. ب ت ث ن ي berbagi satu bentuk dasar dan hanya dibedakan oleh titik. Pindaian beresolusi rendah atau lipatan kertas bisa mengubah satu huruf menjadi huruf lain.
  • Dua arah dalam satu baris. Baris faktur seperti “المجموع: 1,250.00 SAR” mencampur bahasa Arab dari kanan ke kiri dengan angka dan teks Latin dari kiri ke kanan. Output OCR sering kembali dalam urutan visual yang salah, yang kemudian diurutkan ulang lagi oleh algoritma dua arah Unicode saat ditampilkan.
  • Dua set angka. Dokumen dari Teluk dan Mesir sering mencetak angka Arab Timur (٠١٢٣٤٥٦٧٨٩) alih-alih 0–9, kadang keduanya di halaman yang sama.
  • Font dan stempel. Judul dekoratif bergaya Naskh dan Riq’ah, stempel perusahaan di atas total, dan struk termal yang memudar semuanya mengganggu pengenalan.

OCR atau vision LLM: apa yang diberikan masing-masing?

OCR klasik Vision LLM
Output Teks mentah, sering dengan posisi kata Apa pun yang Anda minta: field, JSON, ringkasan, terjemahan
Pemahaman tata letak Anda menulis aturan atau template Model menyimpulkannya (“totalnya di kanan bawah”)
Tata letak faktur baru Template atau aturan baru Biasanya berjalan tanpa perubahan
Terjemahan Langkah terpisah Permintaan yang sama
Keterprediksian Deterministik untuk input yang sama Bisa bervariasi; validasi outputnya
Risiko halusinasi Rendah (salah baca, tetapi tidak mengarang) Nyata: bisa menghasilkan nilai yang masuk akal tetapi salah
Paling cocok untuk Pencarian teks lengkap pada dokumen pindaian panjang, arsip Faktur, struk, kartu identitas, formulir yang harus Anda tindak lanjuti

Pertimbangan utamanya: OCR salah baca tetapi tidak mengarang. Vision LLM paham, tetapi bisa berhalusinasi menghasilkan nilai yang masuk akal. Pipeline yang baik memakai LLM untuk pemahaman dan kode untuk pengecekan.

Bagaimana membaca faktur bahasa Arab dengan vision LLM?

Kirim gambar sebagai data URL base64 di dalam konten pesan dan minta persis field yang Anda inginkan. Panduan faktur dengan vision berisi langkah lengkapnya; intinya seperti ini:

import base64, json, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
image = base64.b64encode(open("invoice.jpg", "rb").read()).decode()

prompt = """Read this invoice. Reply with JSON only, using these keys:
vendor_name (as written, Arabic script if Arabic), vendor_vat_number, invoice_number,
invoice_date (YYYY-MM-DD), currency (ISO code), subtotal, vat_amount, total,
line_items (list of {description, quantity, unit_price, amount}).
Convert Eastern Arabic numerals to Western digits. Use null for anything you cannot read."""

r = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=3000,  # reasoning comes first
    messages=[{"role": "user", "content": [
        {"type": "text", "text": prompt},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + image}},
    ]}],
)
data = json.loads(r.choices[0].message.content)

Tiga detail yang menghemat waktu debugging:

  1. Sebutkan sistem angka yang Anda mau. “Konversi angka Arab Timur ke angka Barat” mencegah campuran ١٢٥٠ dan 1250 di database Anda.
  2. Minta null, bukan tebakan. Model lebih cenderung mengarang nilai ketika setiap key wajib diisi.
  3. Pertahankan nama dalam aksara aslinya. Mentransliterasi “مؤسسة النور للتجارة” ke huruf Latin mengundang varian ejaan. Simpan versi Arabnya dan terjemahkan terpisah jika Anda butuh bahasa Inggris.

Jika model mengembalikan jawaban kosong, berarti max_tokens habis saat bernalar; lihat token penalaran dan respons kosong. Untuk bentuk JSON yang lebih ketat, lihat output terstruktur dengan JSON schema; generator JSON schema gratis membuat skema dari contoh faktur.

Bagaimana menangkap angka yang salah baca?

Perlakukan setiap nilai yang diekstrak sebagai klaim yang harus dicek di kode, bukan sebagai data. Item baris harus berjumlah sama dengan subtotal, subtotal ditambah PPN harus sama dengan total, tanggal harus bisa di-parse dan tidak di masa depan, dan mata uang harus sesuai dengan negara vendor. Nomor PPN Saudi punya panjang dan format tetap, sehingga menjadi cek tambahan yang murah. Satu digit yang salah baca hampir selalu merusak penjumlahan, jadi cek aritmetika menangkap sebagian besar kesalahan yang penting. Apa pun yang gagal masuk ke antrean tinjauan manusia, dengan gambar di samping field yang diekstrak.

Pipeline lengkapnya, dengan skema Pydantic, validator aritmetika, satu percobaan ulang beserta pesan error, dan antrean tinjauan, ada di ekstrak data faktur dan struk ke JSON dengan vision LLM.

Vision model mana yang sebaiknya membaca dokumen bahasa Arab?

Tiga model chat di BroadNet Inference menerima gambar:

Model Input / output per 1 juta token Konteks Catatan
Qwen3.8 27B $0.175 / $2.17 262.144 Model yang diuji BroadNet dalam bahasa Arab
DeepSeek V4.1 Flash $0.175 / $0.52 1.048.576 Juga tersedia di paket unlimited harga tetap
BroadNet Gemma 4 VL 26B $0.10 / $0.22 32.768 Vision model BroadNet termurah; bisa dengan kredit gratis dan kunci per jam seharga $0.50

BroadNet melaporkan Qwen3.8 27B menulis bahasa Arab dengan lancar, memahami dialek Teluk dan Mesir, dan menerjemahkan bahasa Arab dan Inggris secara akurat dalam pengujiannya. BroadNet tidak menerbitkan benchmark OCR atau ekstraksi dokumen, jadi ukur akurasi field pada dokumen Anda sendiri. Penyiapan yang praktis adalah Gemma 4 VL 26B untuk struk sederhana dan proses kedua dengan Qwen3.8 27B untuk apa pun yang gagal validasi. Perbandingan Gemma 4 VL 26B vs Qwen3.8 27B menyandingkan keduanya.

Berapa biaya vision LLM per halaman?

Dengan kunci bayar sesuai pemakaian, gambar ditagih sebagai token input dengan harga input model, dan gambar yang lebih besar memakai lebih banyak token. Perkecil foto ponsel menjadi sekitar 1.500–2.000 piksel di sisi panjangnya: titik huruf Arab butuh resolusi yang cukup, tetapi foto 12 megapiksel sebagian besar hanya menambah biaya. Baca usage.prompt_tokens pada beberapa gambar nyata untuk mendapatkan biaya per halaman Anda. Pada paket DeepSeek V4.1 Flash unlimited, dokumentasi BroadNet menyebutkan gambar termasuk dalam pemakaian unlimited paket itu. Hitungan token per gambar dan per halaman dijabarkan di biaya vision LLM per gambar.

Kapan OCR klasik masih unggul?

  • Buku dan arsip hasil pindai yang panjang ketika Anda butuh setiap kata untuk pencarian, bukan beberapa field.
  • Reproduktibilitas ketat, ketika input yang sama harus selalu menghasilkan teks yang sama.
  • Pemrosesan offline atau di perangkat tanpa jaringan.

Mesin open source seperti Tesseract mencantumkan data terlatih bahasa Arab (ara) dan berjalan offline. Pendekatan hibrida juga bekerja baik: jalankan OCR pada halaman untuk teks yang bisa dicari, dan kirim gambarnya ke vision LLM untuk field yang akan Anda tindak lanjuti. API OCR cloud mana yang mencantumkan bahasa Arab, cetak maupun tulisan tangan, dan berapa biaya masing-masing per 1.000 halaman ada di perbandingan API OCR bahasa Arab.

Privasi

Faktur dan kartu identitas berisi nama, nomor pajak, dan detail bank. BroadNet Inference tidak menyimpan gambar, prompt, atau jawaban setelah permintaan; lihat zero data retention. Terapkan aturan yang sama pada penyimpanan Anda sendiri: simpan field hasil ekstraksi yang Anda butuhkan dan hapus gambar yang tidak lagi wajib disimpan.

Pertanyaan umum

Apakah vision LLM lebih akurat daripada OCR untuk bahasa Arab?

Tergantung dokumennya. Vision LLM biasanya lebih baik dalam memahami tata letak dan mengambil field bernama dari faktur dan struk. OCR khusus bisa lebih terprediksi pada halaman cetak yang panjang dan bersih. Uji keduanya pada sampel dokumen Anda.

Apakah vision LLM bisa membaca tulisan tangan bahasa Arab?

Kadang-kadang, pada tulisan tangan yang jelas. Akurasinya cepat turun pada tulisan sambung atau tulisan yang terburu-buru. Arahkan field tulisan tangan dengan keyakinan rendah ke peninjau manusia.

Model BroadNet mana yang paling murah untuk membaca gambar?

BroadNet Gemma 4 VL 26B, seharga $0.10 per 1 juta token input. Model ini juga bisa dipakai dengan kredit awal gratis dan dengan kunci per jam berharga tetap.

Bagaimana mengonversi angka Arab Timur ke angka Barat?

Minta model mengembalikan angka Barat, lalu tegakkan di kode. Di Python, text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) mengonversi angka Arab Timur yang lolos. Angka Persia (۰–۹) memakai code point berbeda, jadi tambahkan juga jika dokumen Anda berasal dari Iran atau Afganistan.

Bisakah model menerjemahkan label bahasa Arab ke bahasa Inggris?

Bisa. Minta key berbahasa Inggris dan pertahankan nilai bahasa Arab aslinya, atau minta keduanya. Pertahankan nama dalam aksara aslinya untuk menghindari kesalahan transliterasi.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity