L’OCR è il passaggio che trasforma la foto di uno scontrino in testo che un programma può cercare, salvare o verificare.
Come funziona
Un motore OCR classico trova le regioni di testo nella pagina, le divide in righe e riconosce i caratteri di ogni riga. Tesseract, il motore open source più noto, ha aggiunto nella versione 4 una rete neurale LSTM che riconosce righe intere, e può “recognize more than 100 languages” (traduzione: riconoscere più di 100 lingue) già di serie. L’output è disponibile come testo semplice, hOCR (HTML), PDF, PDF con testo invisibile, TSV, ALTO o PAGE, quindi ottieni anche la posizione delle parole.
L’OCR classico si ferma ai caratteri. Per sapere quale numero è il totale o quale riga è il nome del fornitore, aggiungi regole o un secondo modello.
I modelli vision-language seguono un’altra strada. La pagina del task image-text-to-text di Hugging Face descrive il question answering sui documenti come “an OCR-free approach” (traduzione: un approccio senza OCR): l’immagine del documento va direttamente a un modello vision-language, che la legge e risponde. Puoi chiedere direttamente i campi e riceverli come output strutturato.
| OCR classico (es. Tesseract) | LLM vision | |
|---|---|---|
| Output | caratteri più posizioni | risposte, riassunti o campi JSON |
| Comprensione del layout | limitata, servono regole | legge tabelle ed etichette nel contesto |
| Dove gira | in locale, senza costi per chiamata | di solito un’API, fatturata per token |
| Rischio | caratteri letti male | caratteri letti male e valori inventati |
Perché è importante
- Costo. Un’immagine inviata a un’API LLM viene fatturata come token di input. L’OCR locale non ha costi per chiamata ma richiede server e manutenzione.
- Controlli di accuratezza. Un modello vision può restituire un totale plausibile che nella pagina non c’è. Chiedigli di citare il testo di origine e verifica le somme nel codice.
- Arabo. Il testo da destra a sinistra, le forme legate delle lettere e il mix di cifre arabe e latine aggiungono difficoltà. Testa qualsiasi motore o modello sulle tue scansioni.
Su BroadNet Inference
BroadNet non documenta un endpoint OCR separato. La sua documentazione mostra come leggere una fattura inviando l’immagine come URL data: a un modello di chat la cui riga nel catalogo indica immagini o visione, come DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B o Qwen3.8 27B. Con una chiave a consumo l’immagine conta come token di input al prezzo di input del modello ($0.10 per 1M su Gemma), e le immagini più grandi usano più token. Segui i passaggi nella guida alle fatture in arabo e leggi OCR in arabo con LLM vision per capire quando l’OCR classico è ancora lo strumento migliore.