BroadRouter

ビジョンモデルでアラビア語の請求書とレシートを読み取る

更新日

画像を base64 の data URL にしてメッセージの content に入れ、broadnet/qwen3.8-27b や broadnet/gemma-4-26b-a4b などのビジョンモデルに送り、必要なフィールドを JSON で返すよう指示します。MIME タイプは正確に指定してください。従量課金では画像は入力トークンとして計算され、大きい画像ほど多く使います。

BroadNet Inference で画像を受け付けるチャットモデルは 3 つあります。DeepSeek V4.1 Flash、Qwen3.8 27B、BroadNet Gemma 4 VL 26B です。GLM 5.3 はテキストのみです。アラビア語の文書については、BroadNet がアラビア語でテストしたのは Qwen3.8 27B です。自然な文章を書き、湾岸方言とエジプト方言を理解し、アラビア語と英語の翻訳も正確でした。Gemma 4 VL 26B は BroadNet ではこの 3 つの中で最も安く、無料のクレジットで使えます。

請求書 1 枚について質問する

import base64, os
from openai import OpenAI

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

response = client.chat.completions.create(
    model="broadnet/gemma-4-26b-a4b",
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "ما هو المبلغ الإجمالي في هذه الفاتورة؟"},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + invoice}},
    ]}],
)
print(response.choices[0].message.content)

この質問は、アラビア語で「この請求書の合計金額はいくらですか?」と尋ねています。PNG ファイルの場合は data URL で image/png を使ってください。MIME タイプはファイルと一致している必要があります。ファイル名から設定するには次のようにします。

import mimetypes
mime = mimetypes.guess_type("invoice.png")[0]   # "image/png"
url = f"data:{mime};base64," + base64.b64encode(open("invoice.png", "rb").read()).decode()

構造化されたフィールドを受け取る

JSON で返すよう指示し、どのキーが必要かを正確に伝えます。

prompt = (
    "Read this invoice. Reply with JSON only, keys: vendor, date (YYYY-MM-DD), "
    "currency, total (number), vat (number or null). Keep the vendor name in Arabic if it is written in Arabic."
)
response = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=2000,  # Qwen3.8 27B reasons first
    messages=[{"role": "user", "content": [
        {"type": "text", "text": prompt},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + invoice}},
    ]}],
)

Qwen3.8 27B は回答の前に推論(reasoning)を行うので、余裕を持たせてください。推論モデルが空の回答を返す理由を参照してください。BroadNet のドキュメントでは Qwen3.8 27B に構造化出力が記載されています。JSON スキーマの一般的な仕組みは構造化出力を参照してください。返答は json.loads でパースし、保存する前に各フィールドを確認してください。

コスト

従量課金では、画像はモデルの入力単価で入力トークンとして課金されるので、非常に大きな写真は先に縮小してください。画像トークン計算ツールで、あるサイズが何トークンになるかを確認できます。DeepSeek V4.1 Flash の無制限プランでは、画像も無制限の利用に含まれます。

ビジョンモデルの料金を比較するか、アラビア語 OCR API の比較で、ビジョンモデルが Google、Azure、Textract、Mistral OCR と比べてどうかをご覧ください。

トラブルシューティング

  • Qwen3.8 27B や DeepSeek V4.1 Flash の回答が空。 推論(reasoning)が max_tokens を使い切っています。値を上げるか、reasoning_effort を low にしてください。
  • 画像で 400 または 422。 data URL が data:image/jpeg;base64, か data:image/png;base64, で始まっているか、MIME タイプがファイルと一致しているかを確認してください。
  • モデルで 403 やエラー。 GLM 5.3 は画像を受け付けず、Qwen3.8 27B と DeepSeek V4.1 Flash にはチャージが必要です。無料のクレジットでは BroadNet Gemma 4 VL 26B を使ってください。
  • リクエストが大きすぎる、またはコンテキストのエラー。 大きな写真は多くのトークンを使います。また Gemma 4 VL 26B のコンテキストウィンドウは 3 つの中で最も小さい(pricing.json に記載)です。適度な幅に縮小するか、合計金額の部分だけを切り抜いてください。
  • 合計が違う、または数字が入れ替わる。 1 枚のレシートに、アラビア・インド数字(٠١٢٣)とラテン数字の両方が出てくることがあります。数値はラテン数字で返すようモデルに指示し、コード側で明細行と合計を照合してください。
  • JSON が不正。 「JSON only」(JSON のみ)で返すよう指示し、パースの前にコードフェンスがあれば取り除き、パースに失敗したら 1 回リトライしてください。
An Arabic and English invoice beside a phone showing the JSON {"total":125.00,"currency":"AED"}, with the text "From documents to structured data."
Illustrative example; the figures are not real output.

よくある質問

BroadNet で画像を読めるモデルはどれですか?

DeepSeek V4.1 Flash、Qwen3.8 27B、BroadNet Gemma 4 VL 26B は、チャット補完で画像を受け付けます。GLM 5.3 はテキストのみで、文字起こしモデルは音声を受け付けます。

ローカルの画像ファイルをビジョン LLM API に送るにはどうすればいいですか?

ファイルを読み込んで base64 でエンコードし、data URL として image_url のコンテンツパートに入れます。たとえば data:image/jpeg;base64, の後にエンコードしたバイト列を続けます。URL の MIME タイプはファイルと一致させてください。

無料のクレジットで請求書のデータを抽出できますか?

できます。無料の初回クレジットで動く BroadNet Gemma 4 VL 26B を使ってください。Qwen3.8 27B と DeepSeek V4.1 Flash はチャージ後に使えるようになります。

PDF の請求書を送れますか?

BroadNet のドキュメントに記載されているのは data URL として送る画像で、PDF ファイルではありません。pdftoppm などで PDF の各ページを JPEG か PNG に変換してから、画像として送ってください。

Markdown で読むChatGPT に聞くClaude に聞くPerplexity に聞く