OCR은 영수증 사진을 프로그램이 검색하고 저장하고 검증할 수 있는 텍스트로 바꾸는 단계입니다.
작동 방식
전통적인 OCR 엔진은 페이지에서 텍스트 영역을 찾고, 줄 단위로 나눈 뒤, 각 줄의 문자를 인식합니다. 가장 잘 알려진 오픈 소스 엔진인 Tesseract는 버전 4에서 줄 전체를 인식하는 LSTM 신경망을 추가했으며, 기본 상태로 “recognize more than 100 languages”(번역: 100개 이상의 언어를 인식)할 수 있습니다. 출력은 일반 텍스트, hOCR(HTML), PDF, 투명 텍스트 PDF, TSV, ALTO, PAGE 형식으로 나오므로 단어 위치도 함께 얻습니다.
전통적인 OCR은 문자에서 멈춥니다. 어떤 숫자가 합계이고 어떤 줄이 공급업체 이름인지 알려면 규칙이나 두 번째 모델을 더해야 합니다.
비전-언어 모델은 다른 길을 갑니다. Hugging Face의 image-text-to-text 작업 페이지는 문서 질의응답을 “an OCR-free approach”(번역: OCR 없는 접근 방식)로 설명합니다. 문서 이미지가 곧바로 비전-언어 모델로 가고, 모델이 읽고 답합니다. 필드를 직접 요청해 구조화된 출력으로 받을 수 있습니다.
| 전통적인 OCR(예: Tesseract) | 비전 LLM | |
|---|---|---|
| 출력 | 문자와 위치 | 답변, 요약 또는 JSON 필드 |
| 레이아웃 이해 | 제한적, 규칙 필요 | 표와 레이블을 맥락 속에서 읽음 |
| 실행 환경 | 로컬, 호출당 요금 없음 | 보통 API, 토큰 단위 과금 |
| 위험 | 문자 오인식 | 문자 오인식과 지어낸 값 |
왜 중요한가
- 비용. LLM API에 보낸 이미지는 입력 토큰으로 과금됩니다. 로컬 OCR은 호출당 요금이 없지만 서버와 유지 보수가 필요합니다.
- 정확도 확인. 비전 모델은 페이지에 없는 그럴듯한 합계를 반환할 수 있습니다. 원문 텍스트를 인용하게 하고 합계는 코드로 검증하세요.
- 아랍어. 오른쪽에서 왼쪽으로 쓰는 텍스트, 이어지는 글자 형태, 아랍 숫자와 라틴 숫자의 혼용이 모두 난도를 높입니다. 어떤 엔진이나 모델이든 자신의 스캔본으로 테스트하세요.
BroadNet Inference에서는
BroadNet은 별도의 OCR 엔드포인트를 문서화하지 않습니다. 문서에는 모델 정보에 이미지나 비전이 표기된 채팅 모델, 예컨대 DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B나 Qwen3.8 27B에 이미지를 data: URL로 보내 청구서를 읽는 방법이 나와 있습니다. 종량제 키에서 이미지는 모델의 입력 단가로 입력 토큰으로 계산되며(Gemma는 100만 토큰당 $0.10), 이미지가 클수록 토큰을 더 씁니다. 단계별 방법은 아랍어 청구서 가이드를, 전통적인 OCR이 여전히 더 나은 경우는 비전 LLM으로 하는 아랍어 OCR을 참고하세요.