BroadRouter
Mulakan

Pengecaman aksara optik (OCR)

Dikemas kini

Pengecaman aksara optik (OCR) ialah teknologi yang mengesan dan menukar teks bercetak atau tulisan tangan dalam imej, imbasan atau PDF kepada aksara yang boleh dibaca mesin. OCR klasik mengeluarkan teks dan kedudukannya pada halaman; model bahasa-penglihatan pula boleh membaca teks dan menjawab soalan tentangnya secara terus.

Juga dikenali sebagai: OCR, optical character recognition, pengecaman aksara optik, text recognition, image to text, imej ke teks, document OCR, scanned text extraction

OCR ialah langkah yang menukar foto resit kepada teks yang boleh dicari, disimpan atau disemak oleh program.

Cara ia berfungsi

Enjin OCR klasik mencari kawasan teks pada halaman, membahagikannya kepada baris, dan mengecam aksara dalam setiap baris. Tesseract, enjin sumber terbuka yang paling terkenal, menambah rangkaian neural LSTM dalam versi 4 yang mengecam keseluruhan baris, dan ia boleh “recognize more than 100 languages” (Terjemahan BroadRouter: “mengecam lebih daripada 100 bahasa”) secara terus. Output tersedia sebagai teks biasa, hOCR (HTML), PDF, PDF teks tersembunyi, TSV, ALTO atau PAGE, jadi anda juga mendapat kedudukan perkataan.

OCR klasik berhenti pada aksara. Untuk mengetahui nombor mana yang merupakan jumlah atau baris mana yang merupakan nama pembekal, anda perlu menambah peraturan atau model kedua.

Model bahasa-penglihatan mengambil laluan lain. Halaman tugas image-text-to-text Hugging Face menerangkan soal jawab dokumen sebagai “an OCR-free approach” (Terjemahan BroadRouter: “pendekatan tanpa OCR”): imej dokumen terus dihantar kepada model bahasa-penglihatan, yang membacanya dan menjawab. Anda boleh meminta medan secara terus dan mendapatkannya sebagai output berstruktur.

OCR klasik (cth. Tesseract) LLM penglihatan
Output aksara serta kedudukan jawapan, ringkasan atau medan JSON
Pemahaman susun atur terhad, perlukan peraturan membaca jadual dan label mengikut konteks
Berjalan secara setempat, tiada yuran setiap panggilan biasanya API, dicaj setiap token
Risiko aksara salah baca aksara salah baca dan nilai yang direka

Mengapa ia penting

  • Kos. Imej yang dihantar ke API LLM dicaj sebagai token input. OCR setempat tiada caj setiap panggilan tetapi memerlukan pelayan dan penyelenggaraan.
  • Semakan ketepatan. Model penglihatan boleh memulangkan jumlah yang munasabah tetapi tiada pada halaman. Minta ia memetik teks sumber dan semak jumlah dalam kod.
  • Bahasa Arab. Teks dari kanan ke kiri, bentuk huruf bersambung dan campuran angka Arab dan Latin semuanya menambah kesukaran. Uji mana-mana enjin atau model pada imbasan anda sendiri.

Di BroadNet Inference

BroadNet tidak mendokumenkan endpoint OCR berasingan. Dokumentasinya menunjukkan cara membaca invois dengan menghantar imej sebagai URL data: kepada model chat yang baris modelnya menyenaraikan imej atau penglihatan, seperti DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B atau Qwen3.8 27B. Pada kunci bayar ikut guna, imej dikira sebagai token input pada harga input model ($0.10 bagi setiap 1M pada Gemma), dan imej yang lebih besar menggunakan lebih banyak token. Ikuti langkahnya dalam panduan invois Arab, dan lihat Arabic OCR with vision LLMs untuk mengetahui bila OCR klasik masih alat yang lebih baik.

Soalan lazim

Apakah perbezaan antara OCR dan LLM penglihatan?

OCR memulangkan aksara yang ditemuinya dan lokasinya. LLM penglihatan membaca imej dan boleh menjawab soalan, seperti "berapakah jumlah invois?", atau memulangkan medan bernama sebagai JSON.

Adakah BroadNet mempunyai endpoint OCR?

Tiada endpoint OCR berasingan yang didokumenkan. Anda menghantar imej kepada model chat yang menyokong penglihatan di /v1/chat/completions dan meminta teks atau medan yang anda perlukan.

Adakah OCR klasik masih berbaloi digunakan?

Ya, untuk jumlah besar halaman bercetak yang bersih apabila anda hanya memerlukan teks dan kedudukannya. Ia berjalan secara setempat tanpa yuran setiap panggilan. Model penglihatan lebih baik apabila anda memerlukan medan, jadual atau jawapan, bukan aksara mentah.

Baca sebagai MarkdownTanya ChatGPTTanya ClaudeTanya Perplexity