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.