O OCR é a etapa que transforma a foto de um recibo em texto que um programa consegue buscar, guardar ou conferir.
Como funciona
Um mecanismo de OCR clássico encontra as regiões de texto na página, divide essas regiões em linhas e reconhece os caracteres de cada linha. O Tesseract, o mecanismo open source mais conhecido, ganhou na versão 4 uma rede neural LSTM que reconhece linhas inteiras, e consegue “recognize more than 100 languages” (tradução: reconhecer mais de 100 idiomas) logo de saída. A saída pode ser texto puro, hOCR (HTML), PDF, PDF com texto invisível, TSV, ALTO ou PAGE, então você também recebe a posição das palavras.
O OCR clássico para nos caracteres. Para saber qual número é o total ou qual linha é o nome do fornecedor, você acrescenta regras ou um segundo modelo.
Modelos de visão e linguagem seguem outro caminho. A página da tarefa image-text-to-text do Hugging Face descreve perguntas e respostas sobre documentos como “an OCR-free approach” (tradução: uma abordagem sem OCR): a imagem do documento vai direto para um modelo de visão e linguagem, que lê e responde. Você pode pedir os campos diretamente e recebê-los como saída estruturada.
| OCR clássico (ex.: Tesseract) | LLM de visão | |
|---|---|---|
| Saída | caracteres mais posições | respostas, resumos ou campos JSON |
| Entendimento do layout | limitado, precisa de regras | lê tabelas e rótulos no contexto |
| Onde roda | localmente, sem taxa por chamada | geralmente uma API, cobrada por token |
| Risco | caracteres lidos errado | caracteres lidos errado e valores inventados |
Por que importa
- Custo. Uma imagem enviada a uma API de LLM é cobrada como tokens de entrada. O OCR local não tem cobrança por chamada, mas precisa de servidores e manutenção.
- Checagens de precisão. Um modelo de visão pode devolver um total plausível que não está na página. Peça que ele cite o texto de origem e confira as somas no código.
- Árabe. Texto da direita para a esquerda, letras ligadas e a mistura de algarismos árabes e latinos aumentam a dificuldade. Teste qualquer mecanismo ou modelo com as suas próprias digitalizações.
Na BroadNet Inference
A BroadNet não documenta um endpoint de OCR separado. A documentação mostra como ler uma nota fiscal enviando a imagem como URL data: a um modelo de chat cuja linha no catálogo indica imagens ou visão, como o DeepSeek V4.1 Flash, o BroadNet Gemma 4 VL 26B ou o Qwen3.8 27B. Em uma chave de pagamento por uso, a imagem conta como tokens de entrada pelo preço de entrada do modelo ($0.10 por 1M no Gemma), e imagens maiores usam mais tokens. Siga o passo a passo no guia de notas fiscais em árabe e veja OCR em árabe com LLMs de visão para saber quando o OCR clássico ainda é a melhor ferramenta.