BroadRouter
Начать

Оптическое распознавание символов (OCR)

Обновлено

Оптическое распознавание символов (OCR) — это технология, которая находит печатный или рукописный текст на изображении, скане или в PDF и превращает его в машиночитаемые символы. Классический OCR выдаёт текст и его положение на странице; визуально-языковые модели могут прочитать текст и сразу ответить на вопросы о нём.

Также называют: распознавание текста, распознавание текста с картинки, текст с фото, OCR документов, распознавание сканов, optical character recognition, text recognition, image to text, document OCR, scanned text extraction

OCR — это шаг, который превращает фото чека в текст, который программа может искать, хранить или проверять.

Как это работает

Классический OCR-движок находит на странице области с текстом, делит их на строки и распознаёт символы в каждой строке. Tesseract, самый известный движок с открытым кодом, в версии 4 получил нейросеть LSTM, которая распознаёт строки целиком, и из коробки умеет “recognize more than 100 languages” (перевод: «распознавать более 100 языков»). Результат выдаётся как обычный текст, hOCR (HTML), PDF, PDF с невидимым текстовым слоем, TSV, ALTO или PAGE, так что вы получаете и положение слов.

Классический OCR останавливается на символах. Чтобы понять, какое число — итоговая сумма, а какая строка — название поставщика, нужны правила или вторая модель.

Визуально-языковые модели идут другим путём. Страница задачи image-text-to-text на Hugging Face описывает ответы на вопросы по документам как “an OCR-free approach” (перевод: «подход без OCR»): изображение документа сразу отправляется визуально-языковой модели, которая читает его и отвечает. Можно сразу просить поля и получать их как структурированный вывод.

Классический OCR (например, Tesseract) Визуальная LLM
Результат символы и их положение ответы, краткие изложения или поля JSON
Понимание вёрстки ограниченное, нужны правила читает таблицы и подписи в контексте
Где работает локально, без платы за вызов обычно через API с оплатой за токены
Риск неверно прочитанные символы неверно прочитанные символы и выдуманные значения

Почему это важно

  • Стоимость. Изображение, отправленное в API LLM, тарифицируется как входные токены. Локальный OCR не берёт плату за вызов, но требует серверов и обслуживания.
  • Проверка точности. Визуальная модель может вернуть правдоподобную сумму, которой нет на странице. Просите её цитировать исходный текст и проверяйте суммы в коде.
  • Арабский. Письмо справа налево, слитные формы букв и смесь арабских и латинских цифр — всё это добавляет сложности. Тестируйте любой движок или модель на своих сканах.

В BroadNet Inference

BroadNet не документирует отдельного эндпоинта для OCR. Документация показывает, как прочитать счёт: изображение отправляется как data: URL чат-модели, у которой в строке модели указаны изображения или vision, например DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B или Qwen3.8 27B. На ключе с оплатой по факту изображение считается входными токенами по цене входа модели ($0.10 за 1 млн у Gemma), и изображения побольше занимают больше токенов. Пошаговый разбор — в руководстве по арабским счетам, а когда классический OCR всё ещё лучше, читайте в статье об арабском OCR с визуальными LLM.

Вопросы и ответы

Чем OCR отличается от визуальной LLM?

OCR возвращает найденные символы и их положение. Визуальная LLM читает изображение и может ответить на вопрос, например «какая сумма в счёте?», или вернуть именованные поля в JSON.

Есть ли у BroadNet эндпоинт для OCR?

Отдельный эндпоинт для OCR не документирован. Вы отправляете изображение чат-модели с поддержкой изображений на /v1/chat/completions и просите нужный текст или поля.

Стоит ли ещё пользоваться классическим OCR?

Да, для больших объёмов чистых печатных страниц, когда нужны только текст и его положение. Он работает локально без платы за вызов. Визуальные модели лучше, когда нужны поля, таблицы или ответы, а не просто символы.

Открыть в MarkdownСпросить ChatGPTСпросить ClaudeСпросить Perplexity