“Arabic OCR API” تلاش کریں تو زیادہ تر نتائج ranking سائٹس ہیں جو نہیں بتاتیں کہ ان کے اسکور کہاں سے آتے ہیں۔ یہ صفحہ وہ محدود کام کرتا ہے جو ایک خریدار کو چاہیے۔ ہر API کے لیے یہ دکھاتا ہے کہ vendor کی اپنی دستاویزات عربی کے بارے میں کیا کہتی ہیں، API کیا لوٹاتا ہے اور ایک صفحے کی لاگت کیا ہے۔ ہر عدد 15 نومبر 2026 کو vendor کے صفحے سے پڑھا گیا۔ BroadRouter، BroadNet کی ویب سائٹ ہے، اور BroadNet نیچے کے اختیارات میں سے ایک بیچتا ہے (vision LLMs، OCR نہیں)، اس لیے ہم بتاتے ہیں کہ باقی کہاں بہتر ہیں۔
اگر آپ ابھی اصولی طور پر OCR اور vision LLM کے درمیان فیصلہ کر رہے ہیں تو عربی OCR بمقابلہ vision LLMs سے شروع کریں۔ وہ بتاتی ہے کہ جڑا ہوا رسم الخط، نقطے اور ملی جلی سمت والی سطریں عربی کو مشکل کیوں بناتی ہیں۔ یہ پوسٹ فرض کرتی ہے کہ آپ یہ جانتے ہیں اور vendor منتخب کرنا چاہتے ہیں۔
کون سے OCR API سرکاری طور پر عربی سپورٹ کرتے ہیں؟
| API | چھپی ہوئی عربی | ہاتھ سے لکھی عربی | کیا لوٹاتا ہے |
|---|---|---|---|
Google Cloud Vision (DOCUMENT_TEXT_DETECTION) |
ہاں، ar، Modern Standard کے طور پر درج |
درج نہیں (عربی رسم الخط handwriting جدول میں نہیں ہے) | صفحہ، block، پیراگراف، لفظ اور break کی معلومات کے ساتھ متن |
Azure AI Document Intelligence، Read (prebuilt-read) |
ہاں، ar |
ہاں، v4.0 میں (v3.1 میں نہیں) | چھپا اور ہاتھ سے لکھا متن |
Azure AI Document Intelligence، Layout (prebuilt-layout) |
ہاں، ar |
ہاں، v4.0 میں | متن، جداول، دستاویز کی ساخت اور selection marks |
| Azure prebuilt invoice اور receipt | Invoice میں عربی (ar)؛ thermal receipts میں عربی |
لاگو نہیں | Invoice اور receipt کے نام والے فیلڈز |
| Amazon Textract (Detect Document Text) | ہاں، 40+ زبانوں میں | نہیں: “handwriting … in English only” (ترجمہ: handwriting … صرف انگریزی میں) | الفاظ اور سطریں، ہر ایک bounding box اور confidence score کے ساتھ |
Mistral OCR (mistral-ocr-latest) |
ہاں، مشرقِ وسطیٰ کی زبانوں میں درج | بیان نہیں کیا گیا | ہر صفحے کا Markdown اور JSON فیلڈز: جداول، تصاویر، headers، footers، blocks، confidence scores |
| Vision LLM (BroadNet پر Qwen3.8 27B، Gemma 4 VL 26B، DeepSeek V4.1 Flash) | عربی تصاویر پڑھتا ہے؛ OCR انجن نہیں | Documented نہیں | جو بھی آپ مانگیں: متن، فیلڈز، JSON، ترجمہ |
ہاں/نہیں والے کالمز سے زیادہ دو باتیں اہم ہیں:
- Textract کی حد صرف handwriting تک نہیں۔ اس کا FAQ کہتا ہے “Handwriting, Invoices, and Receipts, Identity documents, and Queries processing are in English only.” (ترجمہ: handwriting، invoices اور receipts، شناختی دستاویزات اور Queries کی پروسیسنگ صرف انگریزی میں ہے۔) عربی دستاویزات پر Textract آپ کو متن اور positions دیتا ہے، invoice فیلڈز نہیں۔
- Azure کی ہاتھ سے لکھی عربی v4.0 میں نئی ہے۔ v3.1 کی handwriting جدول میں عربی نہیں ہے۔ جس API ورژن پر ٹیسٹ کرتے ہیں، اسے pin کریں۔
Mistral کا زبانوں والا صفحہ کہتا ہے کہ اس کی فہرست “languages with strong expected performance” (ترجمہ: وہ زبانیں جن میں مضبوط کارکردگی متوقع ہے) دکھاتی ہے، جو vendor کا بیان ہے، ناپا گیا اسکور نہیں۔
ہر عربی OCR API کی فی 1,000 صفحات لاگت کیا ہے؟
امریکی ڈالر میں قیمتیں، 15 نومبر 2026 کو ہر vendor کے قیمتوں کے ماخذ سے پڑھی گئیں:
| API اور فیچر | مفت حد | ابتدائی قیمت فی 1,000 صفحات | زیادہ حجم کی قیمت |
|---|---|---|---|
| Google Cloud Vision، Document Text Detection | ہر ماہ پہلی 1,000 units | USD 1.50 (units 1,001 سے 5,000,000) | ہر ماہ 5M units سے اوپر USD 0.60 |
| Azure Document Intelligence، Read (East US) | مفت tier پر ہر ماہ 500 صفحات | USD 1.50 | پہلے 1M صفحات کے بعد USD 0.60 |
| Azure Document Intelligence، Layout اور prebuilt ماڈلز (East US) | وہی مفت tier | USD 10 | Commitment tiers، Azure کے قیمتوں والے صفحے پر ہیں (قیمتیں براؤزر میں لوڈ ہوتی ہیں؛ اپنا region جانچیں) |
| Amazon Textract، Detect Document Text (US West، Oregon) | نئے AWS گاہکوں کے لیے تین ماہ تک ہر ماہ 1,000 صفحات | USD 1.50 (ہر ماہ پہلے 1M صفحات) | 1M صفحات کے بعد USD 0.60 |
| Mistral OCR | بیان نہیں کیا گیا | فی 1,000 صفحات قیمت؛ رقم صفحے کے static HTML میں نہیں، اس لیے ہم تصدیق نہ کر سکے | Mistral کہتا ہے کہ batch processing اس کی API قیمتیں آدھی کر دیتی ہے |
Google ہر PDF صفحے کو ایک تصویر کے طور پر، اور ہر فیچر کو الگ unit کے طور پر بل کرتا ہے۔ ایک صفحے پر دو فیچرز مانگنے پر دو units لگتی ہیں۔ Azure کی prebuilt قیمت میں layout، invoice اور receipt آتے ہیں۔ اگر آپ کو Azure سے structured invoice فیلڈز چاہییں تو USD 1.50 والی Read شرح نہیں، USD 10 والی شرح مان کر منصوبہ بنائیں۔
Vision LLM کی فی صفحہ لاگت کیا ہے؟
Vision LLM کی کوئی فی صفحہ قیمت نہیں ہوتی۔ BroadNet کی استعمال کے مطابق ادائیگی والی کلیدوں پر دستاویزات کہتی ہیں کہ تصویر “counts as input tokens at the model’s input price” (ترجمہ: ماڈل کی ان پٹ قیمت پر ان پٹ ٹوکنز کے طور پر شمار ہوتی ہے)، اور بڑی تصویر زیادہ ٹوکن لیتی ہے۔ صفحے کی لاگت تصویر کے ٹوکنز اور آپ کا پرامپٹ ہے، ساتھ میں آؤٹ پٹ قیمت پر جواب۔
تصویری ٹوکن ماڈل اور resolution کے ساتھ بدلتے ہیں۔ Gemma 4 فی تصویر 70، 140، 280، 560 یا 1,120 ٹوکن کے بجٹ استعمال کرتا ہے، اور Google کی دستاویزات بصری کاموں میں بہترین درستگی کے لیے بڑے بجٹ کا مشورہ دیتی ہیں۔ منصوبہ بندی کے ایک خاکے کے طور پر، پیمائش کے طور پر نہیں، فی صفحہ تقریباً 1,000 ان پٹ ٹوکن اور 300 آؤٹ پٹ ٹوکن مانیں:
| BroadNet ماڈل | ان پٹ فی 1M | آؤٹ پٹ فی 1M | تقریباً 1M ان پٹ اور 0.3M آؤٹ پٹ پر 1,000 صفحات |
|---|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 | $0.10 جمع $0.22 کا تین دسواں حصہ |
| Qwen3.8 27B | $0.175 | $2.17 | $0.175 جمع $2.17 کا تین دسواں حصہ، جمع ریزننگ |
| DeepSeek V4.1 Flash | $0.175 | $0.52 | $0.175 جمع $0.52 کا تین دسواں حصہ، جمع ریزننگ |
Qwen3.8 27B اور DeepSeek V4.1 Flash جواب سے پہلے ریزننگ کرتے ہیں، اور ریزننگ کا بل آؤٹ پٹ کے طور پر بنتا ہے۔ max_tokens کو 1,000 یا زیادہ رکھیں، یا reasoning_effort کو low کریں، ورنہ جواب خالی آ سکتا ہے (کیوں)۔ اپنے صفحات ناپیں: دس بھیجیں، usage.prompt_tokens اور usage.completion_tokens پڑھیں، اور ضرب دیں۔ تصویری ٹوکن کیلکولیٹر اور فی تصویر vision LLM لاگت یہ حساب کرتے ہیں۔
یہ موازنہ برابری کا نہیں۔ فی 1,000 صفحات USD 1.50 میں خام متن اور positions ملتی ہیں۔ ایک vision LLM کال اسی درخواست میں وینڈر، VAT نمبر، تاریخ اور کل رقم JSON میں لوٹا سکتی ہے، جس سے parsing والا مرحلہ بچتا ہے۔ Gemma 4 VL 26B، $5 کے ابتدائی کریڈٹ میں بھی آتا ہے۔ Qwen3.8 27B اور DeepSeek V4.1 Flash کے لیے ٹاپ اپ چاہیے۔
Integration کی تفصیلات کیسے مختلف ہیں؟
| Google Cloud Vision | Azure Document Intelligence | Amazon Textract | Mistral OCR | BroadNet vision LLMs | |
|---|---|---|---|---|---|
| ان پٹ | تصاویر؛ DOCUMENT_TEXT_DETECTION کے ذریعے PDF اور TIFF |
Read ماڈل کی file-type فہرست دیکھیں | Textract کی file-type فہرست دیکھیں | image_url (PNG، JPEG، AVIF اور مزید) یا document_url (PDF، PPTX، DOCX اور مزید) |
ہر content item میں ایک تصویر data: URL کے طور پر؛ PDF صفحات کو پہلے تصاویر میں render کریں |
| زبان کا اشارہ | اختیاری ar اشارہ |
اختیاری؛ Microsoft مشورہ دیتا ہے کہ یقین نہ ہو تو اسے سیٹ نہ کریں | FAQ میں ذکر نہیں | بیان نہیں کیا گیا | پرامپٹ میں لکھیں “دستاویز عربی میں ہے” |
| Structured فیلڈز | نہیں (صرف متن کی درجہ بندی) | ہاں، prebuilt invoice اور receipt | Invoices، receipts اور Queries صرف انگریزی میں | اختیاری document annotations | JSON مانگیں؛ structured output صرف Qwen3.8 27B کے لیے documented |
| API کی شکل | Google Cloud API | Azure REST اور SDKs | AWS SDKs | Mistral /v1/ocr |
OpenAI-compatible /v1/chat/completions |
اگر آپ کی دستاویزات میں عربی اور انگریزی ملی ہوئی ہے تو language codes پر Microsoft کا نوٹ پڑھنے کے لائق ہے: “Don’t provide the language code as the parameter unless you are sure of the language … Otherwise, the service may return incomplete and incorrect text.” (ترجمہ: جب تک زبان کا یقین نہ ہو، language code کو parameter کے طور پر نہ دیں … ورنہ سروس نامکمل اور غلط متن لوٹا سکتی ہے۔)
کون سا عربی OCR API منتخب کریں؟
ایک جواب نہیں ہے، اور کوئی vendor ایسا آزاد عربی درستگی ٹیسٹ شائع نہیں کرتا جس کی ہم تصدیق کر سکیں۔ پہلے آؤٹ پٹ کے لحاظ سے منتخب کریں، پھر ٹیسٹ کریں:
- آپ کو لمبے اسکین شدہ آرکائیوز سے قابلِ تلاش متن چاہیے۔ Google Cloud Vision، Azure Read یا Textract۔ تینوں ایک ہی ابتدائی قیمت پر چھپی ہوئی عربی گنواتے ہیں۔ وہ cloud منتخب کریں جو آپ پہلے سے storage اور identity کے لیے استعمال کرتے ہیں۔
- آپ کو ہاتھ سے لکھی عربی چاہیے۔ یہاں Azure Document Intelligence v4.0 واحد OCR API ہے جو اسے گنواتا ہے۔ انہی صفحات پر ایک vision LLM بھی ٹیسٹ کریں، کیونکہ ان میں سے کوئی handwriting کے بارے میں نہ ہاں document کرتا ہے نہ ناں۔
- آپ کو عربی انوائسز سے invoice فیلڈز چاہییں۔ Azure کے prebuilt invoice ماڈل (فی 1,000 صفحات USD 10) کا موازنہ JSON لوٹانے والے vision LLM سے کریں۔ BroadNet پر Qwen3.8 27B وہ ماڈل ہے جس کا structured output documented ہے۔ vision ماڈل سے عربی انوائسز پڑھیں میں چلنے والا کوڈ ہے۔
- آپ کو RAG کے لیے جداول والا Markdown چاہیے۔ Mistral OCR جداول اور blocks کے ساتھ ہر صفحے کا Markdown لوٹاتا ہے۔ اس کی موجودہ فی صفحہ قیمت Mistral کے قیمتوں والے صفحے پر تصدیق کریں۔
- آپ کو ایک ہی کال میں فیلڈز، ترجمہ اور خلاصہ چاہیے۔ Vision LLM۔ Validation والی پائپ لائن vision LLM سے انوائس ڈیٹا JSON میں نکالنا میں ہے۔
اپنی دستاویزات پر عربی OCR API کیسے ٹیسٹ کریں؟
- 50 سے 100 اصل صفحات منتخب کریں: صاف PDFs، فون کی تصاویر، مدھم thermal رسیدیں، مہر لگے انوائسز اور، اگر ہوں، ہاتھ سے بھرے فارمز۔
- جن فیلڈز کی پروا ہے ان کا ground truth ٹائپ کریں۔ مشرقی عربی ہندسے (٠١٢٣) ویسے ہی رکھیں جیسے چھپے ہیں، اور انہیں الگ سے نوٹ کریں۔
- حروف اور فیلڈز الگ الگ اسکور کریں۔ Character error rate پڑھنے کا معیار دکھاتا ہے۔ فیلڈز کی درستگی (کل رقم، تاریخ، VAT نمبر) کاروباری معیار دکھاتی ہے۔ کل رقم میں ایک ہندسے کی غلطی footer کی دس غلطیوں سے زیادہ اہم ہے۔
- ملی جلی سطروں پر ترتیب جانچیں۔ “الإجمالي: 1,250.00 SAR” جیسی سطر عدد کو لیبل سے پہلے لے کر واپس آ سکتی ہے۔ یہ دو طرفہ ترتیب کا مسئلہ ہے، شناخت کی غلطی نہیں، مگر آپ کے parser کو پھر بھی اسے سنبھالنا ہوگا۔
- جو بھی منتخب کریں، نمبر کوڈ میں validate کریں: سطروں کے items کا مجموعہ کل رقم کے برابر ہو، VAT شرح سے ملے اور تاریخیں parse ہوں۔ ناکامیاں انسانی جائزے کی queue میں بھیجیں۔
BroadNet Inference کہاں فِٹ ہوتا ہے
BroadRouter، BroadNet کی ویب سائٹ ہے۔ BroadNet Inference کوئی OCR انجن نہیں بیچتا۔ یہ ایک OpenAI-compatible API پر vision LLMs بیچتا ہے: Qwen3.8 27B، BroadNet Gemma 4 VL 26B اور DeepSeek V4.1 Flash، جو سب تصاویر لیتے ہیں۔ اگر آپ کو لاکھوں اسکین شدہ صفحات سے سب سے سستا خام متن چاہیے، یا positions کے ساتھ ہاتھ سے لکھی عربی، تو اوپر درج کوئی کلاسیکی OCR API بہتر ہے۔ BroadNet تب فِٹ ہوتا ہے جب آپ کو عربی دستاویزات سے فیلڈز یا JSON چاہیے، zero data retention کے ساتھ: BroadNet کہتا ہے کہ inference content محفوظ نہیں رکھا جاتا۔ $5 کے ابتدائی کریڈٹ پر Gemma 4 VL 26B آزمائیں، یا API ریفرنس پڑھیں اور کلید حاصل کریں۔
