OCR وہ قدم ہے جو رسید کی تصویر کو ایسے متن میں بدلتا ہے جسے پروگرام تلاش، محفوظ یا جانچ سکے۔
یہ کیسے کام کرتا ہے
روایتی OCR انجن صفحے پر متن والے حصے تلاش کرتا ہے، انہیں سطروں میں تقسیم کرتا ہے، اور ہر سطر کے حروف پہچانتا ہے۔ سب سے مشہور اوپن سورس انجن Tesseract ورژن 4 میں ایک LSTM نیورل نیٹ ورک لایا جو پوری سطر پہچانتا ہے، اور یہ بغیر کسی سیٹ اپ کے “recognize more than 100 languages” (ترجمہ: 100 سے زیادہ زبانیں پہچان) سکتا ہے۔ آؤٹ پٹ plain text، hOCR (HTML)، PDF، invisible-text PDF، TSV، ALTO یا PAGE کی صورت میں آتا ہے، اس لیے آپ کو الفاظ کی جگہ بھی ملتی ہے۔
روایتی OCR حروف پر رک جاتا ہے۔ کون سا نمبر کل ہے یا کون سی سطر سپلائر کا نام ہے، یہ جاننے کے لیے آپ اصول یا دوسرا ماڈل جوڑتے ہیں۔
Vision-language ماڈل دوسرا راستہ لیتے ہیں۔ Hugging Face کا image-text-to-text ٹاسک صفحہ دستاویز پر سوال و جواب کو “an OCR-free approach” (ترجمہ: بغیر OCR والا طریقہ) کہتا ہے: دستاویز کی تصویر سیدھی vision-language ماڈل کو جاتی ہے، جو اسے پڑھ کر جواب دیتا ہے۔ آپ براہِ راست fields مانگ سکتے ہیں اور انہیں structured output کی صورت میں واپس پا سکتے ہیں۔
| روایتی OCR (مثلاً Tesseract) | Vision LLM | |
|---|---|---|
| آؤٹ پٹ | حروف اور ان کی جگہ | جوابات، خلاصے یا JSON fields |
| لے آؤٹ کی سمجھ | محدود، اصول چاہییں | ٹیبلز اور لیبلز سیاق میں پڑھتا ہے |
| کہاں چلتا ہے | لوکل، فی کال کوئی فیس نہیں | عموماً API، فی ٹوکن بل |
| خطرہ | غلط پڑھے گئے حروف | غلط پڑھے گئے حروف اور گھڑی ہوئی قدریں |
یہ کیوں اہم ہے
- لاگت۔ LLM API کو بھیجی گئی تصویر ان پٹ ٹوکنز کے طور پر بل ہوتی ہے۔ لوکل OCR پر فی کال فیس نہیں، لیکن سرورز اور دیکھ بھال چاہیے۔
- درستگی کی جانچ۔ Vision ماڈل ایسا معقول لگنے والا کل واپس کر سکتا ہے جو صفحے پر ہے ہی نہیں۔ اس سے ماخذ متن کا حوالہ مانگیں اور جمع کوڈ میں جانچیں۔
- عربی۔ دائیں سے بائیں متن، جڑی ہوئی حروف کی شکلیں اور عربی و لاطینی ہندسوں کا ملاپ، سب مشکل بڑھاتے ہیں۔ کسی بھی انجن یا ماڈل کو اپنے اسکینز پر ٹیسٹ کریں۔
BroadNet Inference پر
BroadNet کوئی الگ OCR اینڈپوائنٹ درج نہیں کرتا۔ اس کی دستاویزات انوائس پڑھنا یوں دکھاتی ہیں: تصویر کو data: URL کے طور پر ایسے چیٹ ماڈل کو بھیجیں جس کی ماڈل قطار میں تصاویر یا vision درج ہو، جیسے DeepSeek V4.1 Flash، BroadNet Gemma 4 VL 26B یا Qwen3.8 27B۔ استعمال کے مطابق ادائیگی والی کلید پر تصویر ماڈل کی ان پٹ قیمت پر ان پٹ ٹوکن کے طور پر شمار ہوتی ہے (Gemma پر $0.10 فی دس لاکھ)، اور بڑی تصاویر زیادہ ٹوکن لیتی ہیں۔ عربی انوائس گائیڈ میں یہ قدم بہ قدم دیکھیں، اور روایتی OCR کب اب بھی بہتر ٹول ہے، اس کے لیے vision LLMs سے عربی OCR دیکھیں۔