BroadRouter

OCR tiếng Ả Rập hay vision LLM: đọc tài liệu và hóa đơn tiếng Ả Rập

Đội ngũ BroadNet Inference · 5 phút đọc · Đăng ngày

OCR truyền thống biến ảnh trang tiếng Ả Rập thành văn bản thô; vision LLM đọc ảnh và trả về các trường bạn yêu cầu, như nhà cung cấp, ngày và tổng tiền, dạng JSON. Với hóa đơn và biên lai, vision LLM thường giúp bỏ bước phân tích cú pháp. Trên BroadNet Inference, Qwen3.8 27B, DeepSeek V4.1 Flash và BroadNet Gemma 4 VL 26B nhận ảnh.

Parcels on a conveyor labelled "FRAGILE", "ZERBRECHLICH" and "取扱注意", with the text "From printed text to useful data."

Với hóa đơn, biên lai và biểu mẫu tiếng Ả Rập mà bạn cần xử lý, hãy dùng vision LLM: nó đọc ảnh và trả về các trường bạn yêu cầu, như nhà cung cấp, mã số VAT, ngày và tổng tiền, dạng JSON. Dùng nhận dạng ký tự quang học (OCR) truyền thống để tìm kiếm toàn văn các trang scan dài hoặc làm việc offline. Dù cách nào, hãy kiểm tra con số bằng code.

Tiếng Ả Rập khiến cả hai cách khó hơn so với tiếng Anh, vì những lý do dưới đây.

Vì sao OCR tiếng Ả Rập khó?

  • Chữ viết nối liền. Chữ cái tiếng Ả Rập nối với nhau, và phần lớn có tới bốn hình dạng (đứng riêng, đầu, giữa, cuối). Engine OCR phải tách một từ mà nó không thấy được ranh giới.
  • Dấu chấm mang nghĩa. ب ت ث ن ي có cùng một nét cơ bản và chỉ khác nhau ở dấu chấm. Một bản scan độ phân giải thấp hay một nếp gấp có thể biến chữ này thành chữ khác.
  • Hai chiều trên một dòng. Một dòng hóa đơn như “المجموع: 1,250.00 SAR” trộn tiếng Ả Rập viết từ phải sang trái với số và chữ Latin viết từ trái sang phải. Đầu ra OCR thường trả về sai thứ tự hiển thị, rồi thuật toán hai chiều Unicode lại sắp xếp lại khi hiển thị.
  • Hai bộ chữ số. Tài liệu vùng Vịnh và Ai Cập thường in chữ số Ả Rập phương Đông (٠١٢٣٤٥٦٧٨٩) thay vì 0–9, đôi khi cả hai trên cùng một trang.
  • Phông chữ và con dấu. Tiêu đề Naskh và Ruq’ah trang trí, con dấu công ty đóng đè lên tổng tiền và biên lai giấy nhiệt bị phai đều làm giảm khả năng nhận dạng.

OCR hay vision LLM: mỗi cái cho bạn gì?

OCR truyền thống Vision LLM
Đầu ra Văn bản thô, thường kèm vị trí từ Bất cứ thứ gì bạn yêu cầu: trường, JSON, tóm tắt, bản dịch
Hiểu bố cục Bạn viết quy tắc hoặc template Model tự suy ra (“tổng tiền nằm ở góc dưới bên phải”)
Bố cục hóa đơn mới Template hoặc quy tắc mới Thường chạy được mà không cần thay đổi
Dịch Bước riêng Trong cùng request
Tính dễ đoán Xác định với cùng đầu vào Có thể thay đổi; cần kiểm tra đầu ra
Rủi ro ảo giác Thấp (đọc sai, nhưng không bịa) Có thật: có thể tạo ra giá trị hợp lý nhưng sai
Tốt nhất cho Tìm kiếm toàn văn tài liệu scan dài, kho lưu trữ Hóa đơn, biên lai, giấy tờ tùy thân, biểu mẫu cần xử lý

Sự đánh đổi then chốt: OCR đọc sai nhưng không bịa. Vision LLM hiểu, nhưng có thể ảo giác ra một giá trị nghe hợp lý. Pipeline tốt dùng LLM để hiểu và code để kiểm tra.

Đọc hóa đơn tiếng Ả Rập bằng vision LLM thế nào?

Gửi ảnh dưới dạng data URL base64 trong nội dung tin nhắn và yêu cầu đúng các trường bạn muốn. Hướng dẫn hóa đơn bằng vision có toàn bộ các bước; phần cốt lõi như sau:

import base64, json, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
image = base64.b64encode(open("invoice.jpg", "rb").read()).decode()

prompt = """Read this invoice. Reply with JSON only, using these keys:
vendor_name (as written, Arabic script if Arabic), vendor_vat_number, invoice_number,
invoice_date (YYYY-MM-DD), currency (ISO code), subtotal, vat_amount, total,
line_items (list of {description, quantity, unit_price, amount}).
Convert Eastern Arabic numerals to Western digits. Use null for anything you cannot read."""

r = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=3000,  # reasoning comes first
    messages=[{"role": "user", "content": [
        {"type": "text", "text": prompt},
        {"type": "image_url", "image_url": {"url": "data:image/jpeg;base64," + image}},
    ]}],
)
data = json.loads(r.choices[0].message.content)

Ba chi tiết giúp tiết kiệm thời gian debug:

  1. Nói rõ hệ chữ số bạn muốn. “Convert Eastern Arabic numerals to Western digits” (chuyển chữ số Ả Rập phương Đông sang chữ số phương Tây) tránh việc cơ sở dữ liệu của bạn lẫn ١٢٥٠ và 1250.
  2. Yêu cầu null, không phải đoán. Model dễ bịa giá trị hơn khi mọi key đều phải được điền.
  3. Giữ tên ở hệ chữ gốc. Phiên âm “مؤسسة النور للتجارة” sang chữ Latin dễ sinh ra nhiều cách viết. Hãy lưu bản tiếng Ả Rập và dịch riêng nếu cần tiếng Anh.

Nếu model trả về câu trả lời rỗng, nó đã hết max_tokens trong lúc suy luận; xem token suy luận và phản hồi rỗng. Để có cấu trúc JSON chặt chẽ hơn, xem structured output với JSON schema; công cụ tạo JSON schema miễn phí dựng schema từ một hóa đơn mẫu.

Bắt các con số bị đọc sai thế nào?

Hãy coi mỗi giá trị trích xuất là một khẳng định cần kiểm tra bằng code, không phải dữ liệu. Các dòng hàng phải cộng lại bằng tổng phụ, tổng phụ cộng VAT phải bằng tổng tiền, ngày phải phân tích được và không nằm ở tương lai, và tiền tệ nên khớp với quốc gia của nhà cung cấp. Mã số VAT của Saudi có độ dài và định dạng cố định, thành một phép kiểm tra phụ rẻ. Một chữ số bị đọc sai gần như luôn làm hỏng một phép cộng, nên kiểm tra số học bắt được phần lớn các lỗi quan trọng. Mọi thứ không qua kiểm tra được đưa vào hàng đợi người duyệt, kèm ảnh bên cạnh các trường đã trích xuất.

Pipeline đầy đủ, với schema Pydantic, bộ kiểm tra số học, một lần thử lại kèm thông báo lỗi và hàng đợi duyệt, có trong trích xuất dữ liệu hóa đơn và biên lai ra JSON bằng vision LLM.

Nên dùng model vision nào để đọc tài liệu tiếng Ả Rập?

Ba model chat trên BroadNet Inference nhận ảnh:

Model Đầu vào / đầu ra trên 1 triệu token Context Ghi chú
Qwen3.8 27B $0.175 / $2.17 262.144 Model BroadNet đã test bằng tiếng Ả Rập
DeepSeek V4.1 Flash $0.175 / $0.52 1.048.576 Có cả trong các gói giá cố định không giới hạn
BroadNet Gemma 4 VL 26B $0.10 / $0.22 32.768 Rẻ nhất trong các model vision của BroadNet; dùng được bằng tín dụng miễn phí và key theo giờ $0.50

BroadNet báo cáo Qwen3.8 27B viết tiếng Ả Rập trôi chảy, hiểu phương ngữ vùng Vịnh và Ai Cập và dịch Ả Rập–Anh chính xác trong các bài test của họ. BroadNet không công bố benchmark OCR hay trích xuất tài liệu, nên hãy đo độ chính xác theo trường trên tài liệu của bạn. Một cấu hình thực tế là Gemma 4 VL 26B cho biên lai đơn giản và một lượt thứ hai bằng Qwen3.8 27B cho những gì không qua kiểm tra. So sánh Gemma 4 VL 26B và Qwen3.8 27B đặt hai model cạnh nhau.

Vision LLM tốn bao nhiêu mỗi trang?

Với key trả theo mức dùng, ảnh được tính phí như token đầu vào theo giá đầu vào của model, và ảnh lớn hơn dùng nhiều token hơn. Hãy thu nhỏ ảnh chụp điện thoại xuống khoảng 1.500–2.000 pixel ở cạnh dài: dấu chấm tiếng Ả Rập cần đủ độ phân giải, nhưng một ảnh 12 megapixel chủ yếu chỉ thêm chi phí. Đọc usage.prompt_tokens trên vài ảnh thật để biết chi phí mỗi trang. Với gói DeepSeek V4.1 Flash không giới hạn, tài liệu của BroadNet cho biết ảnh nằm trong mức dùng không giới hạn của gói. Phép tính token cho mỗi ảnh và mỗi trang được trình bày trong chi phí vision LLM cho mỗi ảnh.

Khi nào OCR truyền thống vẫn thắng?

  • Sách scan dài và kho lưu trữ khi bạn cần mọi từ để tìm kiếm, không chỉ vài trường.
  • Khả năng tái lập nghiêm ngặt, khi cùng đầu vào phải luôn cho ra cùng văn bản.
  • Xử lý offline hoặc trên thiết bị không có mạng.

Các engine mã nguồn mở như Tesseract có dữ liệu huấn luyện tiếng Ả Rập (ara) và chạy offline. Cách kết hợp cũng hiệu quả: OCR trang để có văn bản tìm kiếm được, và gửi ảnh tới vision LLM để lấy các trường bạn cần xử lý. Những API OCR đám mây nào hỗ trợ tiếng Ả Rập, chữ in và chữ viết tay, và mỗi cái tốn bao nhiêu cho 1.000 trang có trong so sánh API OCR tiếng Ả Rập.

Quyền riêng tư

Hóa đơn và giấy tờ tùy thân chứa tên, mã số thuế và thông tin ngân hàng. BroadNet Inference không lưu giữ ảnh, prompt hay câu trả lời sau request; xem không lưu giữ dữ liệu. Hãy áp dụng cùng quy tắc cho kho lưu trữ của bạn: giữ các trường trích xuất bạn cần và xóa những ảnh không còn phải giữ.

Câu hỏi thường gặp

Vision LLM có chính xác hơn OCR với tiếng Ả Rập không?

Tùy tài liệu. Vision LLM thường giỏi hơn trong việc hiểu bố cục và lấy các trường có tên từ hóa đơn và biên lai. OCR chuyên dụng có thể dễ đoán hơn với các trang in dài, sạch. Hãy test cả hai trên một mẫu tài liệu của bạn.

Vision LLM có đọc được chữ viết tay tiếng Ả Rập không?

Đôi khi, với chữ viết tay rõ ràng. Độ chính xác giảm nhanh với chữ viết liền hoặc viết vội. Hãy chuyển các trường viết tay có độ tin cậy thấp cho người duyệt.

Model BroadNet nào rẻ nhất để đọc ảnh?

BroadNet Gemma 4 VL 26B, giá $0.10 trên 1 triệu token đầu vào. Nó cũng dùng được bằng tín dụng ban đầu miễn phí và với key theo giờ giá cố định.

Chuyển chữ số Ả Rập phương Đông sang chữ số phương Tây thế nào?

Yêu cầu model trả về chữ số phương Tây, rồi ép lại bằng code. Trong Python, text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) chuyển mọi chữ số Ả Rập phương Đông còn sót. Chữ số Ba Tư (۰–۹) dùng code point khác, nên hãy thêm chúng nếu tài liệu của bạn đến từ Iran hoặc Afghanistan.

Model có dịch nhãn tiếng Ả Rập sang tiếng Anh được không?

Được. Yêu cầu key bằng tiếng Anh và giữ giá trị tiếng Ả Rập gốc, hoặc yêu cầu cả hai. Giữ tên ở hệ chữ gốc để tránh lỗi phiên âm.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity