---
title: "OCR tiếng Ả Rập hay vision LLM cho hóa đơn, tài liệu"
description: "Khi nào dùng OCR, khi nào dùng vision LLM cho hóa đơn, biên lai, biểu mẫu tiếng Ả Rập: bẫy độ chính xác, đầu ra JSON, chi phí mỗi trang và pipeline kiểm tra."
url: https://broadrouter.com/vi/blog/arabic-ocr-vision-llm/
lang: vi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/blog/arabic-ocr-vision-llm/) (cập nhật ngày 2026-11-14).

# 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 2026-11-14

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.

## Ý chính

-   OCR tiếng Ả Rập khó vì chữ cái nối liền, đổi hình theo vị trí và phụ thuộc vào dấu chấm; dòng trộn tiếng Ả Rập và tiếng Anh thêm vấn đề thứ tự hai chiều.
-   OCR truyền thống cho bạn văn bản và vị trí. Vision LLM cho bạn ý nghĩa: các trường có tên, nhãn đã dịch, JSON có cấu trúc.
-   Luôn kiểm tra con số bằng code: tổng bằng tổng các dòng, VAT khớp thuế suất, ngày phân tích được.
-   Khi trả theo mức dùng, ảnh được tính phí như token đầu vào, nên hãy thu nhỏ ảnh lớn trước khi gửi.
-   Dùng OCR khi cần tìm kiếm toàn văn sách scan dài; dùng vision LLM cho tài liệu bạn cần xử lý.

**Trong trang này**

1.  Vì sao OCR tiếng Ả Rập khó?
2.  OCR hay vision LLM: mỗi cái cho bạn gì?
3.  Đọc hóa đơn tiếng Ả Rập bằng vision LLM thế nào?
4.  Bắt các con số bị đọc sai thế nào?
5.  Nên dùng model vision nào để đọc tài liệu tiếng Ả Rập?
6.  Vision LLM tốn bao nhiêu mỗi trang?
7.  Khi nào OCR truyền thống vẫn thắng?
8.  Quyền riêng tư

_[image: 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](https://broadrouter.com/vi/glossary/vision-language-model/): 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)](https://broadrouter.com/vi/glossary/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](https://www.unicode.org/reports/tr9/) 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](https://broadrouter.com/vi/glossary/hallucination/) 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](https://broadrouter.com/vi/guides/read-arabic-invoices-with-vision/) có toàn bộ các bước; phần cốt lõi như sau:

```python
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](https://broadrouter.com/vi/guides/reasoning-tokens-empty-response/). Để có cấu trúc JSON chặt chẽ hơn, xem [structured output với JSON schema](https://broadrouter.com/vi/blog/structured-output-json-schema/); [công cụ tạo JSON schema](https://broadrouter.com/tools/json-schema-generator/) 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](https://broadrouter.com/vi/blog/extract-data-from-documents-with-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](https://broadrouter.com/vi/models/qwen3.8-27b/) | $0.175 / $2.17 | 262.144 | Model BroadNet đã test bằng tiếng Ả Rập |
| [DeepSeek V4.1 Flash](https://broadrouter.com/vi/models/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](https://broadrouter.com/vi/models/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](https://broadrouter.com/compare/gemma-4-vl-26b-vs-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](https://broadrouter.com/vi/blog/cheapest-vision-llm-api/).

## 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](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html) 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](https://broadrouter.com/vi/blog/arabic-ocr-api-comparison/).

## 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](https://broadrouter.com/vi/privacy/). 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.

Công cụ miễn phí cho chủ đề này (tiếng Anh)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Công cụ miễn phí (tiếng Anh)](https://broadrouter.com/tools/)

## Thuật ngữ trong bài này

[Nhận dạng ký tự quang học (OCR)](https://broadrouter.com/vi/glossary/ocr/)

Nhận dạng ký tự quang học (OCR) là công nghệ phát hiện chữ in hoặc chữ viết tay trong ảnh, bản scan hay PDF và chuyển thành ký tự máy đọc được. OCR cổ điển trả về văn bản và vị trí trên trang; vision-language model có thể đọc chữ và trả lời câu hỏi về nó ngay.

[Token](https://broadrouter.com/vi/glossary/token/)

Token là đơn vị văn bản mà model ngôn ngữ đọc và viết: một từ, một phần của từ, một dấu câu hoặc một chuỗi byte do tokenizer của model tạo ra. API LLM đếm, giới hạn và thường tính phí theo token.

[Ảo giác AI (hallucination)](https://broadrouter.com/vi/glossary/hallucination/)

Ảo giác (hallucination) là đầu ra của model ngôn ngữ nghe hợp lý nhưng sai, bịa đặt hoặc không được đầu vào hỗ trợ, như trích dẫn bịa, con số sai hay API không tồn tại. Nó xuất phát từ việc model dự đoán văn bản khả dĩ thay vì kiểm chứng sự thật.

[Đầu ra có cấu trúc (structured output)](https://broadrouter.com/vi/glossary/structured-output/)

Đầu ra có cấu trúc (structured output) là tính năng của API LLM buộc câu trả lời của model theo định dạng do lập trình viên chỉ định, thường là JSON Schema, để code parse được tin cậy. Nó chặt hơn JSON mode, vốn chỉ đảm bảo JSON hợp lệ chứ không đảm bảo một cấu trúc cụ thể.

[JSON Schema](https://broadrouter.com/vi/glossary/json-schema/)

JSON Schema là một bộ từ vựng viết bằng JSON để mô tả và kiểm tra cấu trúc dữ liệu JSON: kiểu, trường bắt buộc, giá trị cho phép và cách lồng nhau. Phiên bản hiện tại là 2020-12. Các API LLM dùng nó để định nghĩa tham số tool và cấu trúc chính xác mà structured output phải theo.

[Không lưu giữ dữ liệu (zero data retention, ZDR)](https://broadrouter.com/vi/glossary/zero-data-retention/)

Không lưu giữ dữ liệu (ZDR) là chính sách mà nhà cung cấp AI chỉ xử lý prompt và đầu ra để phục vụ request, sau đó không lưu nội dung đó vào log, cache hay dữ liệu huấn luyện. Các bản ghi không chứa nội dung như số token và thời gian xử lý thường vẫn được giữ.

[Token đầu vào và đầu ra (input and output tokens)](https://broadrouter.com/vi/glossary/input-and-output-tokens/)

Token đầu vào là token mà model ngôn ngữ đọc trong một request, gồm system prompt, lịch sử hội thoại, định nghĩa tool và hình ảnh. Token đầu ra là token nó sinh ra để trả lời, kể cả phần suy luận. API LLM thường tính giá riêng cho hai loại, và đầu ra thường đắt hơn.

[Token suy luận (reasoning tokens)](https://broadrouter.com/vi/glossary/reasoning-tokens/)

Token suy luận (reasoning tokens) là token mà model suy luận sinh ra để giải quyết vấn đề trước khi viết câu trả lời hiển thị. Chúng thường được tính phí như token đầu ra, tính vào giới hạn đầu ra và context window, và có thể bị API ẩn đi hoặc tóm tắt.

## 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 tiếp

-   [Trích xuất hóa đơn, biên lai, biểu mẫu sang JSON bằng LLM vision](https://broadrouter.com/vi/blog/extract-data-from-documents-with-vision-llm/)
-   [API LLM vision rẻ nhất: chi phí mỗi ảnh và mỗi trang, tính cụ thể](https://broadrouter.com/vi/blog/cheapest-vision-llm-api/)
-   [Chọn API LLM cho tiếng Ả Rập: cần test những gì](https://broadrouter.com/vi/blog/choosing-an-llm-for-arabic/)
-   [JSON mode và json\_schema: đầu ra có cấu trúc đáng tin cậy](https://broadrouter.com/vi/blog/structured-output-json-schema/)
-   [Thêm dấu cho tiếng Ả Rập bằng LLM: prompt, kiểm tra, DER](https://broadrouter.com/vi/blog/arabic-diacritization-llm/)
-   [Sửa ngữ pháp và chính tả tiếng Ả Rập bằng LLM: hướng dẫn](https://broadrouter.com/vi/blog/arabic-grammar-spelling-correction-llm/)
-   [Hướng dẫn: Đọc hóa đơn và biên lai tiếng Ả Rập bằng model thị giác](https://broadrouter.com/vi/guides/read-arabic-invoices-with-vision/)
-   [Hướng dẫn: Vì sao model suy luận trả về câu trả lời rỗng](https://broadrouter.com/vi/guides/reasoning-tokens-empty-response/)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

[Bắt đầu](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-ocr-vision-llm&utm_content=page-cta) ·

**Nguồn**

-   [Tài liệu tham chiếu API BroadNet Inference: chat kèm ảnh, ảnh trong các gói (truy cập ngày 2026-11-14) (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Bảng giá dạng máy đọc của BroadNet Inference, pricing.json (truy cập ngày 2026-11-14) (tiếng Anh)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Tài liệu Tesseract, file dữ liệu huấn luyện theo ngôn ngữ gồm cả tiếng Ả Rập (truy cập ngày 2026-11-14)](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html)
-   [Unicode Standard Annex #9, thuật toán hai chiều Unicode (truy cập ngày 2026-11-14)](https://www.unicode.org/reports/tr9/)
