BroadRouter
Bắt đầu

Nhận dạng ký tự quang học (OCR)

Cập nhật

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.

Còn gọi là: OCR, nhận dạng ký tự quang học, nhận dạng chữ, chuyển ảnh thành văn bản, OCR tài liệu, trích xuất chữ từ bản scan, optical character recognition, text recognition, image to text, document OCR, scanned text extraction

OCR là bước biến ảnh chụp một tờ hóa đơn thành văn bản mà chương trình có thể tìm kiếm, lưu trữ hay kiểm tra.

Cách hoạt động

Một engine OCR cổ điển tìm các vùng chữ trên trang, tách chúng thành dòng, rồi nhận dạng ký tự trong từng dòng. Tesseract, engine mã nguồn mở nổi tiếng nhất, đã thêm mạng nơ-ron LSTM ở phiên bản 4 để nhận dạng cả dòng, và có thể “recognize more than 100 languages” (Bản dịch: nhận dạng hơn 100 ngôn ngữ) ngay khi cài đặt. Đầu ra có thể là văn bản thuần, hOCR (HTML), PDF, PDF có lớp chữ ẩn, TSV, ALTO hoặc PAGE, nên bạn cũng có vị trí của từng từ.

OCR cổ điển dừng ở mức ký tự. Để biết con số nào là tổng tiền hay dòng nào là tên nhà cung cấp, bạn phải thêm quy tắc hoặc một model thứ hai.

Vision-language model đi theo hướng khác. Trang tác vụ image-text-to-text của Hugging Face mô tả hỏi đáp tài liệu là “an OCR-free approach” (Bản dịch: một cách tiếp cận không cần OCR): ảnh tài liệu đi thẳng tới một vision-language model, model đọc và trả lời. Bạn có thể yêu cầu trực tiếp các trường và nhận lại dưới dạng đầu ra có cấu trúc.

OCR cổ điển (ví dụ Tesseract) LLM vision
Đầu ra ký tự kèm vị trí câu trả lời, tóm tắt hoặc trường JSON
Hiểu bố cục hạn chế, cần quy tắc đọc bảng và nhãn theo ngữ cảnh
Chạy ở đâu cục bộ, không tốn phí mỗi lần gọi thường qua API, tính phí theo token
Rủi ro đọc sai ký tự đọc sai ký tự và bịa giá trị

Vì sao quan trọng

  • Chi phí. Ảnh gửi tới API LLM được tính là token đầu vào. OCR cục bộ không tốn phí mỗi lần gọi nhưng cần máy chủ và bảo trì.
  • Kiểm tra độ chính xác. Model vision có thể trả về một con số tổng hợp lý nhưng không có trên trang. Hãy yêu cầu nó trích dẫn văn bản gốc và kiểm tra phép cộng bằng code.
  • Tiếng Ả Rập. Chữ viết từ phải sang trái, các dạng chữ nối liền và việc trộn chữ số Ả Rập với chữ số Latin đều làm tăng độ khó. Hãy kiểm thử mọi engine hay model trên bản scan của chính bạn.

Trên BroadNet Inference

BroadNet không ghi trong tài liệu một endpoint OCR riêng. Tài liệu của BroadNet hướng dẫn đọc hóa đơn bằng cách gửi ảnh dưới dạng URL data: tới một model chat có ghi hỗ trợ hình ảnh hoặc vision, như DeepSeek V4.1 Flash, BroadNet Gemma 4 VL 26B hay Qwen3.8 27B. Với key trả theo mức dùng, ảnh được tính là token đầu vào theo giá đầu vào của model ($0.10 mỗi 1 triệu token trên Gemma), và ảnh lớn hơn dùng nhiều token hơn. Làm theo từng bước trong hướng dẫn đọc hóa đơn tiếng Ả Rập, và xem OCR tiếng Ả Rập bằng LLM vision để biết khi nào OCR cổ điển vẫn là công cụ tốt hơn.

Câu hỏi thường gặp

OCR khác gì LLM vision?

OCR trả về các ký tự tìm được và vị trí của chúng. LLM vision đọc ảnh và có thể trả lời câu hỏi, chẳng hạn “tổng tiền hóa đơn là bao nhiêu?”, hoặc trả về các trường được chỉ định dưới dạng JSON.

BroadNet có endpoint OCR không?

Không có endpoint OCR riêng nào được ghi trong tài liệu. Bạn gửi ảnh tới một model chat hỗ trợ vision qua /v1/chat/completions và yêu cầu phần văn bản hoặc các trường bạn cần.

OCR cổ điển còn đáng dùng không?

Có, với khối lượng lớn trang in sạch mà bạn chỉ cần văn bản và vị trí. Nó chạy cục bộ, không tốn phí mỗi lần gọi. Model vision tốt hơn khi bạn cần trường dữ liệu, bảng hoặc câu trả lời thay vì ký tự thô.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity