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.