BroadRouter

阿拉伯语 OCR 与视觉大模型:识别阿拉伯语文档和发票

BroadNet Inference 团队 · 阅读约 5 分钟 · 发布于

传统 OCR 把阿拉伯语页面图像转成原始文本;视觉大模型读取图像,并以 JSON 返回你要求的字段,比如商家、日期和总额。对于发票和收据,视觉大模型通常能省掉解析这一步。在 BroadNet Inference 上,Qwen3.8 27B、DeepSeek V4.1 Flash 和 BroadNet Gemma 4 VL 26B 都接受图片输入。

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

对于需要据此采取行动的阿拉伯语发票、收据和表单,用视觉大模型:它读取图像,并以 JSON 返回你要求的字段,比如商家、增值税号、日期和总额。对于长篇扫描页面的全文检索或离线处理,用传统的光学字符识别(OCR)。无论哪种方式,都要在代码里核对数字。

由于下面这些原因,阿拉伯语让两种方式都比处理英语时更难。

为什么阿拉伯语 OCR 很难?

  • **连写文字。**阿拉伯字母相互连接,大多数字母最多有四种形态(独立、词首、词中、词尾)。OCR 引擎必须切分一个它看不清边界的词。
  • **点承载含义。**ب ت ث ن ي 共用一个基本形状,只靠点来区分。低分辨率扫描或一道折痕,就可能把一个字母变成另一个。
  • **一行两种方向。**像“المجموع: 1,250.00 SAR”这样的发票行,把从右到左的阿拉伯语和从左到右的数字及拉丁文本混在一起。OCR 输出常常以错误的视觉顺序返回,显示时 Unicode 双向算法又会再次重排。
  • **两套数字。**海湾和埃及的文档经常印东阿拉伯数字(٠١٢٣٤٥٦٧٨٩)而不是 0–9,有时同一页上两种都有。
  • **字体和印章。**装饰性的 Naskh 和 Ruq’ah 标题、盖在总额上的公司印章,以及热敏收据的褪色,都会影响识别。

OCR 还是视觉大模型:各自能给你什么?

传统 OCR 视觉大模型
输出 原始文本,通常带词语位置 你要求的任何东西:字段、JSON、摘要、译文
版面理解 需要你写规则或模板 由模型推断(“总额在右下角”)
新的发票版式 需要新模板或新规则 通常无需改动即可使用
翻译 单独的步骤 同一个请求
可预测性 相同输入结果确定 可能变化;需要校验输出
幻觉风险 低(会读错,但不会编造) 真实存在:可能给出看似合理但错误的值
最适合 长篇扫描文档、档案的全文检索 需要据此行动的发票、收据、证件、表单

关键的取舍是:OCR 会读错,但不会编造。视觉大模型能理解,但可能幻觉出一个看似合理的值。好的流水线用大模型负责理解,用代码负责核对。

怎样用视觉大模型读取阿拉伯语发票?

把图片作为 base64 data URL 放在消息内容里发送,并准确要求你想要的字段。视觉模型读取发票指南有完整的演练;核心代码如下:

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)

三个能节省调试时间的细节:

  1. 说明你要哪种数字体系。“Convert Eastern Arabic numerals to Western digits”(把东阿拉伯数字转换成西方数字)可以避免数据库里混着 ١٢٥٠ 和 1250。
  2. **要求返回 null,而不是猜。**当每个键都必须填写时,模型更容易编造值。
  3. **名字保留原文字。**把“مؤسسة النور للتجارة”音译成拉丁字母会招来各种拼写变体。存储阿拉伯语原文,需要英文时再单独翻译。

如果模型返回空回答,说明它在思考时用完了 max_tokens;参见思考 token 与空回答。如需更严格的 JSON 结构,请看用 JSON schema 实现结构化输出;免费的 JSON schema 生成器可以根据一张样例发票生成 schema。

怎样发现读错的数字?

把每个抽取出的值都当作需要在代码里核对的说法,而不是数据。各行金额之和必须等于小计,小计加增值税必须等于总额,日期必须能解析且不能是未来日期,货币应与商家所在国家相符。沙特增值税号有固定的长度和格式,可以作为一项低成本的额外检查。读错一个数字几乎总会让某个求和对不上,所以算术检查能抓住大多数要紧的错误。任何未通过检查的结果都进入人工审核队列,并把图片和抽取出的字段并排显示。

完整的流水线,包括 Pydantic schema、算术校验器、带错误信息的一次重试和审核队列,见用视觉大模型把发票和收据数据抽取为 JSON。

该用哪个视觉模型读取阿拉伯语文档?

BroadNet Inference 上有三个对话模型接受图片输入:

模型 每百万 token 输入 / 输出 上下文 说明
Qwen3.8 27B $0.175 / $2.17 262,144 BroadNet 做过阿拉伯语测试的模型
DeepSeek V4.1 Flash $0.175 / $0.52 1,048,576 也可用不限量的固定价格套餐
BroadNet Gemma 4 VL 26B $0.10 / $0.22 32,768 BroadNet 视觉模型中最便宜的;可用免费额度和 $0.50 的按小时密钥调用

BroadNet 报告,在其测试中 Qwen3.8 27B 能流畅书写阿拉伯语、理解海湾和埃及方言,并能准确进行阿拉伯语和英语互译。BroadNet 没有公布 OCR 或文档抽取基准,所以请在你自己的文档上测量字段准确率。一个实用的组合是:简单收据用 Gemma 4 VL 26B,未通过校验的再用 Qwen3.8 27B 处理一遍。Gemma 4 VL 26B 与 Qwen3.8 27B 对比把两者并排做了比较。

视觉大模型每页要花多少钱?

在按量付费密钥上,图片按模型的输入价格以输入 token 计费,图片越大消耗的 token 越多。把手机照片缩小到长边大约 1,500–2,000 像素:阿拉伯字母的点需要足够的分辨率,但 1200 万像素的照片多出来的主要是成本。在几张真实图片上读取 usage.prompt_tokens,就能得到你的每页成本。在不限量的 DeepSeek V4.1 Flash 套餐上,BroadNet 的文档说图片属于套餐不限量使用的范围。每张图片和每页的 token 计算,详见视觉大模型每张图片的费用。

什么时候传统 OCR 仍然更好?

  • 长篇扫描书籍和档案,你需要每个字用于检索,而不只是几个字段。
  • 严格可复现,同样的输入必须始终产生同样的文本。
  • 离线或端侧处理,没有网络。

Tesseract 等开源引擎提供阿拉伯语(ara)训练数据,并且可以离线运行。混合方案也很好用:用 OCR 处理页面得到可检索的文本,再把图片发给视觉大模型提取你要据此行动的字段。哪些云端 OCR API 支持阿拉伯语印刷体和手写体,以及每 1,000 页各要多少钱,见阿拉伯语 OCR API 对比。

隐私

发票和证件包含姓名、税号和银行信息。BroadNet Inference 在请求结束后不保留图片、提示词或回答;参见零数据保留。对你自己的存储也采用同样的规则:只保留需要的抽取字段,删除不再需要保留的图片。

常见问题

识别阿拉伯语,视觉大模型比 OCR 更准吗?

取决于文档。视觉大模型通常更擅长理解版面,并从发票和收据中提取命名字段。在长篇、干净的印刷页面上,专用 OCR 可能更可预测。用你的一批文档两种都测一下。

视觉大模型能识别手写阿拉伯语吗?

字迹清楚时有时可以。遇到连笔或潦草的字迹,准确率会迅速下降。把置信度低的手写字段转给人工审核。

BroadNet 上读图最便宜的是哪个模型?

BroadNet Gemma 4 VL 26B,每百万输入 token $0.10。它也可以用免费的初始额度,以及固定价格的按小时密钥调用。

怎么把东阿拉伯数字转换成西方数字?

让模型返回西方数字,再在代码里强制执行。在 Python 中,text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) 可以转换漏网的东阿拉伯数字。波斯数字(۰–۹)使用不同的码位,如果你的文档来自伊朗或阿富汗,要把它们也加上。

模型能把阿拉伯语标签翻译成英文吗?

能。要求返回英文键名并保留阿拉伯语原值,或者两者都要。名字保留原文字,以避免音译错误。

以 Markdown 格式阅读问 ChatGPT问 Claude问 Perplexity