BroadRouter

OCR árabe frente a LLM de visión: leer documentos y facturas en árabe

Por el equipo de BroadNet Inference · 5 min de lectura · Publicado

El OCR clásico convierte imágenes de páginas en árabe en texto sin procesar; un LLM de visión lee la imagen y devuelve en JSON los campos que usted pide, como proveedor, fecha y total. Con facturas y recibos, un LLM de visión suele ahorrarle el paso de análisis. En BroadNet Inference, Qwen3.8 27B, DeepSeek V4.1 Flash y BroadNet Gemma 4 VL 26B aceptan imágenes.

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

Para facturas, recibos y formularios en árabe con los que tenga que actuar, use un LLM de visión: lee la imagen y devuelve en JSON los campos que usted pide, como proveedor, número de IVA, fecha y total. Use el reconocimiento óptico de caracteres (OCR) clásico para la búsqueda de texto completo en páginas escaneadas largas o para trabajar sin conexión. En ambos casos, verifique las cifras en código.

El árabe complica ambas vías más que el inglés, por los motivos siguientes.

¿Por qué es difícil el OCR árabe?

  • Escritura ligada. Las letras árabes se unen, y la mayoría tiene hasta cuatro formas (aislada, inicial, media y final). Los motores de OCR deben segmentar una palabra cuyos bordes no ven.
  • Los puntos tienen significado. ب ت ث ن ي comparten una misma forma base y solo se distinguen por los puntos. Un escaneo de baja resolución o un pliegue pueden convertir una letra en otra.
  • Dos direcciones en una línea. Una línea de factura como “المجموع: 1,250.00 SAR” mezcla árabe de derecha a izquierda con números y texto latino de izquierda a derecha. La salida del OCR a menudo vuelve en el orden visual equivocado, que el algoritmo bidireccional de Unicode vuelve a reordenar al mostrarse.
  • Dos juegos de dígitos. Los documentos del Golfo y de Egipto suelen imprimir números arábigo-orientales (٠١٢٣٤٥٦٧٨٩) en lugar de 0–9, a veces ambos en la misma página.
  • Fuentes y sellos. Los encabezados decorativos en naskh y ruq’ah, los sellos de empresa sobre el total y la decoloración de los recibos térmicos perjudican el reconocimiento.

OCR o LLM de visión: ¿qué le da cada uno?

OCR clásico LLM de visión
Salida Texto sin procesar, a menudo con posiciones de palabras Lo que pida: campos, JSON, un resumen, una traducción
Comprensión de la maquetación Usted escribe reglas o plantillas El modelo la deduce («el total está abajo a la derecha»)
Nuevos formatos de factura Nueva plantilla o regla Suele funcionar sin cambios
Traducción Paso aparte La misma solicitud
Previsibilidad Determinista para la misma entrada Puede variar; valide las salidas
Riesgo de alucinación Bajo (lee mal, pero no inventa) Real: puede producir un valor plausible pero erróneo
Ideal para Búsqueda de texto completo en documentos escaneados largos, archivos Facturas, recibos, documentos de identidad, formularios con los que debe actuar

El compromiso clave: el OCR lee mal, pero no inventa. Un LLM de visión entiende, pero puede alucinar un valor plausible. Un buen pipeline usa el LLM para entender y el código para verificar.

¿Cómo se lee una factura en árabe con un LLM de visión?

Envíe la imagen como una data URL en base64 dentro del contenido del mensaje y pida exactamente los campos que quiere. La guía de facturas con visión tiene el recorrido completo; lo esencial es esto:

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)

Tres detalles que ahorran tiempo de depuración:

  1. Diga qué sistema de numeración quiere. «Convert Eastern Arabic numerals to Western digits» evita una mezcla de ١٢٥٠ y 1250 en su base de datos.
  2. Pida null, no una suposición. Los modelos tienden más a inventar un valor cuando hay que rellenar todas las claves.
  3. Mantenga los nombres en su escritura original. Transliterar «مؤسسة النور للتجارة» a letras latinas invita a variantes ortográficas. Guarde el árabe y traduzca aparte si necesita inglés.

Si el modelo devuelve una respuesta vacía, se quedó sin max_tokens mientras razonaba; vea tokens de razonamiento y respuestas vacías. Para una forma de JSON más estricta, vea salida estructurada con JSON Schema; el generador de JSON Schema gratuito crea un esquema a partir de una factura de ejemplo.

¿Cómo se detectan las cifras mal leídas?

Trate cada valor extraído como una afirmación que debe verificarse en código, no como un dato. Las líneas deben sumar el subtotal, el subtotal más el IVA debe ser igual al total, las fechas deben poder interpretarse y no estar en el futuro, y la moneda debe corresponder al país del proveedor. Los números de IVA saudíes tienen una longitud y un formato fijos, lo que permite una comprobación adicional barata. Un dígito mal leído casi siempre rompe una suma, así que las comprobaciones aritméticas detectan la mayoría de los errores importantes. Todo lo que falle va a una cola de revisión humana con la imagen junto a los campos extraídos.

El pipeline completo, con un esquema Pydantic, validadores aritméticos, un reintento con el mensaje de error y una cola de revisión, está en extraer datos de facturas y recibos a JSON con un LLM de visión.

¿Qué modelo de visión conviene para leer documentos en árabe?

Tres modelos de chat de BroadNet Inference aceptan imágenes:

Modelo Entrada / salida por 1M de tokens Contexto Notas
Qwen3.8 27B $0.175 / $2.17 262,144 El modelo que BroadNet probó en árabe
DeepSeek V4.1 Flash $0.175 / $0.52 1,048,576 También en planes ilimitados de tarifa plana
BroadNet Gemma 4 VL 26B $0.10 / $0.22 32,768 El más barato de los modelos de visión de BroadNet; funciona con el crédito gratuito y con la clave por horas de $0.50

BroadNet reporta que, en sus pruebas, Qwen3.8 27B escribió árabe fluido, entendió los dialectos del Golfo y egipcio y tradujo con precisión entre árabe e inglés. BroadNet no publica ningún benchmark de OCR ni de extracción de documentos, así que mida la precisión por campo con sus propios documentos. Una configuración práctica es Gemma 4 VL 26B para recibos sencillos y una segunda pasada con Qwen3.8 27B para todo lo que no supere la validación. La comparación Gemma 4 VL 26B frente a Qwen3.8 27B los pone lado a lado.

¿Cuánto cuesta un LLM de visión por página?

Con claves de pago por uso, una imagen se factura como tokens de entrada al precio de entrada del modelo, y las imágenes más grandes usan más tokens. Reduzca las fotos del teléfono a unos 1,500–2,000 píxeles en el lado largo: los puntos del árabe necesitan resolución suficiente, pero una foto de 12 megapíxeles sobre todo añade costo. Lea usage.prompt_tokens en algunas imágenes reales para obtener su costo por página. En un plan ilimitado de DeepSeek V4.1 Flash, la documentación de BroadNet indica que las imágenes forman parte del uso ilimitado del plan. El cálculo de tokens por imagen y por página se detalla en costo de un LLM de visión por imagen.

¿Cuándo sigue ganando el OCR clásico?

  • Libros y archivos escaneados largos en los que necesita cada palabra para la búsqueda, no unos pocos campos.
  • Reproducibilidad estricta, cuando la misma entrada debe producir siempre el mismo texto.
  • Procesamiento sin conexión o en el dispositivo, sin red.

Los motores de código abierto como Tesseract incluyen datos entrenados para árabe (ara) y funcionan sin conexión. Un enfoque híbrido también funciona bien: aplique OCR a la página para obtener texto buscable y envíe la imagen a un LLM de visión para los campos con los que va a actuar. Qué API de OCR en la nube admiten árabe, impreso y manuscrito, y cuánto cuesta cada una por 1,000 páginas se explica en la comparación de API de OCR árabe.

Privacidad

Las facturas y los documentos de identidad contienen nombres, números fiscales y datos bancarios. BroadNet Inference no conserva imágenes, prompts ni respuestas tras la solicitud; vea retención cero de datos. Aplique la misma regla a su propio almacenamiento: conserve los campos extraídos que necesite y elimine las imágenes que ya no esté obligado a guardar.

Preguntas frecuentes

¿Un LLM de visión es más preciso que el OCR para el árabe?

Depende del documento. Los LLM de visión suelen ser mejores para entender la maquetación y extraer campos con nombre de facturas y recibos. Un OCR dedicado puede ser más predecible en páginas impresas largas y limpias. Pruebe ambos con una muestra de sus documentos.

¿Pueden los LLM de visión leer árabe manuscrito?

A veces, con letra clara. La precisión cae rápidamente con la escritura cursiva o apresurada. Envíe a un revisor humano los campos manuscritos de baja confianza.

¿Qué modelo de BroadNet es el más barato para leer imágenes?

BroadNet Gemma 4 VL 26B, a $0.10 por 1M de tokens de entrada. También funciona con el crédito inicial gratuito y con una clave por horas de precio fijo.

¿Cómo convierto los números arábigo-orientales a dígitos occidentales?

Pida al modelo que devuelva dígitos occidentales y luego imponga esa regla en código. En Python, text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) convierte cualquier dígito arábigo-oriental que se cuele. Los dígitos persas (۰–۹) usan otros puntos de código, así que añádalos si sus documentos proceden de Irán o Afganistán.

¿Puede el modelo traducir al inglés las etiquetas en árabe?

Sí. Pida claves en inglés y conserve los valores originales en árabe, o pida ambos. Mantenga los nombres en su escritura original para evitar errores de transliteración.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity