---
title: "OCR árabe o LLM de visión para facturas y documentos"
description: "Cuándo usar OCR clásico y cuándo un LLM de visión para facturas, recibos y formularios en árabe: trampas de precisión, salida JSON, costo por página y validación."
url: https://broadrouter.com/es/blog/arabic-ocr-vision-llm/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/arabic-ocr-vision-llm/) (actualizado el 2026-11-14).

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

Por el equipo de BroadNet Inference · 5 min de lectura · Publicado 2026-11-14

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.

## Puntos clave

-   El OCR árabe es difícil porque las letras se unen, cambian de forma según su posición y dependen de puntos; las líneas que mezclan árabe e inglés añaden problemas de orden bidireccional.
-   El OCR clásico le da texto y posiciones. Un LLM de visión le da significado: campos con nombre, etiquetas traducidas, JSON estructurado.
-   Valide siempre las cifras en código: los totales deben igualar la suma de las líneas, el IVA debe corresponder a la tasa y las fechas deben poder interpretarse.
-   En pago por uso, una imagen se factura como tokens de entrada, así que reduzca las fotos grandes antes de enviarlas.
-   Use OCR cuando necesite búsqueda de texto completo en libros escaneados largos; use un LLM de visión para documentos con los que tenga que actuar.

**En esta página**

1.  ¿Por qué es difícil el OCR árabe?
2.  OCR o LLM de visión: ¿qué le da cada uno?
3.  ¿Cómo se lee una factura en árabe con un LLM de visión?
4.  ¿Cómo se detectan las cifras mal leídas?
5.  ¿Qué modelo de visión conviene para leer documentos en árabe?
6.  ¿Cuánto cuesta un LLM de visión por página?
7.  ¿Cuándo sigue ganando el OCR clásico?
8.  Privacidad

_[image: 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](https://broadrouter.com/es/glossary/vision-language-model/): 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)](https://broadrouter.com/es/glossary/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](https://www.unicode.org/reports/tr9/) 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](https://broadrouter.com/es/glossary/hallucination/) 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](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/) tiene el recorrido completo; lo esencial es esto:

```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)
```

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](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/). Para una forma de JSON más estricta, vea [salida estructurada con JSON Schema](https://broadrouter.com/es/blog/structured-output-json-schema/); el [generador de JSON Schema](https://broadrouter.com/tools/json-schema-generator/) 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](https://broadrouter.com/es/blog/extract-data-from-documents-with-vision-llm/).

## ¿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](https://broadrouter.com/es/models/qwen3.8-27b/) | $0.175 / $2.17 | 262,144 | El modelo que BroadNet probó en árabe |
| [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) | $0.175 / $0.52 | 1,048,576 | También en planes ilimitados de tarifa plana |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/es/models/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](https://broadrouter.com/compare/gemma-4-vl-26b-vs-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](https://broadrouter.com/es/blog/cheapest-vision-llm-api/).

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

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

Herramientas gratuitas sobre este tema (en inglés)

-   [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.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Reconocimiento óptico de caracteres (OCR)](https://broadrouter.com/es/glossary/ocr/)

El reconocimiento óptico de caracteres (OCR) es la tecnología que detecta el texto impreso o manuscrito de una imagen, un escaneo o un PDF y lo convierte en caracteres legibles por máquina. El OCR clásico devuelve el texto y su posición en la página; los modelos de visión y lenguaje pueden leer el texto y responder preguntas sobre él directamente.

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

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[Alucinación (hallucination)](https://broadrouter.com/es/glossary/hallucination/)

Una alucinación es una salida de un modelo de lenguaje que suena plausible pero es falsa, inventada o no está respaldada por la entrada que recibió, como una cita inventada, una cifra errónea o una API que no existe. Surge porque el modelo predice texto probable en lugar de verificar hechos.

[Salida estructurada (structured output)](https://broadrouter.com/es/glossary/structured-output/)

La salida estructurada es una función de las APIs de LLM que restringe la respuesta del modelo a un formato que define el desarrollador, normalmente un JSON Schema, para que el código pueda procesarla de forma fiable. Es más estricta que JSON mode, que garantiza JSON válido pero no una forma concreta.

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

JSON Schema es un vocabulario, escrito en JSON, para describir y validar la estructura de datos JSON: tipos, campos obligatorios, valores permitidos y anidamiento. La versión actual es la 2020-12. Las APIs de LLM lo usan para definir los parámetros de las herramientas y la forma exacta que debe seguir una salida estructurada.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[Modelo de visión y lenguaje (VLM)](https://broadrouter.com/es/glossary/vision-language-model/)

Un modelo de visión y lenguaje (VLM) es un modelo que recibe imágenes y texto a la vez y produce texto, por lo que puede describir imágenes, responder preguntas sobre ellas y leer documentos, gráficos o capturas de pantalla. También se les llama modelos image-text-to-text o multimodales.

[Pago por uso (pay-as-you-go)](https://broadrouter.com/es/glossary/pay-as-you-go/)

El pago por uso es un modelo de precios en el que usted paga solo lo que usa, medido por unidades como tokens, solicitudes o minutos de audio, sin suscripción ni compromiso mínimo. La mayoría de las APIs de LLM cobran así, desde un saldo prepagado o con una factura periódica.

## 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.

## Siga leyendo

-   [Extraer datos de facturas, recibos y formularios a JSON con visión](https://broadrouter.com/es/blog/extract-data-from-documents-with-vision-llm/)
-   [La API de LLM de visión más barata: costo por imagen y por página](https://broadrouter.com/es/blog/cheapest-vision-llm-api/)
-   [Cómo elegir una API de LLM para árabe: qué probar](https://broadrouter.com/es/blog/choosing-an-llm-for-arabic/)
-   [Modo JSON o json\_schema: salida estructurada que no falla](https://broadrouter.com/es/blog/structured-output-json-schema/)
-   [Añadir diacríticos al texto árabe con un LLM: prompt, controles y DER](https://broadrouter.com/es/blog/arabic-diacritization-llm/)
-   [Corrección gramatical y ortográfica del árabe con un LLM: cómo hacerla](https://broadrouter.com/es/blog/arabic-grammar-spelling-correction-llm/)
-   [Guía: Lea facturas y recibos en árabe con un modelo de visión](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/)
-   [Guía: ¿Por qué un modelo de razonamiento devuelve una respuesta vacía?](https://broadrouter.com/es/guides/reasoning-tokens-empty-response/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

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

**Fuentes**

-   [Referencia de la API de BroadNet Inference: chat con una imagen, imágenes en los planes (consultado el 2026-11-14) (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Precios de BroadNet Inference en formato legible por máquina, pricing.json (consultado el 2026-11-14) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-arabic-ocr-vision-llm&utm_content=sources)
-   [Documentación de Tesseract, archivos de datos entrenados por idioma, incluido el árabe (consultado el 2026-11-14)](https://tesseract-ocr.github.io/tessdoc/Data-Files-in-different-versions.html)
-   [Anexo n.º 9 del estándar Unicode, Unicode Bidirectional Algorithm (consultado el 2026-11-14)](https://www.unicode.org/reports/tr9/)
