“Arabic OCR API” सर्च करें तो ज़्यादातर नतीजे ranking साइटें हैं जो नहीं बतातीं कि उनके स्कोर कहाँ से आते हैं। यह पेज वह सीमित काम करता है जो एक ख़रीदार को चाहिए। हर API के लिए यह दिखाता है कि vendor का अपना डॉक्यूमेंटेशन अरबी के बारे में क्या कहता है, API क्या लौटाता है और एक पेज की लागत क्या है। हर आँकड़ा 15 नवंबर 2026 को vendor के पेज से पढ़ा गया। BroadRouter, BroadNet की वेबसाइट है, और BroadNet नीचे के विकल्पों में से एक बेचता है (vision LLM, OCR नहीं), इसलिए हम बताते हैं कि बाक़ी कहाँ बेहतर हैं।
अगर आप अभी सिद्धांत रूप में OCR और vision LLM के बीच फ़ैसला कर रहे हैं, तो अरबी OCR बनाम vision LLM से शुरू करें। वह बताती है कि जुड़ी लिपि, नुक़्ते और मिली-जुली दिशा वाली लाइनें अरबी को मुश्किल क्यों बनाती हैं। यह पोस्ट मानती है कि आप यह जानते हैं और vendor चुनना चाहते हैं।
कौन-से OCR API आधिकारिक रूप से अरबी सपोर्ट करते हैं?
| API | छपी अरबी | हाथ से लिखी अरबी | क्या लौटाता है |
|---|---|---|---|
Google Cloud Vision (DOCUMENT_TEXT_DETECTION) |
हाँ, ar, Modern Standard के रूप में सूचीबद्ध |
सूचीबद्ध नहीं (अरबी लिपि handwriting तालिका में नहीं है) | पेज, block, पैराग्राफ़, शब्द और break की जानकारी के साथ टेक्स्ट |
Azure AI Document Intelligence, Read (prebuilt-read) |
हाँ, ar |
हाँ, v4.0 में (v3.1 में नहीं) | छपा और हाथ से लिखा टेक्स्ट |
Azure AI Document Intelligence, Layout (prebuilt-layout) |
हाँ, ar |
हाँ, v4.0 में | टेक्स्ट, तालिकाएँ, दस्तावेज़ की संरचना और selection marks |
| Azure prebuilt invoice और receipt | Invoice में अरबी (ar); thermal receipts में अरबी |
लागू नहीं | Invoice और receipt के नाम वाले फ़ील्ड |
| Amazon Textract (Detect Document Text) | हाँ, 40+ भाषाओं में | नहीं: “handwriting … in English only” (अनुवाद: handwriting … सिर्फ़ अंग्रेज़ी में) | शब्द और लाइनें, हर एक bounding box और confidence score के साथ |
Mistral OCR (mistral-ocr-latest) |
हाँ, मध्य-पूर्वी भाषाओं में सूचीबद्ध | बताया नहीं गया | हर पेज का Markdown और JSON फ़ील्ड: तालिकाएँ, इमेज, headers, footers, blocks, confidence scores |
| Vision LLM (BroadNet पर Qwen3.8 27B, Gemma 4 VL 26B, DeepSeek V4.1 Flash) | अरबी इमेज पढ़ता है; OCR इंजन नहीं | Documented नहीं | जो भी आप माँगें: टेक्स्ट, फ़ील्ड, JSON, अनुवाद |
हाँ/ना वाले कॉलम से ज़्यादा दो बातें मायने रखती हैं:
- Textract सिर्फ़ handwriting पर ही सीमा नहीं लगाता। उसका FAQ कहता है “Handwriting, Invoices, and Receipts, Identity documents, and Queries processing are in English only.” (अनुवाद: handwriting, invoices और receipts, पहचान दस्तावेज़ और Queries की प्रोसेसिंग सिर्फ़ अंग्रेज़ी में है।) अरबी दस्तावेज़ों पर Textract आपको टेक्स्ट और positions देता है, invoice फ़ील्ड नहीं।
- Azure की हाथ से लिखी अरबी v4.0 में नई है। v3.1 की handwriting तालिका में अरबी नहीं है। जिस API वर्ज़न पर टेस्ट करते हैं, उसे pin करें।
Mistral का भाषा पेज कहता है कि उसकी सूची “languages with strong expected performance” (अनुवाद: जिन भाषाओं में मज़बूत प्रदर्शन की उम्मीद है) दिखाती है, जो vendor का बयान है, मापा गया स्कोर नहीं।
हर अरबी OCR API की प्रति 1,000 पेज लागत क्या है?
अमेरिकी डॉलर में कीमतें, 15 नवंबर 2026 को हर vendor के pricing स्रोत से पढ़ी गईं:
| API और फ़ीचर | मुफ़्त सीमा | शुरुआती कीमत प्रति 1,000 पेज | ज़्यादा वॉल्यूम की कीमत |
|---|---|---|---|
| Google Cloud Vision, Document Text Detection | हर महीने पहली 1,000 units | USD 1.50 (units 1,001 से 5,000,000) | हर महीने 5M units से ऊपर USD 0.60 |
| Azure Document Intelligence, Read (East US) | मुफ़्त tier पर हर महीने 500 पेज | USD 1.50 | पहले 1M पेज के बाद USD 0.60 |
| Azure Document Intelligence, Layout और prebuilt मॉडल (East US) | वही मुफ़्त tier | USD 10 | Commitment tiers Azure के pricing पेज पर हैं (कीमतें ब्राउज़र में लोड होती हैं; अपना region जाँचें) |
| Amazon Textract, Detect Document Text (US West, Oregon) | नए AWS ग्राहकों के लिए तीन महीने तक हर महीने 1,000 पेज | USD 1.50 (हर महीने पहले 1M पेज) | 1M पेज के बाद USD 0.60 |
| Mistral OCR | बताया नहीं गया | प्रति 1,000 पेज कीमत; रक़म पेज के static HTML में नहीं है, इसलिए हम पुष्टि नहीं कर सके | Mistral कहता है कि batch processing उसकी API कीमतें आधी कर देती है |
Google हर PDF पेज को एक इमेज के रूप में, और हर फ़ीचर को अलग unit के रूप में बिल करता है। एक पेज पर दो फ़ीचर माँगने पर दो units लगती हैं। Azure की prebuilt कीमत में layout, invoice और receipt आते हैं। अगर आपको Azure से structured invoice फ़ील्ड चाहिए, तो USD 1.50 वाली Read दर नहीं, USD 10 वाली दर मानकर योजना बनाएँ।
Vision LLM की प्रति पेज लागत क्या है?
Vision LLM की कोई प्रति पेज कीमत नहीं होती। BroadNet की उपयोग के अनुसार भुगतान वाली keys पर docs कहते हैं कि इमेज “counts as input tokens at the model’s input price” (अनुवाद: मॉडल की इनपुट कीमत पर इनपुट टोकन के रूप में गिनी जाती है), और बड़ी इमेज ज़्यादा टोकन लेती है। पेज की लागत इमेज के टोकन और आपका प्रॉम्प्ट है, साथ में आउटपुट कीमत पर जवाब।
इमेज टोकन मॉडल और resolution के हिसाब से बदलते हैं। Gemma 4 प्रति इमेज 70, 140, 280, 560 या 1,120 टोकन के बजट इस्तेमाल करता है, और Google के docs visual कामों में सबसे अच्छी सटीकता के लिए ऊँचे बजट की सलाह देते हैं। योजना के एक ढाँचे के तौर पर, माप के तौर पर नहीं, प्रति पेज लगभग 1,000 इनपुट टोकन और 300 आउटपुट टोकन मानें:
| BroadNet मॉडल | इनपुट प्रति 1M | आउटपुट प्रति 1M | लगभग 1M इनपुट और 0.3M आउटपुट पर 1,000 पेज |
|---|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 | $0.10 और $0.22 का तीन दसवाँ हिस्सा |
| Qwen3.8 27B | $0.175 | $2.17 | $0.175 और $2.17 का तीन दसवाँ हिस्सा, साथ में reasoning |
| DeepSeek V4.1 Flash | $0.175 | $0.52 | $0.175 और $0.52 का तीन दसवाँ हिस्सा, साथ में reasoning |
Qwen3.8 27B और DeepSeek V4.1 Flash जवाब से पहले reasoning करते हैं, और reasoning का बिल आउटपुट के रूप में बनता है। max_tokens को 1,000 या ज़्यादा रखें, या reasoning_effort को low करें, वरना जवाब ख़ाली लौट सकता है (क्यों)। अपने पेज मापें: दस भेजें, usage.prompt_tokens और usage.completion_tokens पढ़ें, और गुणा करें। इमेज टोकन कैलकुलेटर और प्रति इमेज vision LLM लागत यह हिसाब करते हैं।
यह तुलना बराबरी की नहीं है। प्रति 1,000 पेज USD 1.50 में कच्चा टेक्स्ट और positions मिलती हैं। एक vision LLM कॉल उसी अनुरोध में वेंडर, VAT नंबर, तारीख़ और कुल रक़म JSON में लौटा सकती है, जिससे parsing वाला चरण बचता है। Gemma 4 VL 26B $5 के शुरुआती क्रेडिट में भी आता है। Qwen3.8 27B और DeepSeek V4.1 Flash के लिए टॉप-अप चाहिए।
Integration के ब्योरे कैसे अलग हैं?
| Google Cloud Vision | Azure Document Intelligence | Amazon Textract | Mistral OCR | BroadNet vision LLM | |
|---|---|---|---|---|---|
| इनपुट | इमेज; DOCUMENT_TEXT_DETECTION के ज़रिए PDF और TIFF |
Read मॉडल की file-type सूची देखें | Textract की file-type सूची देखें | image_url (PNG, JPEG, AVIF और ज़्यादा) या document_url (PDF, PPTX, DOCX और ज़्यादा) |
हर content item में एक इमेज data: URL के रूप में; PDF पेजों को पहले इमेज में render करें |
| भाषा का संकेत | वैकल्पिक ar संकेत |
वैकल्पिक; Microsoft सलाह देता है कि पक्का न हों तो इसे सेट न करें | FAQ में नहीं बताया गया | बताया नहीं गया | प्रॉम्प्ट में लिखें “दस्तावेज़ अरबी में है” |
| Structured फ़ील्ड | नहीं (सिर्फ़ टेक्स्ट का क्रम) | हाँ, prebuilt invoice और receipt | Invoices, receipts और Queries सिर्फ़ अंग्रेज़ी में | वैकल्पिक document annotations | JSON माँगें; structured output सिर्फ़ Qwen3.8 27B के लिए documented |
| API का रूप | Google Cloud API | Azure REST और SDKs | AWS SDKs | Mistral /v1/ocr |
OpenAI-compatible /v1/chat/completions |
अगर आपके दस्तावेज़ों में अरबी और अंग्रेज़ी मिली है, तो language codes पर Microsoft का नोट पढ़ने लायक़ है: “Don’t provide the language code as the parameter unless you are sure of the language … Otherwise, the service may return incomplete and incorrect text.” (अनुवाद: जब तक भाषा के बारे में पक्का न हों, language code को parameter के रूप में न दें … वरना सेवा अधूरा और ग़लत टेक्स्ट लौटा सकती है।)
कौन-सा अरबी OCR API चुनें?
एक जवाब नहीं है, और कोई vendor ऐसा स्वतंत्र अरबी सटीकता टेस्ट प्रकाशित नहीं करता जिसे हम जाँच सकें। पहले आउटपुट के हिसाब से चुनें, फिर टेस्ट करें:
- आपको लंबे स्कैन किए archives से सर्च लायक़ टेक्स्ट चाहिए। Google Cloud Vision, Azure Read या Textract। तीनों एक ही शुरुआती कीमत पर छपी अरबी गिनाते हैं। वह cloud चुनें जो आप पहले से storage और identity के लिए इस्तेमाल करते हैं।
- आपको हाथ से लिखी अरबी चाहिए। यहाँ Azure Document Intelligence v4.0 अकेला OCR API है जो इसे गिनाता है। उन्हीं पेजों पर एक vision LLM भी टेस्ट करें, क्योंकि उनमें से कोई handwriting के बारे में न हाँ document करता है न ना।
- आपको अरबी इनवॉइस से invoice फ़ील्ड चाहिए। Azure के prebuilt invoice मॉडल (प्रति 1,000 पेज USD 10) की तुलना JSON लौटाने वाले vision LLM से करें। BroadNet पर Qwen3.8 27B वह मॉडल है जिसका structured output documented है। vision मॉडल से अरबी इनवॉइस पढ़ें में चलने वाला कोड है।
- आपको RAG के लिए तालिकाओं वाला Markdown चाहिए। Mistral OCR तालिकाओं और blocks के साथ हर पेज का Markdown लौटाता है। उसकी मौजूदा प्रति पेज कीमत Mistral के pricing पेज पर पक्की करें।
- आपको एक ही कॉल में फ़ील्ड, अनुवाद और सारांश चाहिए। Vision LLM। Validation वाली पाइपलाइन vision LLM से इनवॉइस डेटा JSON में निकालना में है।
अपने दस्तावेज़ों पर अरबी OCR API कैसे टेस्ट करें?
- 50 से 100 असली पेज चुनें: साफ़ PDF, फ़ोन फ़ोटो, फीकी thermal रसीदें, मुहर लगे इनवॉइस और, अगर हैं, हाथ से भरे फ़ॉर्म।
- जिन फ़ील्ड की परवाह है उनका ground truth टाइप करें। पूर्वी अरबी अंक (٠١٢٣) वैसे ही रखें जैसे छपे हैं, और उन्हें अलग से नोट करें।
- अक्षर और फ़ील्ड अलग-अलग स्कोर करें। Character error rate पढ़ने की क्वालिटी दिखाता है। फ़ील्ड की सटीकता (कुल रक़म, तारीख़, VAT नंबर) कारोबारी क्वालिटी दिखाती है। कुल रक़म में एक अंक की ग़लती footer की दस ग़लतियों से ज़्यादा मायने रखती है।
- मिली-जुली लाइनों पर क्रम जाँचें। “الإجمالي: 1,250.00 SAR” जैसी लाइन संख्या को लेबल से पहले लेकर लौट सकती है। यह bidirectional क्रम की समस्या है, पहचान की ग़लती नहीं, लेकिन आपके parser को फिर भी इसे संभालना होगा।
- जो भी चुनें, संख्याएँ कोड में validate करें: लाइन items का जोड़ कुल रक़म के बराबर हो, VAT दर से मेल खाए और तारीख़ें parse हों। नाकामियाँ इंसानी समीक्षा queue में भेजें।
BroadNet Inference कहाँ फ़िट होता है
BroadRouter, BroadNet की वेबसाइट है। BroadNet Inference कोई OCR इंजन नहीं बेचता। यह एक OpenAI-compatible API पर vision LLM बेचता है: Qwen3.8 27B, BroadNet Gemma 4 VL 26B और DeepSeek V4.1 Flash, जो सभी इमेज लेते हैं। अगर आपको लाखों स्कैन किए पेजों से सबसे सस्ता कच्चा टेक्स्ट चाहिए, या positions के साथ हाथ से लिखी अरबी, तो ऊपर सूचीबद्ध कोई क्लासिक OCR API बेहतर है। BroadNet तब फ़िट होता है जब आपको अरबी दस्तावेज़ों से फ़ील्ड या JSON चाहिए, zero data retention के साथ: BroadNet कहता है कि inference content retain नहीं किया जाता। $5 के शुरुआती क्रेडिट पर Gemma 4 VL 26B आज़माएँ, या API रेफ़रंस पढ़ें और key लें।
