BroadRouter

OCR arabo o LLM di visione: leggere documenti e fatture in arabo

A cura del team di BroadNet Inference · 5 min di lettura · Pubblicato

L’OCR classico trasforma le immagini di pagine arabe in testo grezzo; un LLM di visione legge l’immagine e restituisce in JSON i campi che chiedi, come fornitore, data e totale. Per fatture e scontrini un LLM di visione di solito ti risparmia il passaggio di parsing. Su BroadNet Inference, Qwen3.8 27B, DeepSeek V4.1 Flash e BroadNet Gemma 4 VL 26B accettano immagini.

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

Per fatture, scontrini e moduli in arabo su cui devi agire, usa un LLM di visione: legge l’immagine e restituisce in JSON i campi che chiedi, come fornitore, partita IVA, data e totale. Usa il classico riconoscimento ottico dei caratteri (OCR) per la ricerca full-text in lunghe pagine scansionate o per il lavoro offline. In entrambi i casi, controlla i numeri nel codice.

L’arabo rende entrambe le strade più difficili che per l’inglese, per i motivi che seguono.

Perché l’OCR dell’arabo è difficile?

  • Scrittura legata. Le lettere arabe si uniscono, e la maggior parte ha fino a quattro forme (isolata, iniziale, mediana, finale). I motori OCR devono segmentare una parola di cui non vedono i bordi.
  • I punti portano significato. ب ت ث ن ي condividono la stessa forma di base e differiscono solo per i punti. Una scansione a bassa risoluzione o una piega possono trasformare una lettera in un’altra.
  • Due direzioni sulla stessa riga. Una riga di fattura come “المجموع: 1,250.00 SAR” mescola arabo da destra a sinistra con numeri e testo latino da sinistra a destra. L’output OCR torna spesso nell’ordine visivo sbagliato, che l’algoritmo bidirezionale Unicode poi riordina di nuovo in visualizzazione.
  • Due serie di cifre. I documenti del Golfo e dell’Egitto stampano spesso cifre arabo-orientali (٠١٢٣٤٥٦٧٨٩) invece di 0–9, a volte entrambe nella stessa pagina.
  • Font e timbri. Intestazioni decorative in Naskh e Ruq’ah, timbri aziendali sopra il totale e scontrini termici sbiaditi peggiorano il riconoscimento.

OCR o LLM di visione: cosa ti dà ciascuno?

OCR classico LLM di visione
Output Testo grezzo, spesso con le posizioni delle parole Quello che chiedi: campi, JSON, un riassunto, una traduzione
Comprensione del layout Scrivi tu regole o template Il modello lo deduce (“il totale è in basso a destra”)
Nuovi layout di fattura Nuovo template o nuova regola Di solito funziona senza modifiche
Traduzione Passaggio separato Stessa richiesta
Prevedibilità Deterministico a parità di input Può variare; valida gli output
Rischio di allucinazioni Basso (legge male, ma non inventa) Reale: può produrre un valore plausibile ma sbagliato
Ideale per Ricerca full-text in lunghi documenti scansionati, archivi Fatture, scontrini, documenti d’identità, moduli su cui devi agire

Il compromesso chiave: l’OCR legge male ma non inventa. Un LLM di visione capisce, ma può allucinare un valore plausibile. Una buona pipeline usa l’LLM per capire e il codice per controllare.

Come si legge una fattura araba con un LLM di visione?

Invia l’immagine come data URL base64 dentro il contenuto del messaggio e chiedi esattamente i campi che ti servono. La guida alle fatture con la visione contiene la procedura completa; il nucleo è questo:

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)

Tre dettagli che fanno risparmiare tempo di debug:

  1. Di’ quale sistema numerico vuoi. “Convert Eastern Arabic numerals to Western digits” evita un misto di ١٢٥٠ e 1250 nel tuo database.
  2. Chiedi null, non un’ipotesi. I modelli inventano più facilmente un valore quando ogni chiave deve essere compilata.
  3. Tieni i nomi nell’alfabeto originale. Traslitterare “مؤسسة النور للتجارة” in caratteri latini apre la porta a varianti di grafia. Salva l’arabo e traduci a parte se ti serve l’inglese.

Se il modello restituisce una risposta vuota, ha esaurito max_tokens mentre ragionava; vedi token di ragionamento e risposte vuote. Per una struttura JSON più rigida, vedi output strutturato con JSON schema; il generatore gratuito di JSON schema crea uno schema partendo da una fattura di esempio.

Come si intercettano i numeri letti male?

Tratta ogni valore estratto come un’affermazione da controllare nel codice, non come un dato. Le righe devono sommarsi al subtotale, subtotale più IVA deve essere uguale al totale, le date devono essere leggibili e non nel futuro, e la valuta deve corrispondere al paese del fornitore. Le partite IVA saudite hanno lunghezza e formato fissi, il che dà un ulteriore controllo economico. Una cifra letta male rompe quasi sempre una somma, quindi i controlli aritmetici intercettano la maggior parte degli errori che contano. Tutto ciò che non passa va in una coda di revisione umana, con l’immagine accanto ai campi estratti.

La pipeline completa, con uno schema Pydantic, validatori aritmetici, un nuovo tentativo con il messaggio d’errore e una coda di revisione, è in estrarre dati di fatture e scontrini in JSON con un LLM di visione.

Quale modello di visione deve leggere i documenti arabi?

Tre modelli chat su BroadNet Inference accettano immagini:

Modello Input / output per 1M di token Contesto Note
Qwen3.8 27B $0.175 / $2.17 262.144 Il modello che BroadNet ha testato in arabo
DeepSeek V4.1 Flash $0.175 / $0.52 1.048.576 Disponibile anche con i piani flat illimitati
BroadNet Gemma 4 VL 26B $0.10 / $0.22 32.768 Il più economico tra i modelli di visione di BroadNet; funziona con il credito gratuito e con la chiave oraria da $0.50

BroadNet riporta che nei suoi test Qwen3.8 27B ha scritto un arabo scorrevole, ha capito i dialetti del Golfo ed egiziano e ha tradotto in modo accurato tra arabo e inglese. BroadNet non pubblica un benchmark di OCR o di estrazione da documenti, quindi misura l’accuratezza dei campi sui tuoi documenti. Una configurazione pratica è Gemma 4 VL 26B per gli scontrini semplici e un secondo passaggio con Qwen3.8 27B per tutto ciò che non supera la validazione. Il confronto tra Gemma 4 VL 26B e Qwen3.8 27B li mette fianco a fianco.

Quanto costa a pagina un LLM di visione?

Con le chiavi a consumo un’immagine si paga come token di input al prezzo di input del modello, e le immagini più grandi usano più token. Ridimensiona le foto del telefono a circa 1.500–2.000 pixel sul lato lungo: i punti dell’arabo richiedono una risoluzione sufficiente, ma una foto da 12 megapixel aggiunge soprattutto costi. Leggi usage.prompt_tokens su qualche immagine reale per ricavare il tuo costo per pagina. Con un piano illimitato DeepSeek V4.1 Flash, la documentazione di BroadNet dice che le immagini rientrano nell’uso illimitato del piano. Il calcolo dei token per immagine e per pagina è sviluppato in costo per immagine degli LLM di visione.

Quando vince ancora l’OCR classico?

  • Lunghi libri scansionati e archivi, dove ti serve ogni parola per la ricerca, non pochi campi.
  • Riproducibilità rigorosa, dove lo stesso input deve produrre sempre lo stesso testo.
  • Elaborazione offline o sul dispositivo, senza rete.

Motori open source come Tesseract elencano dati addestrati per l’arabo (ara) e funzionano offline. Funziona bene anche un approccio ibrido: passa la pagina all’OCR per avere testo ricercabile e invia l’immagine a un LLM di visione per i campi su cui agisci. Quali API OCR cloud supportano l’arabo, stampato e scritto a mano, e quanto costa ciascuna ogni 1.000 pagine è nel confronto tra API OCR per l’arabo.

Privacy

Fatture e documenti d’identità contengono nomi, codici fiscali e coordinate bancarie. BroadNet Inference non conserva immagini, prompt o risposte dopo la richiesta; vedi zero data retention. Applica la stessa regola al tuo archivio: conserva i campi estratti che ti servono ed elimina le immagini che non sei più tenuto a conservare.

Domande frequenti

Per l’arabo un LLM di visione è più accurato dell’OCR?

Dipende dal documento. Gli LLM di visione di solito capiscono meglio il layout ed estraggono meglio i campi con un nome da fatture e scontrini. Un OCR dedicato può essere più prevedibile su pagine stampate lunghe e pulite. Prova entrambi su un campione dei tuoi documenti.

Gli LLM di visione sanno leggere l’arabo scritto a mano?

A volte, con una calligrafia chiara. L’accuratezza cala in fretta con il corsivo o la scrittura frettolosa. Manda a un revisore umano i campi scritti a mano con bassa affidabilità.

Qual è il modello BroadNet più economico per leggere immagini?

BroadNet Gemma 4 VL 26B, a $0.10 per 1M di token di input. Funziona anche con il credito iniziale gratuito e con una chiave oraria a prezzo fisso.

Come converto le cifre arabo-orientali in cifre occidentali?

Chiedi al modello di restituire cifre occidentali, poi imponilo nel codice. In Python, text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) converte le cifre arabo-orientali sfuggite. Le cifre persiane (۰–۹) usano code point diversi, quindi aggiungile se i tuoi documenti vengono dall’Iran o dall’Afghanistan.

Il modello può tradurre in inglese le etichette arabe?

Sì. Chiedi chiavi in inglese e conserva i valori arabi originali, oppure chiedi entrambi. Tieni i nomi nell’alfabeto originale per evitare errori di traslitterazione.

Leggi in MarkdownChiedi a ChatGPTChiedi a ClaudeChiedi a Perplexity