「Arabic OCR API」で検索すると、結果の多くはスコアの出どころを示さないランキングサイトです。このページは、購入を検討する人に必要な、もっと絞り込んだ仕事をします。各 API について、ベンダー自身のドキュメントがアラビア語について何と言っているか、API が何を返すか、1 ページいくらかを示します。すべての数値は 2026 年 11 月 15 日にベンダーのページから読み取りました。BroadRouter は BroadNet のウェブサイトであり、BroadNet は以下の選択肢の 1 つ(OCR ではなくビジョン LLM)を販売しているので、他の選択肢のほうが優れている点も明記します。
OCR とビジョン LLM のどちらにするか、そもそも迷っているなら、まずアラビア語 OCR とビジョン LLMをお読みください。連結する文字、点、方向の混在する行がアラビア語を難しくする理由を説明しています。この記事は、それを理解したうえでベンダーを選びたい人を想定しています。
アラビア語に公式対応している OCR API は?
| API | アラビア語の印刷文字 | アラビア語の手書き | 返すもの |
|---|---|---|---|
Google Cloud Vision(DOCUMENT_TEXT_DETECTION) |
対応。ar、現代標準アラビア語として掲載 |
掲載なし(手書きの表にアラビア文字がない) | ページ、ブロック、段落、単語、改行の情報付きのテキスト |
Azure AI Document Intelligence、Read(prebuilt-read) |
対応、ar |
v4.0 で対応(v3.1 は非対応) | 印刷文字と手書き文字のテキスト |
Azure AI Document Intelligence、Layout(prebuilt-layout) |
対応、ar |
v4.0 で対応 | テキスト、表、文書構造、選択マーク |
| Azure の事前構築済み請求書・領収書 | 請求書はアラビア語(ar)を掲載。感熱紙の領収書もアラビア語を掲載 |
該当なし | 名前付きの請求書・領収書の項目 |
| Amazon Textract(Detect Document Text) | 対応。40 以上の言語の 1 つ | 非対応:「handwriting … in English only」 | 単語と行。それぞれにバウンディングボックスと信頼度スコア |
Mistral OCR(mistral-ocr-latest) |
対応。中東の言語として掲載 | 記載なし | ページごとの Markdown と JSON の項目:表、画像、ヘッダー、フッター、ブロック、信頼度スコア |
| ビジョン LLM(BroadNet の Qwen3.8 27B、Gemma 4 VL 26B、DeepSeek V4.1 Flash) | アラビア語の画像を読める。OCR エンジンではない | ドキュメント記載なし | 求めたもの何でも:テキスト、項目、JSON、翻訳 |
対応の有無の列よりも重要な細部が 2 つあります。
- **Textract の制限は手書きだけではありません。**よくある質問には「Handwriting, Invoices, and Receipts, Identity documents, and Queries processing are in English only.」(訳:手書き、請求書と領収書、身分証明書、Queries の処理は英語のみ)とあります。アラビア語の文書では、Textract から得られるのはテキストと位置であり、請求書の項目ではありません。
- **Azure のアラビア語手書き対応は v4.0 からです。**v3.1 の手書きの表にはアラビア語がありません。テストする API バージョンを固定してください。
Mistral の言語ページは、そのリストが「languages with strong expected performance」(訳:高い性能が期待される言語)を反映しているとしていますが、これはベンダーの主張であり、測定されたスコアではありません。
アラビア語 OCR API の 1,000 ページあたりの料金は?
米ドル建ての料金で、2026 年 11 月 15 日に各ベンダーの料金情報から読み取りました。
| API と機能 | 無料枠 | 入門料金(1,000 ページあたり) | 大量利用時の料金 |
|---|---|---|---|
| Google Cloud Vision、Document Text Detection | 毎月最初の 1,000 ユニット | USD 1.50(1,001〜5,000,000 ユニット) | 月 500 万ユニット超で USD 0.60 |
| Azure Document Intelligence、Read(米国東部) | 無料枠で月 500 ページ | USD 1.50 | 最初の 100 万ページ以降は USD 0.60 |
| Azure Document Intelligence、Layout と事前構築済みモデル(米国東部) | 同じ無料枠 | USD 10 | コミットメント階層は Azure の料金ページに掲載(料金はブラウザーで読み込まれる。リージョンを確認) |
| Amazon Textract、Detect Document Text(米国西部、オレゴン) | AWS の新規顧客は 3 か月間、月 1,000 ページ | USD 1.50(月の最初の 100 万ページ) | 100 万ページ以降は USD 0.60 |
| Mistral OCR | 記載なし | 1,000 ページ単位の料金。金額はページの静的 HTML に含まれず、確認できなかった | Mistral によるとバッチ処理で API 料金が半額になる |
Google は PDF の各ページを画像 1 枚として、また機能ごとに別のユニットとして課金します。1 ページで 2 つの機能を求めると 2 ユニットかかります。Azure の事前構築済みの料金は、レイアウト、請求書、領収書をカバーします。Azure で構造化された請求書の項目が必要なら、USD 1.50 の Read ではなく USD 10 の料金を前提に計画してください。
ビジョン LLM の 1 ページあたりの料金は?
ビジョン LLM にはページ単位の料金はありません。BroadNet の従量課金のキーについて、ドキュメントは画像が「counts as input tokens at the model’s input price」(訳:モデルの入力料金で入力トークンとして数えられる)と説明しており、画像が大きいほど多くのトークンを使います。1 ページのコストは、画像のトークンとプロンプト、それに出力料金での回答の合計です。
画像のトークン数は、モデルと解像度によって変わります。Gemma 4 は画像 1 枚あたり 70、140、280、560、1,120 トークンの予算を使い、Google のドキュメントは視覚タスクで最良の精度を得るには高い予算を推奨しています。測定値ではなく計画上の目安として、1 ページあたり入力約 1,000 トークン、出力 300 トークンとすると次のようになります。
| BroadNet のモデル | 100 万トークンあたり入力 | 100 万トークンあたり出力 | 1,000 ページ(入力約 100 万、出力 30 万) |
|---|---|---|---|
| Gemma 4 VL 26B | $0.10 | $0.22 | $0.10 + $0.22 の 10 分の 3 |
| Qwen3.8 27B | $0.175 | $2.17 | $0.175 + $2.17 の 10 分の 3、さらに推論分 |
| DeepSeek V4.1 Flash | $0.175 | $0.52 | $0.175 + $0.52 の 10 分の 3、さらに推論分 |
Qwen3.8 27B と DeepSeek V4.1 Flash は回答前に推論し、推論は出力として課金されます。max_tokens を 1,000 以上にするか、reasoning_effort を low にしてください。そうしないと回答が空で返ることがあります(理由)。自社のページで測ってください。10 ページを送り、usage.prompt_tokens と usage.completion_tokens を読んで掛け算します。計算は画像トークン計算ツールとビジョン LLM の画像 1 枚あたりのコストでできます。
この比較は同じものどうしの比較ではありません。1,000 ページあたり USD 1.50 で得られるのは生のテキストと位置です。ビジョン LLM なら、1 回のリクエストで販売元、VAT 番号、日付、合計を JSON で返せるので、解析の手間が省けます。Gemma 4 VL 26B は $5 の初回クレジットでも使えます。Qwen3.8 27B と DeepSeek V4.1 Flash はチャージが必要です。
組み込みの詳細はどう違いますか?
| Google Cloud Vision | Azure Document Intelligence | Amazon Textract | Mistral OCR | BroadNet のビジョン LLM | |
|---|---|---|---|---|---|
| 入力 | 画像。PDF と TIFF は DOCUMENT_TEXT_DETECTION で |
Read モデルのファイル形式リストを参照 | Textract のファイル形式リストを参照 | image_url(PNG、JPEG、AVIF など)または document_url(PDF、PPTX、DOCX など) |
コンテンツ項目ごとに画像 1 枚を data: URL で。PDF のページは先に画像化する |
| 言語のヒント | 任意で ar を指定 |
任意。確信がない限り指定しないよう Microsoft は助言 | よくある質問には記載なし | 記載なし | プロンプトに「文書はアラビア語です」と書く |
| 構造化された項目 | なし(テキストの階層のみ) | あり。事前構築済みの請求書と領収書 | 請求書、領収書、Queries は英語のみ | 任意のドキュメントアノテーション | JSON を求める。構造化出力のドキュメントがあるのは Qwen3.8 27B のみ |
| API の形 | Google Cloud API | Azure REST と SDK | AWS SDK | Mistral /v1/ocr |
OpenAI 互換の /v1/chat/completions |
文書にアラビア語と英語が混在するなら、言語コードに関する Microsoft の注記は一読の価値があります。「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.」(訳:言語に確信がない限り、言語コードをパラメーターとして指定しないでください……そうしないと、サービスが不完全で誤ったテキストを返すことがあります。)
どのアラビア語 OCR API を選ぶべきですか?
1 つの正解はなく、私たちが検証できる独立したアラビア語の精度テストを公開しているベンダーもありません。まず出力で選び、それからテストしてください。
- **大量のスキャン済みアーカイブから検索可能なテキストが必要。**Google Cloud Vision、Azure Read、Textract のいずれかです。3 つともアラビア語の印刷文字を掲載し、入門料金も同じです。ストレージと ID 管理ですでに使っているクラウドを選んでください。
- **アラビア語の手書きが必要。**ここで手書きを掲載している OCR API は Azure Document Intelligence v4.0 だけです。ビジョン LLM も同じページでテストしてください。どれも手書き対応の有無をドキュメントで示していないからです。
- **アラビア語の請求書から請求書の項目が必要。**Azure の事前構築済み請求書モデル(1,000 ページあたり USD 10)と、JSON を返すビジョン LLM を比べます。BroadNet では、構造化出力がドキュメント化されているのは Qwen3.8 27B です。動作するコードはビジョンモデルでアラビア語の請求書を読むにあります。
- **RAG 用に表付きの Markdown が欲しい。**Mistral OCR は、表やブロックを含むページごとの Markdown を返します。現在のページ単価は Mistral の料金ページで確認してください。
- **項目、翻訳、要約を 1 回の呼び出しで得たい。**ビジョン LLM です。検証を含むパイプラインはビジョン LLM で請求書データを JSON に抽出するにあります。
自社の文書でアラビア語 OCR API をテストするには?
- **実際のページを 50〜100 枚選びます。**きれいな PDF、スマートフォンで撮った写真、色あせた感熱紙の領収書、印鑑の押された請求書、あれば手書きの書式も含めます。
- **重要な項目の正解を入力します。**東アラビア数字(٠١٢٣)は印刷どおりに残し、別途メモしておきます。
- 文字と項目を別々に評価します。文字誤り率は読み取りの品質を、項目の正確さ(合計、日付、VAT 番号)は業務上の品質を示します。合計の 1 桁の誤りは、フッターの 10 か所の誤りより重大です。
- 混在する行の順序を確認します。「الإجمالي: 1,250.00 SAR」のような行では、ラベルより先に数字が返ってくることがあります。これは認識の誤りではなく双方向テキストの順序の問題ですが、パーサーはそれでも対処しなければなりません。
- **どれを選んでも数字はコードで検証します。**明細の合計が総額と一致する、VAT が税率と合う、日付が解析できる、などです。失敗したものは人によるレビューキューに回してください。
BroadNet Inference の位置づけ
BroadRouter は BroadNet のウェブサイトです。BroadNet Inference は OCR エンジンを販売していません。販売しているのは、1 つの OpenAI 互換 API で使えるビジョン LLM(Qwen3.8 27B、BroadNet Gemma 4 VL 26B、DeepSeek V4.1 Flash)で、いずれも画像を受け付けます。何百万ページものスキャンから最も安く生のテキストを得たい場合や、位置情報付きのアラビア語手書き認識が必要な場合は、上に挙げた従来の OCR API のほうが適しています。BroadNet が向いているのは、アラビア語の文書から項目や JSON を得たい場合で、ゼロデータ保持にも対応します。BroadNet は推論の内容を保持しないとしています。$5 の初回クレジットで Gemma 4 VL 26B を試すか、API リファレンスを読んでキーを取得してください。
