BroadRouter

OCR em árabe ou LLM de visão: lendo documentos e notas fiscais

Pela equipe da BroadNet Inference · 5 min de leitura · Publicado em

O OCR clássico transforma imagens de páginas em árabe em texto bruto; um LLM de visão lê a imagem e retorna em JSON os campos que você pede, como fornecedor, data e total. Para notas fiscais e recibos, um LLM de visão normalmente poupa a etapa de parsing. Na BroadNet Inference, Qwen3.8 27B, DeepSeek V4.1 Flash e BroadNet Gemma 4 VL 26B aceitam imagens.

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

Para notas fiscais, recibos e formulários em árabe sobre os quais você precisa agir, use um LLM de visão: ele lê a imagem e retorna em JSON os campos que você pede, como fornecedor, número de registro de IVA, data e total. Use o clássico reconhecimento óptico de caracteres (OCR) para busca de texto completo em páginas digitalizadas longas ou para trabalho offline. Nos dois casos, confira os números no código.

O árabe torna os dois caminhos mais difíceis do que para o inglês, pelos motivos abaixo.

Por que o OCR em árabe é difícil?

  • Escrita ligada. As letras árabes se unem, e a maioria tem até quatro formas (isolada, inicial, medial, final). Os motores de OCR precisam segmentar uma palavra cujos limites não enxergam.
  • Os pontos carregam significado. ب ت ث ن ي compartilham a mesma forma base e só diferem pelos pontos. Uma digitalização de baixa resolução ou um vinco podem transformar uma letra em outra.
  • Duas direções na mesma linha. Uma linha de nota fiscal como “المجموع: 1,250.00 SAR” mistura árabe da direita para a esquerda com números e texto latino da esquerda para a direita. A saída do OCR muitas vezes volta na ordem visual errada, que o algoritmo bidirecional do Unicode depois reordena de novo na exibição.
  • Dois conjuntos de dígitos. Documentos do Golfo e do Egito muitas vezes imprimem numerais arábicos orientais (٠١٢٣٤٥٦٧٨٩) em vez de 0–9, às vezes os dois na mesma página.
  • Fontes e carimbos. Cabeçalhos decorativos em Naskh e Ruq’ah, carimbos da empresa sobre o total e recibos térmicos desbotados prejudicam o reconhecimento.

OCR ou LLM de visão: o que cada um entrega?

OCR clássico LLM de visão
Saída Texto bruto, muitas vezes com a posição das palavras O que você pedir: campos, JSON, um resumo, uma tradução
Entendimento do layout Você escreve regras ou templates O modelo deduz (“o total fica no canto inferior direito”)
Novos layouts de nota Novo template ou regra Normalmente funciona sem mudanças
Tradução Etapa separada Mesma requisição
Previsibilidade Determinístico para a mesma entrada Pode variar; valide as saídas
Risco de alucinação Baixo (lê errado, mas não inventa) Real: pode produzir um valor plausível, porém errado
Melhor para Busca de texto completo em documentos digitalizados longos, arquivos Notas fiscais, recibos, documentos de identidade, formulários sobre os quais você precisa agir

O trade-off principal: o OCR lê errado, mas não inventa. Um LLM de visão entende, mas pode alucinar um valor plausível. Um bom pipeline usa o LLM para entender e o código para conferir.

Como ler uma nota fiscal em árabe com um LLM de visão?

Envie a imagem como data URL em base64 dentro do conteúdo da mensagem e peça exatamente os campos que você quer. O guia de notas fiscais com visão traz o passo a passo completo; o núcleo é este:

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)

Três detalhes que poupam tempo de depuração:

  1. Diga qual sistema numérico você quer. “Convert Eastern Arabic numerals to Western digits” evita uma mistura de ١٢٥٠ e 1250 no seu banco de dados.
  2. Peça null, não um palpite. Os modelos inventam valores com mais facilidade quando toda chave precisa ser preenchida.
  3. Mantenha os nomes no alfabeto original. Transliterar “مؤسسة النور للتجارة” para letras latinas abre espaço para variantes de grafia. Guarde o árabe e traduza à parte se precisar do inglês.

Se o modelo retornar uma resposta vazia, ele esgotou o max_tokens enquanto raciocinava; veja tokens de raciocínio e respostas vazias. Para um formato JSON mais rígido, veja saída estruturada com JSON schema; o gerador gratuito de JSON schema monta um schema a partir de uma nota de exemplo.

Como pegar números lidos errado?

Trate cada valor extraído como uma afirmação a ser conferida no código, não como dado. Os itens precisam somar o subtotal, subtotal mais IVA precisa ser igual ao total, as datas precisam ser válidas e não estar no futuro, e a moeda deve combinar com o país do fornecedor. Os números de registro de IVA sauditas têm tamanho e formato fixos, o que dá mais uma checagem barata. Um dígito lido errado quase sempre quebra uma soma, então as checagens aritméticas pegam a maior parte dos erros que importam. Tudo o que falhar vai para uma fila de revisão humana, com a imagem ao lado dos campos extraídos.

O pipeline completo, com um schema Pydantic, validadores aritméticos, uma nova tentativa com a mensagem de erro e uma fila de revisão, está em extrair dados de notas fiscais e recibos para JSON com um LLM de visão.

Qual modelo de visão deve ler documentos em árabe?

Três modelos de chat na BroadNet Inference aceitam imagens:

Modelo Input / output por 1M de tokens Contexto Observações
Qwen3.8 27B $0.175 / $2.17 262.144 O modelo que a BroadNet testou em árabe
DeepSeek V4.1 Flash $0.175 / $0.52 1.048.576 Também nos planos ilimitados de preço fixo
BroadNet Gemma 4 VL 26B $0.10 / $0.22 32.768 O mais barato entre os modelos de visão da BroadNet; funciona com o crédito gratuito e com a chave por hora de $0.50

A BroadNet informa que, nos testes dela, o Qwen3.8 27B escreveu árabe fluente, entendeu os dialetos do Golfo e egípcio e traduziu árabe e inglês com precisão. A BroadNet não publica benchmark de OCR nem de extração de documentos, então meça a precisão dos campos nos seus próprios documentos. Uma configuração prática é o Gemma 4 VL 26B para recibos simples e uma segunda passada com o Qwen3.8 27B para tudo o que falhar na validação. A comparação entre Gemma 4 VL 26B e Qwen3.8 27B coloca os dois lado a lado.

Quanto custa um LLM de visão por página?

Em chaves de pagamento por uso, uma imagem é cobrada como tokens de input ao preço de input do modelo, e imagens maiores usam mais tokens. Reduza fotos de celular para cerca de 1.500–2.000 pixels no lado maior: os pontos do árabe precisam de resolução suficiente, mas uma foto de 12 megapixels só aumenta o custo. Leia usage.prompt_tokens em algumas imagens reais para chegar ao seu custo por página. Em um plano ilimitado do DeepSeek V4.1 Flash, a documentação da BroadNet diz que as imagens fazem parte do uso ilimitado do plano. A conta de tokens por imagem e por página está em custo por imagem de LLMs de visão.

Quando o OCR clássico ainda ganha?

  • Livros digitalizados longos e arquivos, quando você precisa de cada palavra para busca, não de alguns campos.
  • Reprodutibilidade estrita, quando a mesma entrada precisa gerar sempre o mesmo texto.
  • Processamento offline ou no dispositivo, sem rede.

Motores open source como o Tesseract listam dados treinados para árabe (ara) e rodam offline. Um modelo híbrido também funciona bem: passe a página pelo OCR para ter texto pesquisável e envie a imagem a um LLM de visão para os campos sobre os quais você age. Quais APIs de OCR na nuvem suportam árabe, impresso e manuscrito, e quanto cada uma custa por 1.000 páginas está na comparação de APIs de OCR para árabe.

Privacidade

Notas fiscais e documentos de identidade contêm nomes, números fiscais e dados bancários. A BroadNet Inference não retém imagens, prompts nem respostas após a requisição; veja retenção zero de dados. Aplique a mesma regra ao seu próprio armazenamento: guarde os campos extraídos de que você precisa e apague as imagens que não é mais obrigado a manter.

Perguntas frequentes

Um LLM de visão é mais preciso que OCR para árabe?

Depende do documento. LLMs de visão costumam entender melhor o layout e extrair melhor campos nomeados de notas fiscais e recibos. Um OCR dedicado pode ser mais previsível em páginas impressas longas e limpas. Teste os dois em uma amostra dos seus documentos.

LLMs de visão conseguem ler árabe escrito à mão?

Às vezes, com letra legível. A precisão cai rápido com escrita cursiva ou apressada. Encaminhe a um revisor humano os campos manuscritos com baixa confiança.

Qual modelo da BroadNet é o mais barato para ler imagens?

O BroadNet Gemma 4 VL 26B, a $0.10 por 1M de tokens de input. Ele também funciona com o crédito inicial gratuito e com uma chave por hora de preço fixo.

Como converto numerais arábicos orientais em dígitos ocidentais?

Peça ao modelo que retorne dígitos ocidentais e garanta isso no código. Em Python, text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) converte qualquer dígito arábico oriental que escapar. Os dígitos persas (۰–۹) usam outros code points, então acrescente-os se seus documentos vierem do Irã ou do Afeganistão.

O modelo pode traduzir os rótulos em árabe para o inglês?

Sim. Peça chaves em inglês e mantenha os valores originais em árabe, ou peça os dois. Mantenha os nomes no alfabeto original para evitar erros de transliteração.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity