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:
- 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.
- Peça
null, não um palpite. Os modelos inventam valores com mais facilidade quando toda chave precisa ser preenchida. - 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.

