BroadRouter

Arapça OCR mı, görü LLM'i mi: Arapça belge ve fatura okuma

BroadNet Inference ekibi · 5 dk okuma · Yayımlandı

Klasik OCR, Arapça sayfa görsellerini ham metne dönüştürür; görü LLM'i ise görseli okur ve satıcı, tarih ve toplam gibi istediğiniz alanları JSON olarak döndürür. Faturalar ve fişler için görü LLM'i genellikle ayrıştırma adımını gereksiz kılar. BroadNet Inference'ta Qwen3.8 27B, DeepSeek V4.1 Flash ve BroadNet Gemma 4 VL 26B görsel kabul eder.

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

Üzerinde işlem yapmanız gereken Arapça faturalar, fişler ve formlar için bir görü LLM’i kullanın: görseli okur ve satıcı, KDV numarası, tarih ve toplam gibi istediğiniz alanları JSON olarak döndürür. Uzun taranmış sayfalarda tam metin araması ya da çevrimdışı çalışma için klasik optik karakter tanıma (OCR) kullanın. Her iki durumda da sayıları kodda denetleyin.

Arapça, aşağıdaki nedenlerle her iki yolu da İngilizceye göre zorlaştırır.

Arapça OCR neden zor?

  • Bitişik yazı. Arap harfleri birleşir ve çoğunun dörde kadar biçimi vardır (yalın, baş, orta, son). OCR motorları, kenarlarını göremedikleri bir kelimeyi bölümlere ayırmak zorundadır.
  • Noktalar anlam taşır. ب ت ث ن ي aynı temel biçimi paylaşır ve yalnızca noktalarla ayrılır. Düşük çözünürlüklü bir tarama ya da bir kırışık bir harfi başka bir harfe dönüştürebilir.
  • Tek satırda iki yön. “المجموع: 1,250.00 SAR” gibi bir fatura satırı, sağdan sola Arapçayı soldan sağa sayılar ve Latin metinle karıştırır. OCR çıktısı çoğu zaman yanlış görsel sırayla döner; Unicode çift yönlü algoritması da onu gösterim sırasında yeniden sıralar.
  • İki rakam takımı. Körfez ve Mısır belgeleri çoğu zaman 0–9 yerine Doğu Arap rakamları (٠١٢٣٤٥٦٧٨٩) basar, bazen ikisini aynı sayfada.
  • Yazı tipleri ve mühürler. Süslü Nesih ve Rika başlıklar, toplamın üzerine basılmış şirket mühürleri ve termal fişlerin solması tanımayı zorlaştırır.

OCR mı görü LLM’i mi: her biri size ne verir?

Klasik OCR Görü LLM’i
Çıktı Ham metin, çoğu zaman kelime konumlarıyla Ne isterseniz: alanlar, JSON, özet, çeviri
Düzeni anlama Kuralları ya da şablonları siz yazarsınız Model çıkarır (“toplam sağ altta”)
Yeni fatura düzenleri Yeni şablon ya da kural Genellikle değişiklik olmadan çalışır
Çeviri Ayrı bir adım Aynı istek
Öngörülebilirlik Aynı girdi için deterministik Değişebilir; çıktıları doğrulayın
Halüsinasyon riski Düşük (yanlış okur ama uydurmaz) Gerçek: makul ama yanlış bir değer üretebilir
En uygun Uzun taranmış belgelerde tam metin araması, arşivler Üzerinde işlem yapmanız gereken faturalar, fişler, kimlikler, formlar

Temel ödünleşim: OCR yanlış okur ama uydurmaz. Görü LLM’i anlar, ama makul bir değeri halüsinasyonla üretebilir. İyi bir hat anlamak için LLM’i, denetlemek için kodu kullanır.

Görü LLM’i ile Arapça bir faturayı nasıl okursunuz?

Görseli mesaj içeriğinin içinde base64 veri URL’si olarak gönderin ve tam olarak istediğiniz alanları isteyin. Görü ile fatura rehberi adım adım tamamını anlatıyor; özü şöyle:

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)

Hata ayıklama süresinden tasarruf ettiren üç ayrıntı:

  1. Hangi rakam sistemini istediğinizi söyleyin. “Doğu Arap rakamlarını Batı rakamlarına dönüştür” demek, veritabanınızda ١٢٥٠ ile 1250’nin karışmasını önler.
  2. Tahmin değil null isteyin. Her anahtarın doldurulması gerektiğinde modellerin değer uydurma olasılığı artar.
  3. Adları özgün yazıda tutun. “مؤسسة النور للتجارة” adını Latin harflerine aktarmak yazım varyantlarına davetiye çıkarır. Arapçayı saklayın, İngilizce gerekiyorsa ayrıca çevirin.

Model boş bir yanıt döndürürse, akıl yürütürken max_tokens sınırına ulaşmıştır; bkz. akıl yürütme token’ları ve boş yanıtlar. Daha katı bir JSON yapısı için JSON şemasıyla yapılandırılmış çıktı yazısına bakın; ücretsiz JSON şema oluşturucu örnek bir faturadan şema oluşturur.

Yanlış okunmuş sayıları nasıl yakalarsınız?

Çıkarılan her değeri veri olarak değil, kodda denetlenecek bir iddia olarak görün. Satır kalemleri ara toplama eşit olmalı, ara toplam artı KDV toplama eşit olmalı, tarihler ayrıştırılabilmeli ve gelecekte olmamalı, para birimi de satıcının ülkesine uymalı. Suudi KDV numaralarının sabit bir uzunluğu ve biçimi var; bu da ucuz bir ek denetim sağlıyor. Yanlış okunmuş bir rakam neredeyse her zaman bir toplamı bozar; bu yüzden aritmetik denetimler önemli hataların çoğunu yakalar. Başarısız olan her şey, görsel çıkarılan alanların yanında olacak şekilde bir insan inceleme kuyruğuna gider.

Pydantic şeması, aritmetik doğrulayıcılar, hata mesajıyla bir yeniden deneme ve bir inceleme kuyruğu içeren tam hat, görü LLM’i ile fatura ve fiş verisini JSON’a çıkarma yazısında.

Arapça belgeleri hangi görü modeli okumalı?

BroadNet Inference’taki üç sohbet modeli görsel kabul eder:

Model 1M token başına girdi / çıktı Bağlam Notlar
Qwen3.8 27B $0.175 / $2.17 262.144 BroadNet’in Arapçada test ettiği model
DeepSeek V4.1 Flash $0.175 / $0.52 1.048.576 Sınırsız sabit ücretli planlarda da var
BroadNet Gemma 4 VL 26B $0.10 / $0.22 32.768 BroadNet’in görü modellerinin en ucuzu; ücretsiz krediyle ve $0.50 tutan saatlik anahtarla çalışır

BroadNet, testlerinde Qwen3.8 27B’nin akıcı Arapça yazdığını, Körfez ve Mısır lehçelerini anladığını ve Arapça ile İngilizce arasında doğru çeviri yaptığını bildiriyor. BroadNet bir OCR ya da belge çıkarımı benchmark’ı yayımlamıyor; bu yüzden alan doğruluğunu kendi belgelerinizde ölçün. Pratik bir kurulum, basit fişler için Gemma 4 VL 26B ve doğrulamadan geçemeyen her şey için Qwen3.8 27B ile ikinci bir geçiştir. Gemma 4 VL 26B ile Qwen3.8 27B karşılaştırması ikisini yan yana koyuyor.

Bir görü LLM’inin sayfa başı maliyeti ne?

Kullandıkça öde anahtarlarında bir görsel, modelin girdi fiyatından girdi token’ı olarak faturalanır ve daha büyük görseller daha fazla token kullanır. Telefon fotoğraflarını uzun kenarı yaklaşık 1.500–2.000 piksel olacak şekilde küçültün: Arapça noktalar yeterli çözünürlük ister, ama 12 megapiksellik bir fotoğraf çoğunlukla maliyet ekler. Sayfa başı maliyetinizi bulmak için birkaç gerçek görselde usage.prompt_tokens değerini okuyun. Sınırsız bir DeepSeek V4.1 Flash planında, BroadNet’in belgelerine göre görseller planın sınırsız kullanımına dahildir. Görsel ve sayfa başına token hesabı görsel başına görü LLM’i maliyeti yazısında ayrıntılı olarak yapılıyor.

Klasik OCR hâlâ ne zaman kazanır?

  • Uzun taranmış kitaplar ve arşivler; birkaç alan değil, arama için her kelime gerektiğinde.
  • Katı tekrarlanabilirlik; aynı girdinin her zaman aynı metni üretmesi gerektiğinde.
  • Ağ olmadan çevrimdışı ya da cihaz üzerinde işleme.

Tesseract gibi açık kaynak motorlar Arapça (ara) eğitilmiş veri listeler ve çevrimdışı çalışır. Karma bir yaklaşım da iyi çalışır: aranabilir metin için sayfayı OCR’dan geçirin, üzerinde işlem yapacağınız alanlar için görseli bir görü LLM’ine gönderin. Hangi bulut OCR API’lerinin basılı ve el yazısı Arapçayı listelediği ve her birinin 1.000 sayfa başına maliyeti Arapça OCR API karşılaştırmasında.

Gizlilik

Faturalar ve kimlikler adlar, vergi numaraları ve banka bilgileri içerir. BroadNet Inference görselleri, istemleri ya da yanıtları istekten sonra saklamaz; bkz. sıfır veri saklama. Aynı kuralı kendi depolamanıza uygulayın: ihtiyacınız olan çıkarılmış alanları tutun ve artık saklamanız gerekmeyen görselleri silin.

Sık sorulan sorular

Arapça için görü LLM'i OCR'dan daha mı doğru?

Belgeye bağlı. Görü LLM'leri genellikle düzeni anlamada ve faturalar ile fişlerden adlandırılmış alanları çekmede daha iyidir. Özel OCR, uzun ve temiz basılı sayfalarda daha öngörülebilir olabilir. İkisini de belgelerinizden bir örneklemde test edin.

Görü LLM'leri Arapça el yazısını okuyabilir mi?

Bazen, net el yazısında. Bitişik ya da aceleyle yazılmış metinde doğruluk hızla düşer. Düşük güvenli el yazısı alanlarını bir insan inceleyiciye yönlendirin.

Görsel okumak için en ucuz BroadNet modeli hangisi?

BroadNet Gemma 4 VL 26B; 1M girdi token'ı başına $0.10. Ücretsiz başlangıç kredisiyle ve sabit fiyatlı saatlik anahtarla da çalışır.

Doğu Arap rakamlarını Batı rakamlarına nasıl dönüştürürüm?

Modelden Batı rakamları döndürmesini isteyin, sonra bunu kodda zorunlu kılın. Python'da text.translate(str.maketrans("٠١٢٣٤٥٦٧٨٩", "0123456789")) gözden kaçan Doğu Arap rakamlarını dönüştürür. Fars rakamları (۰–۹) farklı kod noktaları kullanır; belgeleriniz İran ya da Afganistan'dan geliyorsa onları da ekleyin.

Model Arapça etiketleri İngilizceye çevirebilir mi?

Evet. İngilizce anahtarlar isteyin ve özgün Arapça değerleri koruyun ya da ikisini birden isteyin. Harf aktarımı hatalarından kaçınmak için adları özgün yazıda tutun.

Markdown olarak okuChatGPT asistanına sorClaude asistanına sorPerplexity asistanına sor