BroadRouter
Bắt đầu

So sánh API OCR tiếng Ả Rập: Google, Azure, Textract, Mistral, LLM

Đội ngũ BroadNet Inference · 8 phút đọc · Đăng ngày · Cập nhật

Bốn API OCR ghi tiếng Ả Rập in trong tài liệu của chính họ: Google Cloud Vision, Azure AI Document Intelligence, Amazon Textract và Mistral OCR. Google, Azure Read và Textract đều tính USD 1,50 mỗi 1.000 trang ở mức khởi điểm. Chỉ Azure ghi chữ viết tay tiếng Ả Rập. LLM vision, như Qwen3.8 27B trên BroadNet, tính một trang thành token và trả về các trường bạn yêu cầu.

Tìm “API OCR tiếng Ả Rập” và phần lớn kết quả là các trang xếp hạng không nói điểm số của họ đến từ đâu. Trang này làm một việc hẹp hơn mà người mua cần. Với mỗi API, nó cho thấy tài liệu của chính nhà cung cấp nói gì về tiếng Ả Rập, API trả về gì và mỗi trang tốn bao nhiêu. Mọi con số đều được đọc từ trang của nhà cung cấp ngày 15/11/2026. BroadRouter là trang web của BroadNet, và BroadNet bán một trong các lựa chọn bên dưới (LLM vision, không phải OCR), nên chúng tôi nói rõ chỗ nào các lựa chọn khác làm tốt hơn.

Nếu bạn vẫn đang cân nhắc về nguyên tắc giữa OCR và LLM vision, hãy bắt đầu với OCR tiếng Ả Rập và LLM vision. Bài đó giải thích vì sao chữ viết liền, dấu chấm và dòng trộn hai chiều làm tiếng Ả Rập khó. Bài này giả định bạn đã biết điều đó và muốn chọn nhà cung cấp.

API OCR nào chính thức hỗ trợ tiếng Ả Rập?

API Tiếng Ả Rập in Chữ viết tay tiếng Ả Rập Trả về gì
Google Cloud Vision (DOCUMENT_TEXT_DETECTION) Có, ar, ghi là Modern Standard Không có trong danh sách (chữ Ả Rập không có trong bảng chữ viết tay) Văn bản kèm thông tin trang, khối, đoạn, từ và ngắt dòng
Azure AI Document Intelligence, Read (prebuilt-read) Có, ar Có, trong v4.0 (không có trong v3.1) Chữ in và chữ viết tay
Azure AI Document Intelligence, Layout (prebuilt-layout) Có, ar Có, trong v4.0 Văn bản, bảng, cấu trúc tài liệu và ô đánh dấu
Hóa đơn và biên lai dựng sẵn của Azure Hóa đơn có tiếng Ả Rập (ar); biên lai in nhiệt có tiếng Ả Rập Không áp dụng Các trường có tên của hóa đơn và biên lai
Amazon Textract (Detect Document Text) Có, trong hơn 40 ngôn ngữ Không: “handwriting … in English only” Từ và dòng, mỗi cái kèm bounding box và điểm tin cậy
Mistral OCR (mistral-ocr-latest) Có, nằm trong nhóm ngôn ngữ Trung Đông Không nêu Markdown theo từng trang cộng các trường JSON: bảng, ảnh, đầu trang, chân trang, khối, điểm tin cậy
LLM vision (Qwen3.8 27B, Gemma 4 VL 26B, DeepSeek V4.1 Flash trên BroadNet) Đọc ảnh tiếng Ả Rập; không phải engine OCR Không có tài liệu Bất cứ gì bạn yêu cầu: văn bản, trường, JSON, bản dịch

Hai chi tiết quan trọng hơn các cột có/không:

  • Textract giới hạn nhiều hơn chữ viết tay. FAQ của nó ghi “Handwriting, Invoices, and Receipts, Identity documents, and Queries processing are in English only.” (bản dịch: Xử lý chữ viết tay, hóa đơn và biên lai, giấy tờ tùy thân và Queries chỉ hỗ trợ tiếng Anh.) Với tài liệu tiếng Ả Rập, Textract cho bạn văn bản và vị trí, không cho các trường hóa đơn.
  • Chữ viết tay tiếng Ả Rập của Azure mới có từ v4.0. Bảng chữ viết tay v3.1 không có tiếng Ả Rập. Hãy cố định phiên bản API mà bạn test.

Trang ngôn ngữ của Mistral nói danh sách phản ánh “languages with strong expected performance” (bản dịch: các ngôn ngữ được kỳ vọng có hiệu năng tốt), đó là tuyên bố của nhà cung cấp, không phải điểm số đã đo.

Mỗi API OCR tiếng Ả Rập tốn bao nhiêu cho 1.000 trang?

Giá bằng đô la Mỹ, đọc ngày 15/11/2026 từ nguồn giá của từng nhà cung cấp:

API và tính năng Hạn mức miễn phí Giá khởi điểm mỗi 1.000 trang Giá khối lượng lớn
Google Cloud Vision, Document Text Detection 1.000 đơn vị đầu mỗi tháng USD 1,50 (đơn vị 1.001 đến 5.000.000) USD 0,60 khi vượt 5 triệu đơn vị mỗi tháng
Azure Document Intelligence, Read (East US) 500 trang mỗi tháng ở gói miễn phí USD 1,50 USD 0,60 sau 1 triệu trang đầu
Azure Document Intelligence, Layout và model dựng sẵn (East US) Cùng gói miễn phí USD 10 Các bậc cam kết có trên trang giá Azure (giá tải trong trình duyệt; hãy kiểm tra region của bạn)
Amazon Textract, Detect Document Text (US West, Oregon) 1.000 trang mỗi tháng cho khách hàng AWS mới, trong ba tháng USD 1,50 (1 triệu trang đầu mỗi tháng) USD 0,60 sau 1 triệu trang
Mistral OCR Không nêu Tính giá theo 1.000 trang; con số không có trong HTML tĩnh của trang, nên chúng tôi không xác nhận được Mistral nói xử lý theo lô giảm một nửa giá API

Google tính mỗi trang PDF là một ảnh, và mỗi tính năng là một đơn vị riêng. Yêu cầu hai tính năng trên một trang tốn hai đơn vị. Giá dựng sẵn của Azure bao gồm layout, hóa đơn và biên lai. Nếu bạn cần các trường hóa đơn có cấu trúc từ Azure, hãy tính theo mức USD 10, không phải mức Read USD 1,50.

LLM vision tốn bao nhiêu mỗi trang?

LLM vision không có giá theo trang. Với key trả theo mức dùng của BroadNet, tài liệu nói một ảnh “counts as input tokens at the model’s input price” (bản dịch: được tính là token input theo giá input của model), và ảnh lớn hơn dùng nhiều token hơn. Chi phí một trang là token ảnh cộng prompt của bạn, cộng câu trả lời tính theo giá output.

Token ảnh thay đổi theo model và độ phân giải. Gemma 4 dùng ngân sách 70, 140, 280, 560 hoặc 1.120 token mỗi ảnh, và tài liệu của Google khuyên dùng ngân sách cao hơn để có độ chính xác tốt nhất cho tác vụ thị giác. Để lên kế hoạch, không phải số đo, hãy lấy khoảng 1.000 token input và 300 token output mỗi trang:

Model BroadNet Input mỗi 1 triệu Output mỗi 1 triệu 1.000 trang với khoảng 1 triệu input và 0,3 triệu output
Gemma 4 VL 26B $0.10 $0.22 $0.10 cộng ba phần mười của $0.22
Qwen3.8 27B $0.175 $2.17 $0.175 cộng ba phần mười của $2.17, cộng phần suy luận
DeepSeek V4.1 Flash $0.175 $0.52 $0.175 cộng ba phần mười của $0.52, cộng phần suy luận

Qwen3.8 27B và DeepSeek V4.1 Flash suy luận trước khi trả lời, và phần suy luận được tính như output. Hãy giữ max_tokens từ 1.000 trở lên, hoặc đặt reasoning_effort là low, nếu không câu trả lời có thể rỗng (vì sao). Hãy đo trên trang của bạn: gửi mười trang, đọc usage.prompt_tokens và usage.completion_tokens, rồi nhân lên. Công cụ tính token ảnh và chi phí LLM vision mỗi ảnh làm phép tính giúp bạn.

Phép so sánh này không cùng loại. USD 1,50 mỗi 1.000 trang mua được văn bản thô và vị trí. Một lần gọi LLM vision có thể trả về nhà cung cấp, mã số VAT, ngày và tổng tiền dưới dạng JSON trong cùng request, giúp bạn bỏ bước parse. Gemma 4 VL 26B còn dùng được với tín dụng ban đầu $5. Qwen3.8 27B và DeepSeek V4.1 Flash cần nạp tiền.

Chi tiết tích hợp khác nhau thế nào?

Google Cloud Vision Azure Document Intelligence Amazon Textract Mistral OCR LLM vision của BroadNet
Input Ảnh; PDF và TIFF qua DOCUMENT_TEXT_DETECTION Xem danh sách loại file của model Read Xem danh sách loại file của Textract image_url (PNG, JPEG, AVIF và hơn nữa) hoặc document_url (PDF, PPTX, DOCX và hơn nữa) Mỗi content item một ảnh dưới dạng URL data:; render trang PDF thành ảnh trước
Gợi ý ngôn ngữ Gợi ý ar tùy chọn Tùy chọn; Microsoft khuyên đừng đặt trừ khi bạn chắc chắn FAQ không đề cập Không nêu Ghi “the document is in Arabic” trong prompt
Trường có cấu trúc Không (chỉ cấu trúc văn bản) Có, hóa đơn và biên lai dựng sẵn Hóa đơn, biên lai và Queries chỉ tiếng Anh Chú thích tài liệu tùy chọn Yêu cầu JSON; structured output chỉ có tài liệu cho Qwen3.8 27B
Dạng API Google Cloud API Azure REST và SDK AWS SDK Mistral /v1/ocr /v1/chat/completions tương thích OpenAI

Ghi chú của Microsoft về mã ngôn ngữ đáng đọc nếu tài liệu của bạn trộn tiếng Ả Rập và tiếng Anh: “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.” (bản dịch: Đừng truyền mã ngôn ngữ làm tham số trừ khi bạn chắc chắn về ngôn ngữ … Nếu không, dịch vụ có thể trả về văn bản thiếu và sai.)

Nên chọn API OCR tiếng Ả Rập nào?

Không có một câu trả lời duy nhất, và không nhà cung cấp nào công bố bài test độ chính xác tiếng Ả Rập độc lập mà chúng tôi kiểm chứng được. Hãy chọn theo output trước, rồi test:

  1. Bạn cần văn bản tìm kiếm được từ kho tài liệu scan dài. Google Cloud Vision, Azure Read hoặc Textract. Cả ba đều ghi tiếng Ả Rập in với cùng giá khởi điểm. Hãy chọn cloud bạn đang dùng cho lưu trữ và định danh.
  2. Bạn cần chữ viết tay tiếng Ả Rập. Azure Document Intelligence v4.0 là API OCR duy nhất ở đây có ghi hỗ trợ. Hãy test cả LLM vision trên cùng các trang, vì không model nào có tài liệu về chữ viết tay.
  3. Bạn cần các trường hóa đơn từ hóa đơn tiếng Ả Rập. So model hóa đơn dựng sẵn của Azure (USD 10 mỗi 1.000 trang) với một LLM vision trả về JSON. Trên BroadNet, Qwen3.8 27B là model có tài liệu về structured output. Đọc hóa đơn tiếng Ả Rập bằng model vision có code chạy được.
  4. Bạn muốn Markdown có bảng cho RAG. Mistral OCR trả Markdown theo từng trang kèm bảng và khối. Hãy xác nhận giá mỗi trang hiện tại trên trang giá của Mistral.
  5. Bạn cần trường dữ liệu, bản dịch và tóm tắt trong một lần gọi. Một LLM vision. Pipeline kèm bước kiểm tra có trong trích xuất dữ liệu hóa đơn sang JSON bằng LLM vision.

Làm sao test API OCR tiếng Ả Rập trên tài liệu của bạn?

  1. Chọn 50 đến 100 trang thật: PDF sạch, ảnh chụp điện thoại, biên lai in nhiệt đã phai, hóa đơn có đóng dấu và, nếu có, biểu mẫu viết tay.
  2. Gõ bản chuẩn cho các trường bạn quan tâm. Giữ chữ số Ả Rập phương Đông (٠١٢٣) như bản in, và ghi chú riêng.
  3. Chấm ký tự và trường dữ liệu riêng. Tỷ lệ lỗi ký tự cho thấy chất lượng đọc. Độ chính xác của trường (tổng tiền, ngày, mã số VAT) cho thấy chất lượng nghiệp vụ. Một lỗi chữ số trong tổng tiền quan trọng hơn mười lỗi ở chân trang.
  4. Kiểm tra thứ tự trên dòng hỗn hợp. Một dòng như “الإجمالي: 1,250.00 SAR” có thể bị trả về với con số đứng trước nhãn. Đó là vấn đề thứ tự hai chiều, không phải lỗi nhận dạng, nhưng parser của bạn vẫn phải xử lý được.
  5. Kiểm tra số bằng code dù chọn gì: các dòng cộng lại bằng tổng, VAT khớp thuế suất và ngày parse được. Gửi các trường hợp lỗi vào hàng đợi rà soát thủ công.

BroadNet Inference phù hợp ở đâu

BroadRouter là trang web của BroadNet. BroadNet Inference không bán engine OCR. Dịch vụ bán LLM vision trên một API tương thích OpenAI: Qwen3.8 27B, BroadNet Gemma 4 VL 26B và DeepSeek V4.1 Flash, cả ba đều nhận ảnh. Nếu bạn cần văn bản thô rẻ nhất từ hàng triệu trang scan, hoặc chữ viết tay tiếng Ả Rập kèm vị trí, một API OCR truyền thống ở trên phù hợp hơn. BroadNet phù hợp khi bạn muốn trường dữ liệu hoặc JSON từ tài liệu tiếng Ả Rập, với không lưu giữ dữ liệu: BroadNet cho biết nội dung inference không được lưu giữ. Hãy thử Gemma 4 VL 26B với tín dụng ban đầu $5, hoặc đọc tài liệu tham chiếu API và lấy key.

Câu hỏi thường gặp

API OCR nào hỗ trợ tiếng Ả Rập?

Vào ngày 15/11/2026, Google Cloud Vision, Azure AI Document Intelligence, Amazon Textract và Mistral OCR đều ghi tiếng Ả Rập in trong tài liệu của chính họ. Các API LLM vision như Qwen3.8 27B, Gemma 4 VL 26B và DeepSeek V4.1 Flash trên BroadNet Inference cũng đọc được ảnh tiếng Ả Rập, nhưng đó là model chat, không phải engine OCR.

API nào đọc được chữ viết tay tiếng Ả Rập?

Trong bốn API OCR, chỉ Azure Document Intelligence v4.0 ghi tiếng Ả Rập cho chữ viết tay, ở cả model Read và Layout. Textract nói chữ viết tay chỉ hỗ trợ tiếng Anh, và bảng hệ chữ viết tay của Google không có chữ Ả Rập. LLM vision không công bố gì về hỗ trợ chữ viết tay, nên hãy test chúng trên mẫu của bạn.

OCR tiếng Ả Rập tốn bao nhiêu mỗi 1.000 trang?

Ở mức khởi điểm, USD 1,50 mỗi 1.000 trang với Google Cloud Vision Document Text Detection, Azure Document Intelligence Read và Amazon Textract Detect Document Text (kiểm tra ngày 15/11/2026). Cả ba giảm xuống USD 0,60 khi khối lượng lớn. Model layout và hóa đơn dựng sẵn của Azure có giá USD 10 mỗi 1.000 trang.

Amazon Textract có đọc được tiếng Ả Rập không?

Có với chữ in. FAQ của Textract (kiểm tra ngày 15/11/2026) nói dịch vụ phát hiện chữ in, kể cả tài liệu viết từ phải sang trái và tài liệu trộn nhiều hệ chữ, ở hơn 40 ngôn ngữ gồm tiếng Ả Rập. FAQ cũng nói chữ viết tay, hóa đơn và biên lai, giấy tờ tùy thân và Queries chỉ hỗ trợ tiếng Anh.

Với hóa đơn tiếng Ả Rập, nên dùng API OCR hay LLM vision?

Dùng OCR khi bạn cần mọi từ kèm vị trí, cho tìm kiếm hoặc lưu trữ. Dùng LLM vision khi bạn cần các trường có tên như nhà cung cấp, mã số VAT và tổng tiền dưới dạng JSON. Một mẫu phổ biến là dùng cả hai: OCR cho văn bản tìm kiếm được, LLM vision cho các trường cần xử lý, rồi kiểm tra bằng code.

Model BroadNet nào trả được JSON có cấu trúc từ tài liệu tiếng Ả Rập?

Qwen3.8 27B. Tài liệu BroadNet ghi tools và structured output cho Qwen3.8 27B và GLM 5.3, mà GLM 5.3 chỉ xử lý văn bản. Gemma 4 VL 26B và DeepSeek V4.1 Flash nhận ảnh nhưng không được ghi là có structured output, nên hãy yêu cầu JSON trong prompt và kiểm tra lại.

Đọc dạng MarkdownHỏi ChatGPTHỏi ClaudeHỏi Perplexity

Nguồn