Eine OCR API erkennt Text in Bildern, Scans und Screenshots. Klassische OCR erledigt das reine Erkennen von Zeichen. Multimodale Sprachmodelle können zusätzlich strukturierte Daten extrahieren, übersetzen und korrigieren.

Dieser Artikel erklärt die wichtigsten Varianten, den Aufruf und die Kriterien für die Auswahl.

Hinweis: OCR-Schnittstellen unterscheiden sich zwischen Anbietern deutlich. Dieser Artikel beschreibt gängige Ansätze; maßgeblich sind die offizielle Dokumentation und die Angaben auf der Website.

1. Drei Ansätze im Vergleich

Ansatz Geeignet für Eigenschaften
Klassische OCR Rechnungen, Ausweise, Tabellen, Belege Schnell, günstig, feste Layouts
Multimodales Sprachmodell Komplexe Layouts, Handschrift, verstehende Aufgaben Flexibel, aber teurer und langsamer
OCR plus Sprachmodell Erst erkennen, dann extrahieren und prüfen Gute Balance aus Genauigkeit und Struktur

Die Wahl hängt vom Dokumenttyp ab. Für standardisierte Belege ist klassische OCR meist ausreichend; bei unstrukturierten oder handschriftlichen Dokumenten lohnt der Einsatz eines multimodalen Modells.

2. Klassische OCR-API

Üblicherweise wird eine Bild-URL oder Base64-Daten übergeben; zurück kommen Text und Koordinaten. Geeignet für:

  • Personalausweise und Gewerbenachweise.
  • Rechnungen und Belege.
  • Tabellen und Formulare.
  • Dokumente mit festen Vorlagen.

Der Vorteil liegt in Geschwindigkeit und niedrigen Kosten. Der Nachteil ist die geringere Stabilität bei komplexen Layouts, Handschrift und schlechter Bildqualität.

3. OCR mit multimodalen Modellen

Das Bild wird an ein Modell mit Bildverständnis übergeben, das direkt Text oder JSON ausgibt:

Erkenne den Text im Bild und gib ihn nach Feldern als JSON aus:
{ "name": "", "amount": "", "date": "" }

Geeignet für komplexe Layouts und Aufgaben, bei denen der Inhalt verstanden werden muss. Zu beachten:

  • Grenzen für Bildgröße und Auflösung.
  • Die Ausgabe kann schwanken und braucht ein Schema sowie eine Validierung.
  • Die Kosten liegen über denen klassischer OCR.
  • Bei sensiblen Daten muss die Compliance geklärt sein.

Ein festes Ausgabeschema erhöht die Zuverlässigkeit. Zusätzlich sollte der JSON-Inhalt gegen erlaubte Wertebereiche geprüft werden, bevor er weiterverarbeitet wird.

4. Aufrufbeispiel (OpenAI-kompatibel)

from openai import OpenAI

client = OpenAI(
    api_key="sk-IHR_KEY",
    base_url="https://ai.zhongshangqihang.com/v1",
)

resp = client.chat.completions.create(
    model="gpt-5",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Erkenne den Text im Bild und gib ihn als JSON aus"},
                {"type": "image_url", "image_url": {"url": "https://example.com/a.png"}},
            ],
        }
    ],
)
print(resp.choices[0].message.content)

Ob das Modell Bildverständnis unterstützt und welche Formate und Größen zulässig sind, ergibt sich aus den Modellpreisen und der Dokumentation auf der Website.

5. Auswahlkriterien

  • Erkennungsgenauigkeit bei Druck, Handschrift und schlechter Qualität.
  • Unterstützte Layouts: Tabellen, Belege, mehrspaltige Dokumente.
  • Unterstützte Sprachen.
  • Ausgabeformat: Text, Koordinaten oder JSON.
  • Latenz und Parallelität.
  • Preis pro Bild oder pro Token.
  • Datenschutz und Compliance.

Diese Kriterien sollten mit den eigenen Dokumenten gewichtet werden. Ein Spitzenwert bei gedruckten Texten sagt wenig über die Leistung bei Handschrift oder schräg fotografierten Belegen.

6. Genauigkeit testen

Ein Testsatz von 50 bis 100 echten Bildern sollte abdecken:

  • Scharf und unscharf.
  • Gerade fotografiert und geneigt.
  • Gedruckt und handschriftlich.
  • Einspaltig, mehrspaltig und tabellarisch.

Verglichen werden Zeichengenauigkeit, Feldgenauigkeit und die Erfolgsquote strukturierter Ausgaben. Offizielle Demo-Bilder reichen für eine Bewertung nicht aus, weil sie meist besonders sauber sind.

7. Häufige Fallstricke

  • Bilder werden zu stark komprimiert und die Schrift wird unscharf.
  • Bei Tabellen und mehrspaltigen Layouts gerät die Reihenfolge durcheinander.
  • Handschrift und Stempel werden schlecht erkannt.
  • Sprachmodelle liefern JSON nicht zuverlässig in derselben Form.
  • Sensible Ausweisdaten werden ins Ausland übertragen oder zu lange gespeichert.
  • Beim Preisvergleich werden nur Bildpreise betrachtet, nicht Wiederholungen.

Häufige Fragen

Worin unterscheiden sich OCR API und Bildverständnis eines Sprachmodells?

OCR konzentriert sich auf die Texterkennung. Ein multimodales Sprachmodell kann zusätzlich verstehen, extrahieren, übersetzen und prüfen.

Lassen sich Rechnungen und Ausweise verarbeiten?

Ja, sofern Layout-Unterstützung, Genauigkeit und Datenschutz geklärt sind. In wichtigen Fällen sollte eine manuelle Prüfung vorgesehen werden.

Was tun bei zu großen Bildern?

Zuerst komprimieren, zuschneiden oder drehen. Alternativ eine Schnittstelle wählen, die große Bilder unterstützt. Vor dem Upload die Größengrenzen prüfen.

Nächster Schritt

Für einen einheitlichen Einstieg lassen sich Bildmodelle des ZSQH AI Gateway mit einer kleinen Bildmenge testen. Modelle und Preise stehen auf der Seite Modellpreise.

Weiterlesen: