OCR API: изображение в текст и выбор подхода (2026)

OCR API распознаёт текст на изображениях, сканах и скриншотах. Классический OCR отвечает за само распознавание символов, а мультимодальные модели умеют дополнительно извлекать структурированные данные, переводить и проверять результат.

В этой статье разобраны несколько подходов к OCR API, способы вызова и критерии выбора.

Примечание: интерфейсы OCR у разных поставщиков заметно различаются. Примеры основаны на распространённых решениях; конкретные условия — в официальной документации и документации шлюза.

1. Три подхода к OCR

Подход	Для чего подходит	Особенности
Классический OCR	Счета, документы, таблицы, квитанции	Быстро, недорого, рассчитано на фиксированный макет
Мультимодальная модель	Сложный макет, рукописный текст, задачи с пониманием	Гибко, но дороже и медленнее
OCR + большая модель	Сначала распознавание, затем извлечение и проверка	Компромисс по точности и структуре

Выбор зависит не только от цены. Для типового документа с фиксированным шаблоном классический OCR часто достаточно надёжен и предсказуем. Для смешанных макетов, рукописных пометок и задач с пониманием смысла полезнее модель со зрением, но её вывод нужно проверять.

2. Классический OCR API

Обычно на вход принимает URL изображения или Base64, а возвращает текст и координаты. Подходит для:

Паспортов и регистрационных документов.
Счетов и квитанций.
Таблиц и бланков.
Фиксированных шаблонов.

Преимущества — скорость и низкая стоимость; недостаток — неустойчивость к сложному макету, рукописному тексту и плохому качеству изображения.

Если документы приходят из разных источников, заранее проверьте, насколько стабильно определяется ориентация страницы и сохраняется порядок полей. Для фиксированных шаблонов полезно добавить простую проверку обязательных полей после распознавания.

3. OCR на мультимодальной модели

Изображение передаётся модели со зрением, которая сразу выдаёт текст или JSON:

Распознай текст на изображении и выведи его по полям в JSON:
{ "name": "", "amount": "", "date": "" }

Подходит для сложных макетов и задач с пониманием, но нужно учитывать:

Ограничения на размер и разрешение изображения.
Вывод может быть нестабильным, нужны схема и проверка.
Стоимость выше, чем у классического OCR.
Для чувствительных данных нужно подтвердить соответствие требованиям.

4. Пример вызова (совместимый с OpenAI)

from openai import OpenAI

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

resp = client.chat.completions.create(
    model="gpt-5",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Распознай текст на изображении и выведи JSON"},
                {"type": "image_url", "image_url": {"url": "https://example.com/a.png"}},
            ],
        }
    ],
)
print(resp.choices[0].message.content)

Поддерживает ли модель зрение, а также допустимые форматы и размеры изображений, уточняйте на странице цены на модели и в документации на сайте.

5. Критерии выбора

Точность распознавания (печатный текст, рукописный, низкое качество).
Поддержка макетов (таблицы, квитанции, несколько колонок).
Поддержка языков.
Формат вывода (текст, координаты, JSON).
Задержка и параллелизм.
Цена (за изображение или за токены).
Требования к обработке данных.

Полезно оценить не только среднюю точность, но и поведение на редких документах: именно они чаще всего создают ручную работу. Если бизнес-процесс критичен, предусмотрите очередь на проверку человеком для сомнительных результатов.

6. Как проверить точность

Подготовьте 50–100 реальных изображений, охватывающих:

Чёткие и размытые снимки.
Съёмку прямо и под углом.
Печатный и рукописный текст.
Одну колонку, несколько колонок и таблицы.

Сравните точность по символам, точность по полям и долю успешных структурированных ответов. Не тестируйте только на демонстрационных изображениях из документации.

Отдельно измерьте задержку и стоимость на один документ. Для пакетной обработки важны не только ошибки распознавания, но и число повторных запусков: они незаметно увеличивают бюджет и время обработки.

7. Типичные ошибки

Изображение слишком сильно сжато, текст размыт.
Нарушается порядок таблиц и колонок.
Плохо распознаются рукописный текст и печати.
Модель нестабильно выдаёт JSON.
Чувствительные данные документов вывозятся или хранятся дольше нужного.
Сравнение идёт только по цене за изображение без учёта повторов после сбоев.

Частые вопросы

Чем OCR API отличается от зрения большой модели?

OCR сосредоточен на распознавании текста; модель со зрением дополнительно понимает содержимое, извлекает данные, переводит и проверяет.

Подходит ли для счетов и документов?

Да, но нужно проверить поддержку макета, точность и соответствие требованиям к данным. В важных сценариях рекомендуется ручная проверка.

Что делать с большим изображением?

Сначала сжать, обрезать или повернуть, либо использовать интерфейс, поддерживающий большие изображения. До загрузки уточните ограничения.

Что дальше

Если нужна единая точка входа, начните с тестирования небольшой партии изображений на моделях со зрением в ZSQH AI Gateway. Модели и цены указаны на странице цены на модели.