Salt la conținutul principal
Română— Alege o limbă
Meniu

Recunoașterea optică a caracterelor (OCR) și transcrierea textului din imagini

Lecția 8 din 12 Actualizată 2 noiembrie 2026 Dezvoltator
Pe această pagină
  1. Citirea textului din imagini
  2. OCR simplu: citirea textului vizibil
  3. Extragerea textului dintr-o factură
  4. Transcrierea capturilor de ecran
  5. Citirea bonurilor fiscale și a chitanțelor de casă
  6. Procesarea loturilor de documente
  7. Îmbunătățirea preciziei OCR
  8. API-ul Vision versus Document AI
  9. Puncte cheie

Citirea textului din imagini

Recunoașterea optică a caracterelor (OCR) reprezintă unul dintre cele mai frecvente cazuri de utilizare pentru API-ul Vision. Cu modelele multimodale Mistral, puteți extrage text din fotografii, capturi de ecran, documente scanate, facturi sau bonuri fiscale fără a instala o bibliotecă OCR dedicată – nici Tesseract, nici modele lingvistice, nici pipeline de preprocesare.

Avantajul nu constă doar în eliminarea unei dependențe. OCR-ul clasic returnează caractere; un model multimodal înțelege ceea ce citește și poate, în aceeași apelare, să distingă un număr de factură de un număr de comandă de achiziție. Această lecție acoperă cazurile de utilizare comune și tehnicile care îmbunătățesc concret precizia.

OCR simplu: citirea textului vizibil

Abordarea cea mai directă se rezumă la un singur prompt, cu condiția ca acesta să fie lipsit de ambiguitate:

from mistralai.client import Mistral
import os

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Transcribe exactly all visible text in this image. Do not comment, do not summarize--return only the text as it appears."},
                {"type": "image_url", "image_url": "https://exemple.com/document-scanne.jpg"}
            ]
        }
    ]
)

print(response.choices[0].message.content)

Cuvântul-cheie este „exact“. Fără această instrucțiune, modelul tinde să parafrazeze sau să rezume conținutul, deoarece asta face spontan un asistent util: aici solicitați exact opusul unui serviciu, o restituire literală.

Extragerea textului dintr-o factură

Facturile conțin informații structurate – emitent, destinatar, sume, date – pe care modelul le poate identifica după rolul lor, nu doar după poziție. Acesta este exact avantajul față de OCR-ul cu zone fixe, care eșuează imediat ce furnizorul modifică aspectul:

prompt_facture = """Analyze this invoice and extract the following information:
- Issuer (name, address, SIRET if visible)
- Recipient (name, address)
- Invoice number
- Issue date
- Due date
- Billing lines (description, quantity, unit price, total)
- Subtotal excluding tax
- VAT (rate and amount)
- Total including tax

Return the result as structured JSON."""

response = client.chat.complete(
    model="mistral-large-latest",
    messages=[
        {
            "role": "system",
            "content": "You are a certified accountant. Extract billing data with precision. Return only valid JSON."
        },
        {
            "role": "user",
            "content": [
                {"type": "text", "text": prompt_facture},
                {"type": "image_url", "image_url": data_uri_facture}
            ]
        }
    ]
)

Transcrierea capturilor de ecran

O altă nevoie frecventă este recuperarea conținutului dintr-o interfață sau terminal partajat sub formă de captură de ecran, de obicei într-un tichet de suport. Aici, formatarea face parte din informație: o urmă de terminal fără indentare devine inutilizabilă.

import base64

def encoder_image(chemin):
    with open(chemin, "rb") as f:
        b64 = base64.standard_b64encode(f.read()).decode("utf-8")
    return f"data:image/png;base64,{b64}"

# Transcribe a terminal screenshot
response = client.chat.complete(
    model="mistral-small-latest",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Transcribe the terminal output visible in this screenshot. Preserve formatting and indentation."
                },
                {"type": "image_url", "image_url": encoder_image("captures/terminal.png")}
            ]
        }
    ]
)

Citirea bonurilor fiscale și a chitanțelor de casă

Bonurile termice reprezintă cazul cel mai dificil: imprimare ștearsă, hârtie mototolită, cerneală decolorată. Tehnica decisivă constă în a permite explicit modelului să declare eșecul pentru un element; în caz contrar, acesta va completa golurile cu valori plauzibile.

prompt_recu = """Read this cash register ticket and extract:
1. Store name
2. Date and time
3. List of items (name, price)
4. Subtotal
5. Payment method
6. Total amount

If an item is illegible, indicate [illegible].
Return the result as JSON."""

response = client.chat.complete(
    model="mistral-large-latest",  # Large for best reading
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": prompt_recu},
                {"type": "image_url", "image_url": encoder_image("recu-supermarche.jpg")}
            ]
        }
    ]
)

Un [illegible] în rezultat este infinit mai bun decât o sumă inventată: primul declanșează o verificare umană, al doilea trece neobservat până la reconcilierea contabilă. Pentru aceste documente degradate, utilizați Mistral Large 3 – diferența de precizie față de Small este semnificativă în cazul textului neclar sau parțial lizibil.

Procesarea loturilor de documente

Scalarea urmează tiparul pe care l-am văzut deja: o funcție unitară parametrizată după model, urmată de o buclă peste dosar.

import json
from pathlib import Path

def ocr_document(chemin_image, modele="mistral-small-latest"):
    """Performs OCR on a document and returns the text."""
    response = client.chat.complete(
        model=modele,
        messages=[
            {
                "role": "user",
                "content": [
                    {
                        "type": "text",
                        "text": "Transcribe the entire text of this document. Preserve formatting (headings, paragraphs, lists)."
                    },
                    {"type": "image_url", "image_url": encoder_image(chemin_image)}
                ]
            }
        ]
    )
    return response.choices[0].message.content

# Process a folder
dossier = Path("documents_scannes/")
resultats = {}

for fichier in sorted(dossier.glob("*.jpg")):
    print(f"OCR of {fichier.name}...")
    resultats[fichier.name] = ocr_document(fichier)

# Save
with open("transcriptions.json", "w", encoding="utf-8") as f:
    json.dump(resultats, f, ensure_ascii=False, indent=2)

print(f"{len(resultats)} documents transcribed.")

Parametrul modele din semnătură nu este cosmetic: vă permite să relansați doar documentele dubioase cu Large fără a rescrie funcția.

Îmbunătățirea preciziei OCR

Două pârghii acționează în amonte de model. Prima este preprocesarea imaginii: un scan gri, cu contrast scăzut, devine lizibil după conversia la scară de gri, îmbunătățirea contrastului și ascuțirea.

from PIL import Image, ImageEnhance, ImageFilter

def pretraiter_pour_ocr(chemin):
    """Improves an image for OCR: contrast, sharpness, grayscale."""
    img = Image.open(chemin)

    # Convert to grayscale
    img = img.convert("L")

    # Increase contrast
    enhancer = ImageEnhance.Contrast(img)
    img = enhancer.enhance(2.0)

    # Increase sharpness
    img = img.filter(ImageFilter.SHARPEN)

    return img

Factorul 2.0 funcționează pentru un scan decolorat; împins prea departe, creează artefacte care degradează citirea. Testați pe trei documente reprezentative înainte de a bloca valoarea.

A doua pârghie este specializarea promptului în funcție de tipul de document. Un formular cere „Citiți fiecare câmp și valoarea corespunzătoare“, o scrisoare cere „Transcrieți corpul scrisorii păstrând paragrafele“, un tabel cere „Extrageți datele tabelului în format markdown“. Trei formulări, trei structuri de ieșire: clasificați-vă documentele înainte de a le transcrie, iar calitatea va face un salt vizibil.

API-ul Vision versus Document AI

Pentru OCR avansat și analiză de documente, Mistral oferă, de asemenea, Document AI (OCR 4), un serviciu specializat. Tabelul următor delimitează frontiera dintre cele două.

CriteriuAPI VisionDocument AI (OCR 4)
OCR simpluSuficientSupracalificat
Documente complexeLimitatOptimizat
Tabele imbricateAproximativPrecise
PDF-uri multipaginăNeacceptatAcceptat
Aspect complexDe bazăAvansat

Linia decisivă o constituie PDF-urile multipagină: API-ul Vision procesează imagini, nu documente paginate. De îndată ce sursa dumneavoastră este un PDF de câteva zeci de pagini, întrebarea nu se mai pune. Vom aborda Document AI în Lecția 12 (Pași următori).

Puncte cheie

  • API-ul Vision efectuează un OCR adecvat pentru cazuri simple (facturi, capturi de ecran, bonuri)
  • Utilizați cuvântul „exact“ în prompt pentru a evita parafrazarea
  • Mistral Large 3 este semnificativ mai bun decât Small pentru documentele de calitate slabă
  • Preprocesarea imaginii (contrast, scară de gri) îmbunătățește rezultatele
  • Pentru OCR avansat și PDF-uri multipagină, luați în considerare Document AI (OCR 4) de la Mistral