Model nào đọc được chữ trong ảnh?

Dành cho ai cần: đọc chữ trong ảnh (OCR), tách phụ đề cứng khỏi video, đọc hoá đơn, mô tả ảnh.

Cần model có năng lực Vision

Không phải model nào cũng nhìn được ảnh. Model xử lý được ảnh gọi là model Vision (hoặc multimodal).

Trên trang danh sách model, các model này có nhãn năng lực Vision. Bạn cũng có thể hỏi thẳng khung chat hỗ trợ: "model nào hỗ trợ vision?" — nó tra trực tiếp trong danh mục đang bán và trả về danh sách kèm giá thật.

Danh sách model thay đổi thường xuyên nên bài này cố ý không liệt kê tên cụ thể — tên chép cứng vào đây sẽ lạc hậu và khiến bạn gọi phải model không còn bán.

Gửi ảnh qua API thế nào

Dùng đúng định dạng của OpenAI, gửi ảnh dưới dạng base64 hoặc URL:

from openai import OpenAI
import base64

client = OpenAI(
    api_key="sk-bee-KEY_CUA_BAN",
    base_url="https://platform.beeknoee.com/api/v1"
)

with open("anh.jpg", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

response = client.chat.completions.create(
    model="MODEL_ID_CO_VISION",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "Đọc toàn bộ chữ trong ảnh này, giữ nguyên dấu câu."},
            {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}}
        ]
    }]
)
print(response.choices[0].message.content)

Mẹo để đọc chữ chính xác hơn

Nói rõ yêu cầu giữ dấu câu nếu bạn cần chính xác từng ký tự: "giữ nguyên dấu câu và xuống dòng".
Ảnh nét hơn cho kết quả tốt hơn. Ảnh mờ hoặc chữ quá nhỏ thì model đoán, và đoán thì sai.
Tách từng ảnh một thay vì ghép nhiều trang vào một ảnh dài.
Với phụ đề cứng trong video: cắt frame ra ảnh trước, mỗi frame một request.

Nếu cần xử lý tài liệu có cấu trúc

Với hoá đơn, chứng từ, biểu mẫu nhiều trang, Beeknoee có Document AI chuyên cho việc này — chính xác hơn là bảo model chat nhìn ảnh. Xem bài Document AI trong mục API Reference.

Lỗi hay gặp

Gọi model không có Vision mà gửi ảnh → hệ thống trả lỗi 400 báo model không hỗ trợ tính năng này. Đổi sang model có nhãn Vision.

Ảnh quá lớn → giảm kích thước trước khi gửi. Ảnh vài MB base64 sẽ làm request rất nặng và tốn token vô ích.

Cần model có năng lực Vision

Không phải model nào cũng nhìn được ảnh. Model xử lý được ảnh gọi là model Vision (hoặc multimodal).

Danh sách model thay đổi thường xuyên nên bài này cố ý không liệt kê tên cụ thể — tên chép cứng vào đây sẽ lạc hậu và khiến bạn gọi phải model không còn bán.

Gửi ảnh qua API thế nào

Dùng đúng định dạng của OpenAI, gửi ảnh dưới dạng base64 hoặc URL:

from openai import OpenAI
import base64

client = OpenAI(
    api_key="sk-bee-KEY_CUA_BAN",
    base_url="https://platform.beeknoee.com/api/v1"
)

with open("anh.jpg", "rb") as f:
    b64 = base64.b64encode(f.read()).decode()

response = client.chat.completions.create(
    model="MODEL_ID_CO_VISION",
    messages=[{
        "role": "user",
        "content": [
            {"type": "text", "text": "Đọc toàn bộ chữ trong ảnh này, giữ nguyên dấu câu."},
            {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}}
        ]
    }]
)
print(response.choices[0].message.content)

Mẹo để đọc chữ chính xác hơn

Nói rõ yêu cầu giữ dấu câu nếu bạn cần chính xác từng ký tự: "giữ nguyên dấu câu và xuống dòng".

Ảnh nét hơn cho kết quả tốt hơn. Ảnh mờ hoặc chữ quá nhỏ thì model đoán, và đoán thì sai.

Tách từng ảnh một thay vì ghép nhiều trang vào một ảnh dài.

Với phụ đề cứng trong video: cắt frame ra ảnh trước, mỗi frame một request.

Lỗi hay gặp

Gọi model không có Vision mà gửi ảnh → hệ thống trả lỗi 400 báo model không hỗ trợ tính năng này. Đổi sang model có nhãn Vision.

Ảnh quá lớn → giảm kích thước trước khi gửi. Ảnh vài MB base64 sẽ làm request rất nặng và tốn token vô ích.