OCR คืออะไร แปลงรูปภาพ ไฟล์สแกน และ PDF เป็นข้อความได้อย่างไร

แนวคิดนี้มีมาหลายสิบปี และใช้ได้ดีเฉพาะกับภาษาอังกฤษตัวพิมพ์ที่สะอาดอยู่นาน สิ่งที่เปลี่ยนไปคือตัวอ่าน โมเดล OCR รุ่นใหม่อ่านทั้งหน้าแบบที่คนอ่าน ทั้งคอลัมน์ ตาราง ตราประทับ และข้อความหลายภาษา OCR จึงเข้าไปอยู่ในโปรแกรมบัญชี ระบบเปิดบัญชีลูกค้า และระบบค้นหาเอกสาร

1. 01ปรับภาพให้สะอาดระบบปรับหน้ากระดาษให้ตรง และลดเงา จุดรบกวน กับแสงที่ไม่สม่ำเสมอ รูปถ่ายเอียง ๆ จากโทรศัพท์จึงใกล้เคียงกับไฟล์สแกนมากขึ้น
2. 02หาโครงสร้างของหน้าตัวอ่านดูว่าในหน้ามีอะไรบ้าง เช่น หัวเรื่อง สองคอลัมน์ ตาราง และตราประทับที่ทับลายเซ็น แล้วตัดสินลำดับที่คนจะอ่านแต่ละส่วน
3. 03อ่านตัวอักษรแต่ละบรรทัดถูกแปลงเป็นตัวอักษร ตัวเลข และเครื่องหมาย สำหรับภาษาไทยรวมถึงสระและวรรณยุกต์ที่ซ้อนอยู่บนและล่างพยัญชนะ
4. 04คืนข้อความผลลัพธ์ออกมาเป็นข้อความธรรมดา เป็น Markdown ที่เก็บหัวเรื่องและตารางไว้ หรือเป็นบล็อกโครงสร้างที่โปรแกรมนำไปประมวลผลต่อได้

OCR รุ่นเก่าทำขั้นที่สามทีละตัวอักษรด้วยการเทียบรูปร่าง จึงพลาดกับฟอนต์แปลกและไฟล์สแกนคุณภาพต่ำ โมเดลรุ่นใหม่อ่านทั้งบรรทัดและทั้งหน้าไปพร้อมกัน และใช้บริบทช่วย เหมือนที่คนอ่านคำที่เลือนได้จากคำรอบข้าง

สามคำนี้คืองานเดียวกันที่ลึกไม่เท่ากัน

การสกัดข้อมูลคือขั้นที่ทำให้ไม่ต้องคีย์เอง เราระบุฟิลด์ที่ต้องการ แล้วแต่ละฟิลด์จะกลับมาเป็นค่าที่อ่านจากหน้ากระดาษ หรือกลับมาว่างพร้อมเหตุผลที่อ่านไม่ได้ Paxa Document Extraction ทำงานนี้กับเอกสารภาษาไทย

ทุกแถวมีรูปแบบเดียวกัน คือมีคนกำลังพิมพ์ซ้ำสิ่งที่พิมพ์อยู่บนกระดาษแล้ว ซึ่งทั้งช้าและเพิ่มข้อผิดพลาด OCR ทำให้หน้ากระดาษเป็นแหล่งข้อมูลได้โดยตรง

OCR ภาษาอังกฤษพัฒนาไปก่อนเพราะภาษาอังกฤษอ่านง่าย ตัวอักษรเรียงต่อกันในบรรทัดเดียว และมีช่องว่างคั่นระหว่างคำ ภาษาไทยไม่เป็นแบบนั้นสักข้อ

• เครื่องหมายซ้อนกันหลายชั้น พยางค์ไทยหนึ่งพยางค์มีสระบนหรือสระล่างได้ และมีวรรณยุกต์ซ้อนขึ้นไปอีกชั้น เครื่องหมายเล็ก ๆ หายไปตัวเดียว คำก็เปลี่ยน
• คำไม่มีช่องว่างคั่น ข้อความไทยหนึ่งบรรทัดคือสายอักษรที่ต่อเนื่องกัน ตัวอ่านที่เดาขอบเขตคำผิดจะคืนคำที่ไม่มีอยู่จริง
• ตัวเลขมีสองชุด เอกสารราชการพิมพ์เลขไทยคู่กับเลขอารบิก บางครั้งอยู่ในบรรทัดเดียวกัน
• ปีเป็นพุทธศักราช เอกสารที่ลงปี 2569 คือปี ค.ศ. 2026 ระบบที่เก็บปีตามที่พิมพ์โดยไม่แปลง จะคลาดไป 543 ปี
• ฟอนต์สมัยใหม่ไม่มีหัว ในฟอนต์ไม่มีหัว อักษรไทยหลายตัวคล้ายอักษรโรมัน เช่น ร กับ S หรือ พ กับ W ตัวอ่านที่ไม่แม่นจึงอ่านสลับกัน
• ไทยกับอังกฤษอยู่ในบรรทัดเดียวกัน ชื่อบริษัท หน่วย และรหัสสินค้า เขียนด้วยอักษรโรมันแทรกอยู่ในข้อความไทย

เครื่องมือที่อ่านหน้าภาษาอังกฤษได้ดี อาจพลาดได้ทุกข้อข้างต้น วิธีดึงข้อความจาก PDF และเอกสารสแกนภาษาไทยมีตัวอย่างว่าความผิดพลาดเหล่านี้หน้าตาเป็นอย่างไร

• วางกระดาษให้เรียบ แล้วถือโทรศัพท์ไว้เหนือกระดาษตรง ๆ
• ใช้แสงที่สม่ำเสมอ และอย่าให้เงามือหรือเงาโทรศัพท์ทับกระดาษ
• ถ่ายให้กระดาษเต็มเฟรม โดยเห็นครบทั้งสี่มุม
• ถ่ายหนึ่งหน้าต่อหนึ่งรูป
• ถ้ามีไฟล์ PDF ต้นฉบับให้ส่งไฟล์นั้น การสแกนกระดาษที่พิมพ์มาจาก PDF ทำให้คุณภาพตกลงสองทอดเมื่อเทียบกับไฟล์จริง

ลองกับหน้าที่แย่ที่สุดของคุณเอง หน้าตัวอย่างที่สะอาดบอกอะไรได้น้อย ส่วนใบเสร็จกระดาษความร้อนที่ยับบอกได้เยอะ

• เครื่องหมายและตัวเลข เทียบบรรทัดที่มีวรรณยุกต์ซ้อน และบรรทัดที่มีเลขไทย กับหน้ากระดาษจริง
• ตาราง ตารางควรกลับมาเป็นตาราง และตัวเลขทุกตัวยังอยู่ในคอลัมน์เดิม
• ลำดับการอ่าน หน้าที่มีสองคอลัมน์ ข้อความควรไล่ลงจนจบคอลัมน์แรก แล้วจึงขึ้นคอลัมน์ถัดไป
• ไฟล์ ดูว่ารับไฟล์รูปแบบใด และรับได้กี่หน้าต่อครั้ง
• ผลลัพธ์ Markdown เหมาะกับคนอ่านและโมเดลภาษา ส่วนบล็อกโครงสร้างเหมาะกับโปรแกรม
• หน่วยราคา บริการส่วนใหญ่คิดตามจำนวนหน้า และควรรู้จำนวนหน้าก่อนจ่ายเงิน

OCR คิดราคาตามจำนวนหน้า Paxa OCR Lite เป็นโมเดลที่เราพัฒนาเอง คิด 6.5 เครดิตต่อหน้า ไม่ว่าหน้านั้นจะมีข้อความมากหรือน้อย และรูปถ่ายหนึ่งรูปนับเป็นหนึ่งหน้า

เครดิตฟรี 100 เครดิตของบัญชีใหม่อ่านได้ 15 หน้า อัปโหลดหนึ่งครั้งรับไฟล์ PDF, PNG, JPEG, WEBP ได้สูงสุด 50 หน้า และ 10 MB

Paxa Document Extraction คิด 13 เครดิตต่อหน้า สำหรับรายการฟิลด์ไม่เกิน 50 ฟิลด์ย่อย และ 19.5 เครดิตต่อหน้าสำหรับรายการที่ยาวกว่านั้น โดยรวมค่าอ่านหน้ากระดาษไว้แล้ว

OCR กับการสแกนเหมือนกันไหม#

เครื่องสแกนหรือกล้องโทรศัพท์ทำหน้าที่ถ่ายภาพหน้ากระดาษ ส่วน OCR ทำหน้าที่อ่านภาพนั้น ไฟล์ PDF ที่สแกนมาโดยยังไม่ผ่าน OCR จึงเป็นเพียงชุดของรูปภาพ และเลือกข้อความในไฟล์ไม่ได้

OCR อ่านลายมือได้ไหม#

เครื่องมือ OCR ทุกตัวอ่านตัวพิมพ์ได้แน่นอนกว่าลายมือมาก และลายมือตัวบรรจงอ่านได้ดีกว่าโน้ตที่เขียนรีบ ๆ ควรลองกับเอกสารลายมือของคุณเองสักสองสามหน้า ก่อนวางขั้นตอนงานที่ต้องพึ่งผลลัพธ์นี้

ทำไมคัดลอกข้อความภาษาไทยจาก PDF แล้วสระเพี้ยน#

PDF บางไฟล์เป็นภาพสแกนที่ไม่มีข้อความอยู่ข้างใน บางไฟล์มีชั้นข้อความ แต่สระและวรรณยุกต์สลับที่เมื่อคัดลอกออกมา การใช้ OCR อ่านจากภาพของหน้ากระดาษแก้ได้ทั้งสองกรณี และคู่มือเรื่อง PDFอธิบายสาเหตุไว้

1. 01ลากไฟล์มาวางเปิดเครื่องมือเอกสาร แล้วลากไฟล์ PDF หรือรูปถ่ายมาวาง จำนวนหน้าและค่าใช้จ่ายจะแสดงก่อนเริ่มอ่าน
2. 02เลือกรูปแบบผลลัพธ์เลือก Markdown ถ้าจะอ่านผลเอง หรือเลือก มีโครงสร้าง ถ้าจะส่งต่อให้โปรแกรม
3. 03อ่านแล้วเทียบกดอ่านเอกสาร แล้วเทียบข้อความกับหน้ากระดาษ โดยเริ่มจากตัวเลข
4. 04ดึงเฉพาะฟิลด์สำหรับใบกำกับภาษีหรือใบเสร็จ ให้เปิดเครื่องมือสกัดข้อมูล แล้วเริ่มจากรายการฟิลด์สำเร็จรูป

• ดูใบกำกับภาษีภาษาไทยที่อ่านออกมาทีละฟิลด์ที่หน้า OCR
• อ่านวิธีป้อนเอกสารภาษาไทยให้ LLM ถ้าข้อความจะถูกส่งต่อให้โมเดลภาษา
• อ่านวิธีแปลง PDF ภาษาไทยเป็นดัชนีค้นหา ถ้าข้อความจะถูกนำไปทำระบบค้นหา