一份打印效果完美的泰语 PDF，提取出来的文字仍可能是乱的。它的文本层可能丢掉辅音上下方的元音符号和声调符号，或者把它们存成错误的顺序；扫描件则根本没有文本层。正因如此，大多数泰语文档处理都从 OCR 开始。泰语 PDF 指南列出了每种故障及其产生的字符串。
OCR 之后怎么处理，取决于具体任务。语言模型需要 Markdown，会计系统需要带类型的字段。输出格式、页面上的语言，以及服务可以部署在哪里，决定了哪些服务商留在候选名单上。
下文关于各服务商的每条信息都链接到该服务商自己的文档，以我们的对比页面在 2026 年 10 月核实的内容为准。我们不给任何服务商打分或排名。各家公布的价格见 OCR API 对比，每月复核一次。
先确认支持泰语#
Amazon Textract 可以检测英语、法语、德语、意大利语、葡萄牙语和西班牙语文字，手写体只支持英语。它的语言列表中没有泰语。
Azure Document Intelligence 的 Read 和 Layout 模型在印刷体和手写体两项中都列出了泰语，语言代码可以不填。Mistral 的语言列表把泰语列在东南亚语言之下。LlamaParse 的 OCR 可以选填预期语言列表，其 API 参考中包含 th。
Paxa OCR Lite 以泰语为先，其他语言按印刷原样读取，包括泰语与英语混排、泰文数字与阿拉伯数字混排的页面。
要交给 LLM 或搜索索引的泰语 PDF#
语言模型读取的是文本，表格一旦被压平成一串词，就会丢失行的结构。Markdown 用纯文本字符保留标题、列表和表格。
Paxa OCR Lite 按阅读顺序逐页返回 GitHub 风格的 Markdown，包含标题、列表和表格；也可以把同一次读取的结果返回为带类型的块。单次请求最多读取 50 页、10 MiB 的 PDF、PNG、JPEG 或 WebP 文件。
Mistral OCR 逐页返回 Markdown，表格可以内嵌在正文中，也可以单独输出为 Markdown 或 HTML，页面中的图片会与文字一并提取。LlamaParse 除 Fast 档位外，各档位都返回带标题和表格的 Markdown，Fast 档位只返回不带 Markdown 的纯文本。Azure Document Intelligence 的 Layout 模型可以返回 Markdown，v4.0 中表格以 HTML 写出。
泰语文档输入 LLM 指南和搜索索引指南从 Markdown 这一步接着往下讲，知识库页面展示了工作流程。
您自己定义的字段#
文档字段提取返回带名称的值，例如卖方的税号或发票总额，可以直接写入数据库的一行。
Paxa Document Extraction 在一次响应中填写带类型的 schema，最多 100 个叶子字段，文档最多 20 页。每个值都是文档中印刷的文字，或者是附带原因的 null。它不返回置信度分数。
Mistral 的 annotations 可以为整份文档或每个图像区域填写 Pydantic、Zod 或 JSON schema，支持嵌套对象、数组和枚举。LlamaParse Extract 以需要轮询的任务形式填写最多 5,000 个属性的 JSON schema，并且可以为每个字段附上引用和置信度分数。
把同一组字段写进每家服务商的 schema，再用同一份真实文档分别测试这三家。然后比较哪些字段返回为空或出错，以及原因。Document Extraction 页面展示了一张填写完成的泰国税务发票。
泰语发票、收据和证件号码#
Azure Document Intelligence 的预构建发票模型在支持语言中列出了泰语，在支持货币中列出了 THB，它的收据模型同样列出了泰语。Amazon Textract 的常见问题写明，它只处理英语的发票、收据和身份证件。
Paxa Document Extraction 内置了泰国文档专用的字段类型。13 位泰国识别号会按校验位验证，府、银行、保险公司和法人类型会与服务自带的对照表匹配。无论日期写的是佛历还是公历，都能读取。
手写表单#
Azure Document Intelligence v4.0 的手写体语言表为 Read 和 Layout 模型列出了十二种语言，其中包括泰语。Amazon Textract 只能识别英语手写体。
请用由多人填写的表单来测试，并按您的用户实际拍摄的方式拍照。
Office 文件和超长文档#
Azure Document Intelligence 的 Read 和 Layout 模型除 PDF 和图片外，还接受 DOCX、PPTX 和 XLS，其 Standard 档位可分析最多 2,000 页、500 MB 的文档。Mistral OCR 接受 PPTX 和 DOCX，上限为 50 MB 和 1,000 页。
LlamaParse 能读取 130 多种文件类型，Parse 接受最大 512 MB 的文件，且不限页数。
Paxa OCR Lite 读取 PDF、PNG、JPEG 和 WebP，每次请求最多 50 页、10 MiB。Office 文件请先导出为 PDF，更长的文档请拆分成几部分。
部署在您自己的基础设施上#
有些团队必须在自己的网络内部读取文档。按照 Azure Document Intelligence 的容器指南，Read 和 Layout 模型，以及发票、收据和身份证件模型，都可以作为 Docker 容器在本地部署运行。
根据 LlamaIndex 的自托管页面，Enterprise 套餐可以通过 Helm chart 在您自己的 Kubernetes 集群上运行 Parse 和 Extract。Mistral 的 OCR 4 发布公告介绍了一种单容器的自托管部署方式，面向企业客户提供。
任务与服务商一览#
| 任务 | 文档写明适合该任务的服务商 |
|---|---|
| 泰语 PDF 转 Markdown | Azure Document Intelligence、LlamaParse、Mistral OCR、Paxa OCR Lite |
| 您自己编写的 schema | LlamaParse Extract、Mistral annotations、Paxa Document Extraction |
| 泰语发票、收据和证件号码 | Azure Document Intelligence、Paxa Document Extraction |
| 泰语手写体 | Azure Document Intelligence |
| Office 文件和长文档 | Azure Document Intelligence、LlamaParse、Mistral OCR |
| 您自己的基础设施 | Azure Document Intelligence、LlamaParse、Mistral OCR |
用您自己的文档测试#
- 收集真实页面，例如干净的数字 PDF、手机拍摄的照片、传真过来的表单，以及带表格的页面。
- 把同一批页面交给您的任务下列出的每家服务商。
- 先检查泰文符号，也就是每个辅音上下方的元音符号和声调符号，以及它们返回时的顺序。
- 对照印刷页面，核对泰文数字、佛历年份和金额。
- 对于字段提取，列出返回为空或出错的字段，并查明原因。
- 在 OCR 页面查看一张泰国税务发票被读取为 Markdown 和字段的结果。
常见问题#
泰语 OCR 该选哪一家？#
选适合您任务的那一家。把您的文档和所需的输出对应到上文的某项任务，再用您自己的文件测试该任务列出的服务商。
OCR 和文档字段提取有什么区别？#
OCR 返回每一页的文字，形式为 Markdown 或结构化块。文档字段提取则从同一个文件中填写带名称的字段，例如发票号码或日期。Paxa OCR Lite 负责前者，Paxa Document Extraction 负责后者。
同一条流程可以同时使用其中几项服务吗？#
可以。按任务为每份文档选择路由，例如把幻灯片交给一项服务，把扫描的泰语表单交给另一项服务。之后，您的代码针对每项服务各读取一种响应格式。
价格在哪里查看？#
在 OCR API 对比中，那里列出了各服务商公布的每 1,000 页价格，每月复核一次。
你们会公布准确率对比吗？#
不会。我们不公布任何模型的准确率、质量或速度数据。请把同一批文档交给您考虑的每项服务，再比较输出结果。