把泰语文档的照片读出来
一份文档，从头到尾#
这是 OCR 页面发布的样张：一张按真实样式排版的泰国税务发票。下方是模型自己的识别结果，已原样捕获并固定，再往下是这份识别结果读出来的声音。
ใบกำกับภาษี เล่มที่ 001 เลขที่ 0042 วันที่ ๓๐ มิถุนายน ๒๕๖๙ จำนวนเงินรวมทั้งสิ้น หนึ่งพันเจ็ดร้อยหกสิบห้าบาทห้าสิบสตางค์
读出的是文档自己的抬头和合计金额。泰文数字和用文字拼写的金额，是泰国发票的两个难点，这一行两者都有。
# บริษัท ศตวรรษการค้า จำกัด (สำนักงานใหญ่)
๙๙ ถนนพระราม ๙ แขวงห้วยขวาง เขตห้วยขวาง กรุงเทพมหานคร ๑๐๓๑๐
เลขประจำตัวผู้เสียภาษี 0 1055 64078 12 7
# ใบกำกับภาษี
TAX INVOICE
ต้นฉบับ
เล่มที่ 001 เลขที่ 0042
วันที่ ๓๐ มิถุนายน ๒๕๖๙
ชื่อผู้ซื้อ | บริษัท กรุณาไทย จำกัด
--- | ---
ที่อยู่ | ๑๒๓ ซอยสุขุมวิท ๖๓ แขวงคลองตันเหนือ เขตวัฒนา กรุงเทพมหานคร ๑๐๑๑๐
เลขประจำตัวผู้เสียภาษี | 0 1055 61045 67 8
| ลำดับ | รายการ | จำนวน | หน่วยละ | จำนวนเงิน |
| --- | --- | --- | --- | --- |
| ๑ | เสื้อโปโลพนักงานปักโลโก้ | ๑๒ | 120.00 | 1,440.00 |
| ๒ | แก้วเซรามิกพิมพ์ลาย | ๕ | 30.00 | 150.00 |
| ๓ | กล่องบรรจุภัณฑ์ | ๓ | 20.00 | 60.00 |
| | | | รวมเงิน | 1,650.00 |
| --- | --- | --- | --- | --- |
| | | | ภาษีมูลค่าเพิ่ม 7% | 115.50 |
| | | | จำนวนเงินรวมทั้งสิ้น | 1,765.50 |
( หนึ่งพันเจ็ดร้อยหกสิบห้าบาทห้าสิบสตางค์ )逐字原样捕获，包括识别错误的地方。这里没有任何内容经过人工修改。
三个步骤，一个账户#
拍照的人不需要了解这些。写在这里，是因为开发它的人需要知道。
传入照片
PDF 或手机拍的照片，最多 50 页。格式根据文件字节自动识别。不需要声明格式，也不需要先转换。
返回识别结果
要朗读的内容用 Markdown，结构重要时用带类型的区块。表格和信件在这里需要不同的结果，一开始就请求合适的那种，可以省去之后的猜测。
由音色朗读
文本交给语音合成，音色按朗读篇幅选定。这个请求本身并不知道文本来自一张照片，所以它和其他任何请求都一样。
两项费用遵循同一规则：识别按页计费，语音按字符计费，任何一方失败都会自动退款。
常见问题#
它能识别版面，还是只识别文字？
两者都可以，由您选择。Markdown 把标题、列表和表格保留为音色可以顺着读的文本。带类型的区块返回同样的内容，并完整保留结构，适合由您的应用决定读什么、按什么顺序读的场景。
带手写内容的表格怎么办？
识别结果出自模型，并按原样返回。文档哪里不清楚，识别结果那里也会不清楚。正因如此，上面的样张发布时保留了其中的错误。
如何计费？
按两个普通请求计费。识别按页计费，朗读按字符计费，失败的请求两边都不收费。
能在手机上运行吗？
这些请求都是普通的 HTTPS 调用。手机负责拍照和播放，中间的两次调用由您的服务器完成。音频可以流式传输，整页还没读完，最先的几个词就已经到达。
它能代替真人朗读吗？
不能，我们也不把它当作替代品提供。它面向的是那些本来就不会有人有空来读的文档：周二下午送到、周三之前就要用的那些。