Что делает Google Document AI OCR
Enterprise Document OCR — один из процессоров Document AI в Google Cloud. Вы отправляете PDF или изображение (PDF, GIF, TIFF, JPEG, PNG, BMP или WebP; DOCX находится в закрытой предварительной версии) и получаете в ответ объект Document в формате JSON с текстом, страницами, блоками, строками, токенами и их положением. Сервис распознаёт печатный и рукописный текст, может объединять встроенный текст цифровых PDF с результатами OCR (нативный разбор PDF) и оценивает качество изображения каждой страницы от 0 до 1; если оценка ниже 0,5, он перечисляет вероятные дефекты, такие как размытие, блики или обрезанный текст. По данным Google, поддерживается более 200 языков; для дюжины из них, включая иврит, тайский, тамильский и телугу, рукописный текст отмечен как неподдерживаемый.
Настройка выполняется по обычной схеме Google Cloud: создайте проект, включите Document AI API, создайте процессор Enterprise Document OCR в выбранном регионе (США, ЕС и несколько других) и обращайтесь к нему через REST API или клиентские библиотеки. Онлайн-запросы (синхронные) принимают до 15 страниц и 40 МБ (30 страниц в режиме без изображений); пакетные запросы принимают до 500 страниц на документ, 1 ГБ на файл и 5.000 файлов в одном запросе. Стабильные версии модели — pretrained-ocr-v2.0-2023-06-02 и pretrained-ocr-v2.1-2024-08-07; версия v2.1.1 является релиз-кандидатом за пределами США и ЕС.
