olmOCR – Công cụ chuyển đổi hình ảnh, PDF sang văn bản thuần túy
olmOCR là một công cụ OCR mã nguồn mở do Allen Institute for AI (AI2) phát triển. Nó cho phép bạn chuyển đổi các tài liệu dạng ảnh (PDF scan, PNG/JPEG chứa chữ) thành văn bản thuần (plain text) hoặc Markdown, với chất lượng cao và trình tự đọc đúng tự nhiên.
Tính năng nổi bật của olmOCR
- Chuyển PDF/ảnh thành text sạch
Hỗ trợ đầu vào là PDF, PNG, JPEG để xuất ra văn bản thuần hoặc Markdown, giữ đúng thứ tự đoạn văn, bảng biểu, công thức toán và chữ viết tay. - Tái tạo cấu trúc tài liệu
Tự động loại bỏ header/footer, nhận diện các phần như mục, bảng biểu, hình vẽ, trang nhiều cột/tấm ảnh. - Thuật toán AI tiên tiến
Sử dụng mô hình “7B” vision-language đã được tinh chỉnh trên hơn 260.000 trang, bao gồm dữ liệu phức tạp như sách cũ, bảng, và chữ viết tay. - Xử lý hàng loạt & chi phí tối ưu
Thiết kế để xử lý hàng loạt tài liệu—1 triệu trang PDF chỉ tốn ~190 USD, thấp hơn nhiều so với các dịch vụ thương mại như GPT‑4o. - Hỗ trợ đa nền tảng & dễ triển khai
Có thể dùng Docker, GPU (NVIDIA 20 GB VRAM)—có phiên bản demo trực tuyến; cũng chạy trên hệ thống AWS S3, beaker cluster, hoặc máy chủ Docker.
Điểm mạnh
- Miễn phí và mã nguồn mở (Apache‑2.0) do AI2 phát hành.
- Độ chính xác cao trong việc trích xuất và cấu trúc tài liệu, bao gồm cả bảng và công thức.
Cách sử dụng
- Sử dụng trực tuyến: truy cập https://olmocr.allenai.org
Khi nào nên dùng olmOCR?
- Khi bạn cần lỗi nhỏ trong tài liệu, chuyển đổi hàng loạt PDF/scan thành text hoặc Markdown chuẩn.
- Khi quan tâm đến cấu trúc văn bản như bảng, công thức, layout phức tạp.
- Khi muốn giải pháp mã nguồn mở, triển khai nội bộ, không phụ thuộc dịch vụ đám mây hoặc subscription.