OCR POC

OCR strategy Auto — try vision model, fall back to Tesseract Tesseract only (in-browser) Vision model only (/api/vision) Tesseract languages Thai + English English Thai Chinese (simplified) + English Japanese + English Vietnamese + English รอให้กด “เริ่มอ่าน” ก่อน (อัปโหลดแล้วตั้งค่า/ตีกรอบบนหน้าจริงก่อนค่อยอ่าน) Force OCR even if the PDF has a text layer Turn sideways pages upright before OCR (หมุนหน้าที่วางตะแคง) Straighten tilted scans before OCR (แก้เอียงก่อนอ่าน) Trim page margins and scanner edges before OCR (ตัดขอบก่อนอ่าน) Image clean-up before OCR (ปรับภาพก่อนอ่าน) Auto — flatten background, sharpen (แนะนำ) Auto + local threshold — for uneven scans (สแกนพื้นหลังไม่เรียบ) Off — send the page as scanned (ปิด) Emphasise coloured ink (เน้นหมึกสี เช่น ลายมือปากกาน้ำเงิน) Render pages at 300 dpi (ละเอียดขึ้น ช้าลง ~2 เท่า) Skip auto boxes with nothing to read (ไม่ต้อง label ช่องที่มีแต่ . … - หรือเส้นประ) สกัดประเภทเอกสาร (ใส่เป็นฟิลด์แรกและตีกรอบหัวเรื่องให้) หา QR code แล้วอ่านค่าให้ (ซ่อมโค้ดที่แหว่ง/ขาดก่อนอ่าน แสดงเป็นฟิลด์บนสุดสีม่วง) Let the model think before answering (slower, more careful) AI second pass for ambiguous fields (อ่านซ้ำด้วย AI) Off — re-read manually per page Auto: suggest, I accept each value Auto: apply suggestions directly AI re-read method Vision model re-reads the crop (larger) LLM guesses the word from context Vision re-read, then LLM check Re-guess only when the text looks less than … meaningful (ต่ำกว่านี้จึงเดาใหม่) 50 % — change very rarely 60 % 70 % 80 % (default) — below this the model must re-guess 90 % — change readily Let the LLM also normalise formats (dates → YYYY-MM-DD, amounts → plain numbers)