AI-OCR chữ viết tay

Nhận dạng chữ viết tay tiếng Nhật cần hiểu cả ký tự và biểu mẫu

Văn bản tiếng Nhật có thể kết hợp hiragana, katakana, kanji, chữ cái Latin và chữ số. Riêng kanji đã có 2.136 chữ trong danh sách chữ Hán thường dùng làm tham chiếu cho đời sống xã hội (Cơ quan Văn hóa Nhật Bản, 2010). Nếu tính cả tên người và địa danh, số dạng chữ cần xử lý còn nhiều hơn. Chữ viết tay cũng có những khó khăn sau:

• Nét viết liền và cách viết biến dạng khác nhau đáng kể giữa từng người.
• Chữ có thể tràn khỏi ô, bị mờ, có dấu gạch sửa hoặc chồng lên con dấu.
• Có những chữ không thể phân biệt chỉ dựa vào hình dạng, như kanji 「力」 với katakana 「カ」, hoặc 「口」 với 「ロ」.

Phương pháp nhận dạng chủ yếu dựa vào hình dạng ký tự cần bổ sung ngữ cảnh trước sau và ý nghĩa của ô biểu mẫu. Nếu tách sai ranh giới chữ trong nét viết liền, lỗi có thể lan sang các ký tự tiếp theo. Những ký tự có hình dạng khó phân biệt cũng không thể được xác định nếu thiếu ngữ cảnh.

Ngay cả các mô hình AI mới có thể xử lý đồng thời hình ảnh và ngôn ngữ vẫn gặp khó khăn với chữ viết tiếng Nhật, đặc biệt là kanji (Maeda & Okazaki, 2026). Mặt khác, một nghiên cứu ghi nhận việc dùng mô hình ngôn ngữ hiệu chỉnh kết quả nhận dạng đã nâng độ chính xác khi đọc tên công ty trên biểu mẫu từ 85,4% lên 94,8% (Fujitake, 2024). Kết hợp nhận dạng hình dạng với hiểu ngữ cảnh là chìa khóa để đạt độ chính xác có thể ứng dụng thực tế.

Cách tiếp cận

Technica AI kết hợp AI xử lý hình ảnh và văn bản, nhận dạng ký tự, cùng bước đối chiếu riêng cho từng trường. Chúng tôi thiết kế hệ thống tận dụng ngữ cảnh của dòng và ô biểu mẫu, đồng thời cho phép xác minh các giá trị quan trọng trong nghiệp vụ.

1. Hiểu cấu trúc biểu mẫu: Nhận diện vị trí ô và tên trường như họ tên, địa chỉ, ngày tháng, số lượng để xác định loại thông tin cần có ở mỗi ô.
2. Đọc theo ngữ cảnh: Đọc liền mạch cả chuỗi ký tự, suy luận chữ bị biến dạng hoặc khó phân biệt từ các ký tự xung quanh và ý nghĩa của trường.
3. Đối chiếu từng trường: Kiểm tra định dạng ngày tháng và số; đối chiếu mã bưu chính với địa chỉ hoặc kiểm tra với dữ liệu danh mục khi phù hợp.
4. Trả kết quả kèm độ tin cậy: Gắn điểm tin cậy cho từng kết quả để khoanh vùng những trường cần người dùng kiểm tra.
5. Thiết kế theo khối lượng xử lý: Tính đến tốc độ xử lý và chi phí dựa trên lưu lượng thực tế khi đưa vào vận hành.

Giá trị kinh doanh

• Giảm công việc nhập liệu

  Giảm thời gian nhập tay và kiểm tra hai lần, tập trung việc kiểm tra vào những mục thực sự cần xác nhận.

• Dùng được khi biểu mẫu thay đổi

  AI hiểu ý nghĩa của từng ô, giúp giảm công sức phải thiết lập lại vị trí đọc chi tiết cho từng biểu mẫu.

• Biến thông tin trên giấy thành tri thức

  Đưa hồ sơ viết tay như biên bản kiểm tra và ghi chép hiện trường vào dữ liệu để tìm kiếm hoặc phân tích bằng RAG.

Lưu ý khi ứng dụng

• Độ chính xác nhận dạng chữ viết tay phụ thuộc nhiều vào người viết, tình trạng giấy và thiết kế biểu mẫu. Nên đánh giá độ chính xác trên các biểu mẫu thực tế của doanh nghiệp trước khi triển khai.
• Với các trường có ảnh hưởng lớn như số tiền hoặc số tài khoản, cần kết hợp đối chiếu và người kiểm tra dựa trên độ tin cậy, thay vì chỉ dựa vào điểm tin cậy của mô hình.

Sản phẩm liên quan

• AIKNOW Capture

  Chuyển tài liệu, kể cả tài liệu viết tay, thành tri thức mà vẫn giữ nguyên cấu trúc.

Tài liệu tham khảo

• Cơ quan Văn hóa Nhật Bản (2010). Danh sách chữ Hán thường dùng (Thông báo Nội các số 2, năm Heisei 22). https://www.bunka.go.jp/kokugo_nihongo/sisaku/joho/joho/kijun/naikaku/pdf/joyokanjihyo_20101130.pdf
• Maeda, K. & Okazaki, N. (2026). JaWildText: A Benchmark for Vision-Language Models on Japanese Scene Text Understanding. arXiv:2603.27942. https://arxiv.org/abs/2603.27942
• Fujitake, M. (2024). JaPOC: Japanese Post-OCR Correction Benchmark using Vouchers. arXiv:2409.19948. https://arxiv.org/abs/2409.19948
• Kim, G. et al. (2022). OCR-free Document Understanding Transformer. arXiv:2111.15664. https://arxiv.org/abs/2111.15664