OCR tiếng Việt bằng AI mã nguồn mở: số hóa hóa đơn, hợp đồng trên GPU riêng

Tóm tắt: Năm 2026, OCR đã chuyển sang các mô hình thị giác–ngôn ngữ (VLM) đọc được cả bố cục, bảng, công thức và chữ viết tay. PaddleOCR-VL chỉ 0,9 tỷ tham số, giấy phép Apache-2.0, hỗ trợ tiếng Việt trong hơn 100 ngôn ngữ; DeepSeek-OCR và dots.ocr dùng giấy phép MIT. Các mô hình này chạy tốt trên GPU tầm trung, nên doanh nghiệp có thể tự xử lý tài liệu trên GPU riêng, không phải gửi hóa đơn, hợp đồng chứa dữ liệu khách hàng ra dịch vụ bên ngoài.

Vì sao OCR thế hệ mới khác Tesseract?

OCR truyền thống nhận từng ký tự theo mẫu, dễ sai với bảng, nhiều cột, ảnh chụp nghiêng. Mô hình VLM hiểu cấu trúc tài liệu: đọc bảng thành bảng, giữ thứ tự đọc qua nhiều cột, xuất Markdown, JSON hay HTML để đưa thẳng vào phần mềm khác (Hugging Face, InsiderLLM).

So sánh mô hình OCR mã nguồn mở

Mô hìnhKích thướcGiấy phépNgôn ngữĐiểm mạnh
PaddleOCR-VL-1.60,9 tỷApache-2.0100+ (có tiếng Việt)Bố cục, bảng, biểu đồ, chữ viết tay
DeepSeek-OCRkhoảng 3 tỷ (MoE)MITkhoảng 100Bảng, biểu đồ, chữ viết tay
dots.ocrkhoảng 1,7 tỷMITkhoảng 100Đa năng, nhiều ngôn ngữ
GOT-OCR 2.0khoảng 580 triệuApache-2.020+Công thức toán, tài liệu khoa học

Nguồn: Spheron; danh sách ngôn ngữ có tiếng Việt theo tài liệu PaddleOCR-VL. Trên bộ đánh giá OmniDocBench v1.6, PaddleOCR-VL-1.6 đạt 96,33% điểm tổng.

Để so sánh: dùng mô hình đa năng cỡ lớn như Qwen2.5-VL-72B cho OCR cần từ 48GB VRAM (nén 4-bit), trong khi PaddleOCR-VL cần chưa đến 1GB cho phần mô hình (InsiderLLM).

Tốc độ và GPU cần có

  • Theo bài báo của nhóm PaddleOCR, PaddleOCR-VL xử lý khoảng 1,2 trang/giây trên A100 khi chạy theo lô lớn (InsiderLLM).
  • Theo Spheron, khi cần vượt khoảng 45 trang/phút với PaddleOCR-VL-1.6, chuyển lên A100 80GB nâng trần lên khoảng 60 trang/phút (Spheron).
  • Với khối lượng vài nghìn đến vài chục nghìn trang mỗi tháng, một GPU RTX 4060 đến 4090 thuê theo giờ thường đủ; chạy theo đợt rồi tắt máy.

Con số thực tế phụ thuộc độ phân giải bản scan, số trang có bảng và cách chạy theo lô — hãy đo trên tài liệu của chính bạn.

Vì sao nên chạy OCR trên GPU riêng?

  • Dữ liệu cá nhân: hóa đơn, hợp đồng, hồ sơ nhân sự chứa thông tin khách hàng và người lao động. Luật Bảo vệ dữ liệu cá nhân có hiệu lực từ 1/1/2026 đặt ra trách nhiệm rõ ràng khi chuyển dữ liệu cho bên thứ ba xử lý.
  • Chi phí theo khối lượng: dịch vụ OCR đám mây tính tiền theo trang (ví dụ Google Cloud Vision khoảng 1,5 USD cho 1.000 trang theo InsiderLLM); khối lượng lớn thì GPU theo giờ có thể rẻ hơn.
  • Tùy biến: tinh chỉnh mô hình cho mẫu biểu riêng của doanh nghiệp.

Quy trình số hóa tài liệu

  1. Thu thập: scan hoặc chụp tài liệu, độ phân giải tối thiểu khoảng 200–300 dpi.
  2. Nhận dạng: chạy mô hình OCR, xuất Markdown hoặc JSON.
  3. Trích xuất trường: dùng quy tắc hoặc mô hình ngôn ngữ để lấy số hóa đơn, mã số thuế, ngày, tổng tiền.
  4. Kiểm tra: người kiểm tra các trường có độ tin cậy thấp, nhất là dấu tiếng Việt và con số.
  5. Đưa vào hệ thống: ERP, phần mềm kế toán, kho tài liệu hoặc chatbot hỏi đáp nội bộ — xem chạy chatbot AI cục bộ.
GPUVRAMGiá theo giờPhù hợp
RTX 3090 24GB 12.000đ Tạo ảnh Flux, video AI, LoRA Dùng thử

Giá tính theo giờ sử dụng thực tế, chưa gồm VAT nếu có. Cập nhật: 14/11/2026.

Câu hỏi thường gặp

Mô hình OCR mã nguồn mở nào đọc được tiếng Việt?

PaddleOCR-VL có tiếng Việt trong danh sách ngôn ngữ hỗ trợ; DeepSeek-OCR và dots.ocr hỗ trợ khoảng 100 ngôn ngữ. Nên chạy thử trên tài liệu thật để đánh giá độ chính xác dấu.

Có dùng OCR mã nguồn mở cho mục đích thương mại được không?

PaddleOCR-VL (Apache-2.0), DeepSeek-OCR và dots.ocr (MIT) cho phép dùng thương mại; vẫn nên đọc giấy phép bản bạn tải về.

OCR hóa đơn cần GPU gì?

Mô hình nhỏ như PaddleOCR-VL chạy tốt trên GPU tầm trung; khối lượng lớn và cần nhanh thì dùng RTX 4090 hoặc GPU datacenter.

Tự chạy OCR có an toàn dữ liệu hơn dịch vụ đám mây không?

Tài liệu được xử lý trên GPU dành riêng, không gửi sang dịch vụ OCR bên thứ ba; doanh nghiệp vẫn cần hợp đồng xử lý dữ liệu với đơn vị cho thuê hạ tầng.

Nguồn tham khảo

Về tác giả

Dang Tan Dat

Dang Tan Dat Kỹ sư hạ tầng GPU và Gaming

10 năm kinh nghiệm trong vận hành các nền tảng ảo hóa, GPU và gaming

Cloud gamingOBSHyper VWindows server

Bài viết tuân theo chính sách biên tập. Thấy thông tin sai? Báo cho chúng tôi.

Zalo
RTX theo giờ từ 5.000đDùng thử