OpenThai 2.0 OCR Markdown

อ่านหน้าเอกสารภาษาไทยหรืออังกฤษออกมาเป็น Markdown ตารางทุกตารางออกมาเป็นตาราง HTML พร้อมเซลล์ผสาน (rowspan และ colspan) หัวตารางหลายชั้นของแบบฟอร์มราชการจึงไม่หาย และทุกบล็อกในหน้ามีประเภทและกรอบตำแหน่งของตัวเอง ผลลัพธ์ส่งเข้าระบบค้นหา ระบบ RAG หรือ prompt ของโมเดลภาษาได้ทันที

API นี้รัน OpenThai 2.0 OCR Markdown โมเดลแบบเปิดของ iApp โดยตรง ไม่มีระบบอื่นคั่นกลาง ทุกหน้าอ่านด้วยตัวโมเดลเอง บนหน้าเอกสารราชการและมหาวิทยาลัยไทยที่มีตาราง 65 หน้า ได้ 95.2 คะแนน หน้าละ 0.15 IC

POST/v3/store/ocr/document/markdownทดลองใช้

• ราคา0.15 ICต่อหน้า
• ความแม่นยำ95.2
• รองรับ19,200 หน้า/ชั่วโมง

• v1.0.0-20261112
• อัปเดต 12 พ.ย. 2569
• ใช้งานได้

Input

OutputPOST /v3/store/ocr/document/markdown

{
  "markdown": "๑ เอกสารแนบ
รายชื่อแบบรายงานที่กำหนดให้ผู้ประกอบธุรกิจรายงาน

<table><tr><th colspan="1" rowspan="2">แบบรายงาน</th> ...</table>",
  "pages": [
    {
      "page": 1, "width": 1696, "height": 1199,
      "markdown": "...",
      "blocks": [
        { "class": "Text", "bbox": [628, 95, 1484, 178], "text": "..." },
        { "class": "Table", "bbox": [136, 182, 1615, 1071], "text": "<table>...</table>" }
      ],
      "truncated": false
    }
  ],
  "time": 1.5,
  "version": "v1.0.0-20261112",
  "iapp": { "page": 1, "char": 2234 }
}

แสดง Markdown และตารางเพียงบางส่วน หน้านี้มี 4,001 ตัวอักษร

ฟิลด์ทั้งหมดอยู่ในหัวข้อ Response

Request

curl -X POST https://api.iapp.co.th/v3/store/ocr/document/markdown \
  -H "apikey: YOUR_API_KEY" \
  -F "file=@document.pdf"

Response

200OK ฟิลด์อธิบายไว้ในหัวข้อ Response

{
  "markdown": "๑ เอกสารแนบ
รายชื่อแบบรายงานที่กำหนดให้ผู้ประกอบธุรกิจรายงาน

<table><tr><th colspan="1" rowspan="2">แบบรายงาน</th> ...</table>",
  "pages": [
    {
      "page": 1, "width": 1696, "height": 1199,
      "markdown": "...",
      "blocks": [
        { "class": "Text", "bbox": [628, 95, 1484, 178], "text": "..." },
        { "class": "Table", "bbox": [136, 182, 1615, 1071], "text": "<table>...</table>" }
      ],
      "truncated": false
    }
  ],
  "time": 1.5,
  "version": "v1.0.0-20261112",
  "iapp": { "page": 1, "char": 2234 }
}

ตัวอย่างตารางคือหน้าแรกของเอกสารแนบท้ายประกาศธนาคารแห่งประเทศไทย ที่ 60/2569 เรื่องรายงานที่ผู้ประกอบธุรกิจเช่าซื้อและลีสซิ่งต้องส่ง ประกาศเมื่อ 6 พฤศจิกายน 2569 ข้อความใน PDF ของหน้านี้ใช้ไม่ได้ คัดลอกออกมาแล้วเป็นอักขระที่อ่านไม่ออก จึงอ่านได้ด้วย OCR เท่านั้น ที่มา: ราชกิจจานุเบกษา ผ่าน open-law-data-thailand/soc-ratchakitcha สัญญาอนุญาต CC BY 4.0

Request

multipart/form-data หนึ่งเอกสารต่อหนึ่งคำขอ

Headers

apikeystringrequired

API key ของคุณ สร้างได้ที่เมนู API Keys ในแผงควบคุม ส่งเป็นพารามิเตอร์ apikey ใน URL ก็ได้

Body

filefilerequired

เอกสาร: PDF หรือภาพ (JPEG, PNG, WebP, TIFF หรือ BMP) TIFF หลายหน้าจะอ่านทีละหน้า ไม่เกิน 50 MB และ 100 หน้า

Endpoint	ผลลัพธ์	ต่อหน้า
/v3/store/ocr/document/markdown	Markdown ที่มีตาราง HTML และบล็อกของแต่ละหน้าพร้อมประเภทและกรอบตำแหน่ง	0.15 IC

ถ้าต้องการข้อความล้วน หรือไฟล์ Word, PowerPoint, Excel หรือ PDF ที่ค้นหาข้อความได้ ใช้ OpenThai 2.0 OCR Text เริ่มต้นหน้าละ 0.049 IC

Response

JSON โดย Header iapp-input-pages บอกจำนวนหน้าที่อ่านได้ครบ ค่าบริการคือจำนวนนั้นคูณ 0.15 IC

markdownstring

เอกสารทั้งฉบับเป็น Markdown เรียงตามหน้า ตารางเป็น HTML

pagesarray

หนึ่งรายการต่อหนึ่งหน้า

pages.pageinteger

เลขหน้า เริ่มจาก 1

pages.widthpages.heightinteger

ขนาดภาพหน้าที่อ่าน เป็นพิกเซล หน้า PDF อ่านที่ 200 dpi

pages.markdownstring

หน้านั้นเป็น Markdown

pages.blocksarray

บล็อกในหน้า เรียงตามลำดับการอ่าน

pages.blocks.classstring

ประเภทของบล็อก เช่น Title, Section-header, Text, Table, Picture, Footnote, Page-header หรือ Page-footer

pages.blocks.bboxarray

กรอบของบล็อก [x0, y0, x1, y1] เป็นพิกเซลของภาพหน้า นับจากมุมซ้ายบน

pages.blocks.textstring

เนื้อหาของบล็อก ถ้าเป็น Table คือตารางในรูป HTML

pages.truncatedboolean

true ถ้าหน้านั้นถูกตัดที่ขีดจำกัดโทเค็น markdown ของหน้านั้นจะว่าง และไม่คิดค่าบริการหน้านั้น

timefloat

เวลาที่ใช้อ่าน เป็นวินาที

versionstring

เวอร์ชันของบริการ

iappobject

iapp.pageinteger

จำนวนหน้าที่อ่านได้ครบ ซึ่งเป็นหน้าที่คิดค่าบริการ

iapp.charinteger

จำนวนตัวอักษรที่อ่านได้

Status	เมื่อ	คิดค่าบริการ
400	ไม่มีฟิลด์ file หรือไฟล์ว่าง	ไม่คิด
401	ไม่มี API key หรือ key ไม่ถูกต้อง	ไม่คิด
413	เกิน 50 MB หรือเกิน 100 หน้า	ไม่คิด
415	ไฟล์ที่อ่านไม่ได้ ชนิดไฟล์ที่รับอยู่ใน accepted	ไม่คิด
422	ไม่มีหน้าใดอ่านได้ครบ	ไม่คิด
503	บริการไม่พร้อมใช้งานชั่วคราว ลองใหม่อีกครั้ง	ไม่คิด

รายละเอียด

ผลการทดสอบ

ผลทดสอบของโมเดล ใช้หน้าเอกสารและสคริปต์ให้คะแนนชุดเดียวกันกับทุกโมเดล:

ทุกโมเดลอ่านหน้าเดียวกันและให้คะแนนด้วยสคริปต์เดียวกัน Typhoon OCR V2 2B และ Typhoon OCR V2 0.8B ใช้ค่าตั้งตามการ์ดโมเดลของตน ช่วงความเชื่อมั่นเป็นช่วง 95% จาก paired bootstrap รายหน้า

โมเดล	ขนาด	ตารางในเอกสารไทย	ตาราง ThaiOCRBench	ข้อความไทยตัวพิมพ์	วินาทีต่อหน้า	ราชกิจจานุเบกษาชุดใหม่
OpenThai 2.0 OCR Markdown	0.63B	95.2	68.9	90.3	1.6	98.7
Nemotron 3.5 Parse (โมเดลฐาน)	0.63B	91.3	68.3	89.0	1.8	91.5
Typhoon OCR V2 2B	2B	91.6	67.6	89.6	15.8	94.6
Typhoon OCR V2 0.8B	0.8B	89.0	64.7	85.8	18.7	–

• ตารางในเอกสารไทย: หน้าเอกสารจริงของหน่วยงานรัฐและมหาวิทยาลัยไทย 65 หน้า ให้คะแนนข้อความและตารางรวมกัน สูงกว่า Typhoon OCR V2 2B 3.6 คะแนน ช่วงความเชื่อมั่น 95% [+1.2, +6.2] และสูงกว่าโมเดลฐาน 3.9 คะแนน
• ตาราง ThaiOCRBench: คะแนนโครงสร้างและเนื้อหาตาราง (TEDS) บนภาพตาราง 193 ภาพ ต่างจาก Typhoon OCR V2 2B +1.3 [−1.7, +4.6] ถือว่าเสมอกัน
• ข้อความไทยตัวพิมพ์: ความแม่นยำระดับตัวอักษร 100 × (1 − อัตราผิดพลาดระดับตัวอักษร) เฉลี่ย 12 ชุด รวม 1,200 หน้าและคำพิพากษาศาลปกครองฉบับเต็ม 50 ฉบับ ต่างจาก Typhoon OCR V2 2B +0.76 [−0.04, +1.51] ถือว่าเสมอกัน หน้าที่ถูกตัดเพราะวนซ้ำนับเป็นหน้าว่าง และไม่มีหน้าใดใน 2,270 หน้าถูกตัด
• วินาทีต่อหน้า: ค่ามัธยฐานของ 12 หน้าที่ส่งทีละหน้าเข้า vLLM บน NVIDIA H100 หนึ่งใบ Typhoon OCR V2 2B ต้องใช้ --enforce-eager บน vLLM รุ่นที่เราใช้ เวลาของโมเดลนั้นจึงสูงกว่าที่ควรเป็น
• ราชกิจจานุเบกษาชุดใหม่: 339 หน้าจาก 293 ฉบับที่ประกาศในวันที่ 4–9 พฤศจิกายน 2569 หลังจากที่เราเก็บข้อมูลเทรนเสร็จแล้ว ชุดนี้ถูกล็อกไว้ก่อนที่โมเดลใดจะอ่าน และทุกโมเดลอ่านแต่ละหน้าเพียงครั้งเดียว วัดความแม่นยำระดับตัวอักษร เอกสารเหล่านี้เป็นเอกสารใหม่ แต่เป็นประเภทที่ OpenThai 2.0 OCR Markdown เคยเทรน (ราชกิจจานุเบกษาของเดือนก่อน ๆ) ผลนี้จึงบอกว่าโมเดลอ่านเอกสารที่ไม่เคยเห็นได้ดีเพียงใด ไม่ใช่เอกสารประเภทใหม่ ข้อความอ้างอิงสร้างด้วยเครื่องมือเดียวกับที่สร้างป้ายกำกับราชกิจจานุเบกษาในข้อมูลเทรนของเรา จึงเป็นไปตามรูปแบบที่โมเดลนี้เรียนรู้มา ต่างจาก Typhoon OCR V2 2B +4.1 [+3.7, +4.4] และเมื่อตัดช่องว่างทั้งหมดออกเพื่อไม่ให้วิธีต่อบรรทัดมีผล ต่าง +3.5 [+3.2, +3.9] ไม่ได้ทดสอบ Typhoon OCR V2 0.8B กับชุดนี้

โดยสรุป: ดีกว่า Typhoon OCR V2 2B อย่างมีนัยสำคัญในตารางเอกสารไทยและหน้าราชกิจจานุเบกษาใหม่ และใกล้เคียงกันในตาราง ThaiOCRBench และข้อความตัวพิมพ์ บนหน้าราชกิจจานุเบกษาใหม่ 339 หน้าที่ประกาศหลังเก็บข้อมูลเทรน อ่านตัวอักษรถูก 98.7% เทียบกับ 94.6% ของ Typhoon OCR V2 2B วิธีทดสอบและผลทุกชุดอยู่ในหน้าโมเดล

ตัวเลขเหล่านี้ใช้กับ API ได้ด้วย เพราะ API รันโมเดลโดยตรงโดยไม่มีระบบอื่นคั่นกลาง เมื่อส่งหน้าตาราง 65 หน้าผ่าน endpoint จริงเมื่อ 10 พฤศจิกายน 2569 ได้ 95.8 คะแนน ไม่มีคำขอที่ล้มเหลวและไม่มีหน้าที่ถูกตัด

ประสิทธิภาพ

วัดบนบริการจริงเมื่อ 10 พฤศจิกายน 2569: มัธยฐาน 1.49 วินาทีต่อหน้า นับตั้งแต่ส่งคำขอจนได้คำตอบ ส่งจากกรุงเทพฯ ทีละหน้า (0.87 ถึง 3.40 วินาที บนหน้าตาราง 12 หน้า) และราว 19,200 หน้าต่อชั่วโมงสำหรับหน้าที่มีข้อความหนาแน่นเมื่อส่งพร้อมกัน 16 หน้า PDF 100 หน้า ขนาด 24 MB อ่านเสร็จในราว 20 วินาทีที่ฝั่งบริการ ไม่นับเวลาอัปโหลด

ข้อจำกัด

• ไม่เกิน 100 หน้าและ 50 MB ต่อคำขอ เอกสารที่ยาวกว่านั้นให้แบ่งส่ง
• ภาพถ่ายคำเดี่ยวและภาพตัดสั้นมาก อ่านได้แย่กว่าหน้าเต็ม: 96.4 บนชุดภาพถ่ายส่วนตัดจากเอกสาร OCR104 เทียบกับ 99.8 ของ Typhoon OCR V2 2B
• ตัวพิมพ์ดอตเมทริกซ์ (สมุดบัญชีธนาคาร แบบฟอร์มที่พิมพ์ด้วยเครื่องพิมพ์หัวเข็ม) อ่านได้ไม่ดีเท่าตัวพิมพ์ทั่วไป: ความแม่นยำระดับตัวอักษรราว 89% บนภาพตัดตัวพิมพ์ดอตเมทริกซ์ในชุดพัฒนาของเรา ภาพตัดเหล่านี้สร้างขึ้นเอง และยังไม่มีชุดทดสอบจากเอกสารดอตเมทริกซ์จริง จึงควรคาดว่าสมุดบัญชีจริงจะได้ผลต่ำกว่านี้
• ลายมือ อ่านได้ในระดับบรรทัดเดี่ยว หน้าลายมือทั้งหน้าไม่ใช่เป้าหมาย
• ข้อความในภาพถ่ายฉากและภาพถ่ายหน้าจอ ไม่ใช่เป้าหมาย

การจัดการข้อมูล

เอกสารประมวลผลในประเทศไทย และเก็บไว้ในหน่วยความจำเฉพาะระหว่างคำขอเท่านั้น ไม่มีการเก็บทั้งไฟล์และผลลัพธ์ บันทึกเพียงข้อมูลของคำขอ (path, status, จำนวนหน้า และเวลา) การขอความยินยอมและการแจ้งตาม PDPA และ GDPR ยังเป็นหน้าที่ของคุณในฐานะผู้ควบคุมข้อมูล

โมเดลนี้เป็นโมเดลแบบเปิด จึงรันบน GPU ของคุณเองได้โดยไม่มีเอกสารออกนอกเครือข่าย น้ำหนักโมเดลอยู่บน Hugging Face ดาวน์โหลดได้ฟรี และหน้าโมเดลมีคำสั่งสำหรับรัน

Changelog

เวอร์ชัน	วันที่	การเปลี่ยนแปลง
v1.0.0-20261112	12 พ.ย. 2569	เปิดตัวครั้งแรก: OpenThai 2.0 OCR Markdown ในรูปแบบ API หน้าละ 0.15 IC