Chuyển định dạng

Chuyển PDF và ảnh thành tệp .docx có thể chỉnh sửa — bước trung gian trước khi dịch hoặc trích xuất nội dung. OCR nội bộ qua Tesseract nên không cần dịch vụ ngoài, an toàn cho tài liệu nhạy cảm.

Định dạng được hỗ trợ

Đầu vào	Đầu ra	Cách xử lý
.pdf (có lớp văn bản)	.docx	Trích xuất trực tiếp qua pdfplumber
.pdf (bản quét, không có lớp văn bản)	.docx	Hiển thị từng trang thành ảnh rồi OCR bằng Tesseract
.pdf lai (vừa có vừa không)	.docx	Tự động chọn theo từng trang
.png, .jpg, .jpeg	.docx	OCR qua Tesseract
.tif, .tiff	.docx	OCR qua Tesseract
.bmp, .webp	.docx	OCR qua Tesseract

PDF lai (ví dụ tài liệu vừa có chữ thường vừa có biểu mẫu quét) được xử lý theo từng trang: trang nào trích xuất được trên 32 ký tự thì dùng lớp văn bản, dưới ngưỡng đó thì rơi sang OCR.

Cách dùng

Trong giao diện web

(Tab giao diện cho Chuyển định dạng đang được phát triển. Tạm thời dùng dòng lệnh hoặc gọi trực tiếp qua API.)

Dòng lệnh

# Mặc định: nhận diện cả tiếng Việt và tiếng Anh, ghi cùng thư mục
nom convert hop-dong.pdf
# → tạo hop-dong.docx

# Chỉ định ngôn ngữ OCR (mã Tesseract: vie, eng, ...)
nom convert scan.png --ocr-language vie

# Đặt tên tệp đầu ra
nom convert form.pdf --output form-extracted.docx

Gọi trực tiếp qua API HTTP

curl -X POST http://localhost:8080/api/tools/convert/file \
  -F "file=@invoice.pdf" \
  -F "ocr_language=vie+eng" \
  -o invoice.docx

Phản hồi trả về thẳng tệp .docx; thống kê (số trang trích xuất / số trang phải OCR / tổng ký tự) nằm trong tiêu đề HTTP X-Convert-Stats.

Cách hoạt động

Đối với PDF, mỗi trang được xử lý độc lập:

1. Bước 1 — Thử trích xuất lớp văn bản. Dùng pdfplumber để rút chữ trực tiếp từ siêu dữ liệu PDF. Nhanh, chính xác cao, không sai chính tả.
2. Bước 2 — Phán đoán có cần OCR không. Nếu trang đó cho ra ít hơn 32 ký tự, có nghĩa là trang đó là ảnh quét — chuyển sang OCR.
3. Bước 3 — OCR khi cần. Hiển thị trang đó thành ảnh độ phân giải 220 DPI qua pypdfium2, rồi đưa qua Tesseract với gói ngôn ngữ đã chỉ định.
4. Bước 4 — Ghi .docx. Mỗi trang nguồn → một nhóm đoạn văn bản trong tệp đầu ra, ngăn cách bằng ngắt trang cứng để giữ ranh giới trang gốc.

Kết hợp với dịch thuật

Hai bước thường đi với nhau: chuyển → dịch:

# 1. Đổi PDF → DOCX
nom convert hop-dong.pdf
# → hop-dong.docx

# 2. Dịch DOCX
nom translate hop-dong.docx --src vi --tgt en
# → hop-dong.en.docx

Hoặc viết trong Python:

from nom.convert import convert_to_docx
from nom.translate import LLMTranslator
from nom.translate.formats import translate_docx
from nom.llm import Ollama

llm = Ollama(model="qwen3:8b", think=False)
translator = LLMTranslator(llm=llm, source_lang="vi", target_lang="en")

convert_to_docx("scan.pdf", "scan.docx", ocr_language="vie+eng")
translate_docx("scan.docx", "scan.en.docx", translator)

Số đo nội bộ — v0.4 (2026-05-03)

Đo trên kho đánh giá công khai nrl-ai/vn-ocr-documents-eval v0.4: 156 tài liệu trên 8 cấu hình, chia thành hai nhóm:

• Ảnh quét thật từ chinhphu.vn + hanoi.gov.vn (9 tài liệu). Đáp án chuẩn được người đọc trực tiếp xác minh từng trang — không tin Tesseract đoán.
• Ảnh quét tổng hợp kết xuất từ văn bản tiếng Việt thuộc miền công khai (UDHR, wiki_vi, tatoeba, Wikisource Truyện Kiều) cộng các mẫu hoá đơn / hợp đồng / đơn từ sinh tự động theo tham số, rồi áp pipeline 8 bước mô phỏng máy quét: nghiêng giấy, tối góc trang, ngả vàng giấy, nhiễu hạt, vạch ngang, mờ ống kính, viền tối mép, đi qua JPEG nén lại.

(Tách "thật" và "tổng hợp" để con số 12,62 % CER trên ảnh quét thật không bị làm loãng bởi 147 tài liệu tổng hợp dễ hơn.)

Cấu hình	n	Nguồn	CER trung bình (đã chuẩn hoá khoảng trắng)
real	9	chinhphu.vn + hanoi.gov.vn (ảnh quét có dấu ký)	12,62 %
formal	24	UDHR-vie + hiệu ứng quét	~9 %
news_business	24	wiki_vi + hiệu ứng quét	~7 %
conversational	24	tatoeba + hiệu ứng quét	~6 %
literary	14	Wikisource Truyện Kiều + hiệu ứng quét	~10 %
receipt	21	7 mẫu x 3 seed (hoá đơn, biên lai, phiếu chi, vé máy bay, ủng hộ, điện / nước, viện phí)	~3 %
contract	20	5 mẫu x 4 seed (lao động, thuê nhà, kinh tế, dịch vụ, vay)	~3 %
form	20	5 mẫu x 4 seed (nghỉ việc, xác nhận cư trú, nhập học, nghỉ phép, đăng ký kinh doanh)	~3 %
Tổng	156		trung bình 6,66 % / trung vị 4,32 %

Tốc độ: ~1,3 giây mỗi tài liệu trên CPU đơn lõi (Intel i7-13700H). CER tính sau khi chuẩn hoá Unicode NFC và gộp mọi chuỗi khoảng trắng thành một dấu cách (để chấm "Người nộp Người nhận" không bị tính như lỗi).

Khoảng cách thật vs tổng hợp: ảnh quét chính phủ thật khó hơn ~13 lần so với ảnh tổng hợp. Bốn nguồn lỗi chính:

• Dấu mộc tròn đỏ đè lên chữ.
• Chữ ký tay vắt ngang dòng tên người ký.
• Watermark (nền chìm) làm giảm độ tương phản.
• Từ viết tắt hành chính như "KT.", "Lưu: VT", "TM.", "PCN" mà gói vie của Tesseract chưa được huấn luyện để nhận đúng.

JSON kết quả + ma trận đo cả 8 tính năng nom-vn: benchmarks/results/baseline_features_e2e_v4.json.

Tái lập từ một bản clone sạch:

pip install -e ".[doc]"
python benchmarks/data/vn_documents_ocr_v2/_synth_corpus.py
python benchmarks/accuracy/bench_features_e2e.py

Cảnh báo phương pháp:

• 9 ảnh quét thật vẫn là tập nhỏ; muốn mở rộng lên 20+ cần chú thích thủ công thêm 11 trang nữa (tốc độ ~10 phút / trang khi đọc trực tiếp ảnh).
• 147 tài liệu tổng hợp dùng chính văn bản gốc làm đáp án chuẩn (không bịa được). Đánh đổi: chữ kết xuất từ phông DejaVuSans cộng hiệu ứng quét chưa mô phỏng được cấu trúc thư hành chính đầy đủ — không có dấu mộc đỏ, chữ ký tay, ô đóng dấu hay hai cột tiêu đề như công văn thật. Phù hợp cho đo nhận dạng ký tự ở mức dòng / đoạn, không thay thế được kho ảnh quét thật để đánh giá hiểu cấu trúc tài liệu.
• Phân bố nhãn thực thể tự động trên kho v0.4: 102 LAW_REF, 203 DATE, 89 MONEY, 59 PHONE_VN, 39 ID_VN. Bản v0.3 (107 tài liệu) chưa có nhãn ID_VN nào — vì kho chưa có hợp đồng hay đơn từ chứa CCCD; v0.4 bổ sung 20 hợp đồng + 20 đơn từ là nơi CCCD xuất hiện tự nhiên.

Yêu cầu hệ thống

• Tesseract đã cài đặt cùng các gói ngôn ngữ cần dùng:

  sudo apt install tesseract-ocr tesseract-ocr-vie tesseract-ocr-eng

  hoặc tương đương trên macOS / Windows.
• Python deps: pdfplumber, pypdfium2, pytesseract, python-docx, Pillow. Tất cả đều nằm trong gói nom-vn[doc]:

  pip install -e ".[doc]"

Giới hạn đã biết

• Không giữ nguyên bố cục theo điểm ảnh. Văn bản trích xuất là văn bản dạng dòng chảy — PDF nhiều cột có thể bị xen kẽ. Nếu cần giữ chính xác bố cục, đây không phải công cụ phù hợp.
• Bảng phức tạp trong PDF có thể không giữ đúng ranh giới — chữ trong bảng vẫn được trích nhưng nằm dạng đoạn văn liền nhau.
• Hình ảnh và biểu đồ không được chuyển sang .docx — chỉ chữ.
• Chất lượng OCR phụ thuộc độ phân giải nguồn. Bản scan dưới 200 DPI sẽ ra kết quả rất kém. Nếu sai chính tả nhiều, cân nhắc bước hậu xử lý qua Khôi phục dấu.
• Tốc độ: trang OCR mất khoảng 2–5 giây trên CPU; trang có lớp văn bản gần như tức thì.

Liên quan

• Dịch thuật — bước tiếp theo sau khi chuyển sang .docx.
• Khôi phục dấu — sửa kết quả OCR mất dấu tiếng Việt.