AksonOCR-Lite: OCR ภาษาไทย Open Source ที่รันบน CPU ได้
AksonOCR-Lite คือ OCR ภาษาไทยแบบ open source (Apache-2.0) แปลง PDF และรูปภาพเป็น Markdown พร้อม layout และตาราง รันบน CPU 1.5 วินาที/หน้า แม่นกว่า VLM หลายตัว ติดตั้งด้วย pip ใช้เชิงพาณิชย์ได้
โดย Teetouch Jaknamon · Nov 17, 2026 · 5 min read
AksonOCR-Lite คือ OCR ภาษาไทยแบบ open source ที่แปลงไฟล์ PDF และรูปภาพเอกสารเป็น Markdown, ข้อความ หรือ JSON พร้อมโครงสร้างเอกสาร (หัวข้อ ย่อหน้า ตาราง ลำดับการอ่าน) รันได้บน CPU ธรรมดา ไม่ต้องมี GPU ไม่ต้องติดตั้ง PyTorch หรือ Paddle และใช้งานเชิงพาณิชย์ได้ภายใต้สัญญาอนุญาต Apache-2.0
ลองได้ทันทีโดยไม่ต้องติดตั้งอะไร: ทดลอง AksonOCR-Lite บนเว็บ →
pip install aksonocr-lite
aksonocr invoice.pdf > invoice.md
ที่มาที่ไป: ทำไมเราถึงทำ AksonOCR-Lite
ช่วงปีที่ผ่านมา OCR ภาษาไทยเก่งขึ้นมาก แต่เกือบทั้งหมดเป็น Vision-Language Model (VLM) ขนาด 1–5 พันล้านพารามิเตอร์ ซึ่งมาพร้อมปัญหาที่เราเจอซ้ำ ๆ เวลานำไปใช้กับงานจริง:
- ต้องใช้ GPU หลายองค์กรมีเอกสารลับที่ส่งขึ้นคลาวด์ไม่ได้ แต่เครื่อง on-premise ที่มีอยู่มีแค่ CPU
- ต้นทุนต่อหน้าสูง งานแปลงเอกสารหลักแสนหน้า ค่า GPU กลายเป็นต้นทุนหลัก
- Hallucination VLM บางครั้ง "แต่ง" ข้อความที่ไม่มีอยู่ในเอกสาร หรือพิมพ์ซ้ำวนจนหมด token ซึ่งอันตรายมากกับเอกสารราชการและการเงิน
- วรรณยุกต์และสระเพี้ยน ภาษาไทยมีสระบน-ล่างและวรรณยุกต์ซ้อนกัน โมเดลที่ไม่ได้ออกแบบมาเพื่อภาษาไทยมักสลับลำดับหรือทำหาย
ส่วน OCR แบบดั้งเดิมที่รันบน CPU ได้ (เช่น Tesseract หรือ OCR ขนาดเล็ก) ก็เร็วจริง แต่ความแม่นยำกับเอกสารไทยที่ถ่ายจากมือถือยังห่างจาก VLM มาก และส่วนใหญ่ไม่เข้าใจโครงสร้างเอกสาร ได้ออกมาเป็นข้อความก้อนเดียว
เราอยากได้สิ่งที่อยู่ตรงกลาง: เล็กพอจะรันบน CPU, เร็วกว่า VLM, แต่แม่นพอ ๆ กันหรือมากกว่า และเปิดให้ทุกคนใช้ฟรี นั่นคือที่มาของ AksonOCR-Lite น้องเล็กแบบ open source ของ AksonOCR 1.5
AksonOCR-Lite ทำอะไรได้บ้าง
- อ่านภาษาไทยและอังกฤษ ด้วยโมเดลอ่านข้อความที่เทรนมาเพื่อภาษาไทยโดยเฉพาะ
- เข้าใจ layout เอกสาร แยกได้ 25 ประเภท เช่น ชื่อเรื่อง หัวข้อ ย่อหน้า ตาราง รูปภาพ หัวกระดาษ/ท้ายกระดาษ พร้อมเรียงลำดับการอ่านให้
- แปลงตารางเป็น HTML รองรับเซลล์ที่ผสานแถว/คอลัมน์ (rowspan/colspan)
- รองรับภาพถ่ายจากมือถือ หมุนหน้ากระดาษอัตโนมัติ ตรวจบรรทัดที่กลับหัว และมีโหมด
--dewarpดัดหน้ากระดาษที่โค้งหรือยับให้แบน - PDF หลายหน้า อ่านทุกหน้าในไฟล์เดียว
- เบา โมเดลรวมประมาณ 330 MB (ราว 620 MB ถ้าเปิด dewarp) ดาวน์โหลดอัตโนมัติจาก Hugging Face ครั้งแรกที่ใช้
ตัวอย่าง: layout ของหนังสือราชการ แต่ละกรอบคือบล็อกในลำดับการอ่าน
ตัวอย่าง: ตาราง (กรอบสีส้ม) และข้อความ (กรอบสีฟ้า)
เบื้องหลัง: AksonOCR-Lite ทำงานอย่างไร
Grapheme-cluster CTC: ทำไมวรรณยุกต์ไม่สลับ
ภาษาไทยเขียนซ้อนกันหลายชั้น ตัวอักษรที่เห็นเป็นช่องเดียวอาจประกอบด้วย 2–3 รหัส Unicode เช่น ผู้ = ผ + ู + ้ OCR ทั่วไปอ่านทีละรหัส จึงมีโอกาสสลับลำดับ (ผู้) หรือทำสระหาย
โมเดลอ่านข้อความของ AksonOCR-Lite ทำนาย ทั้งกลุ่มตัวอักษร (grapheme cluster) เป็นหน่วยเดียว ผลคือ:
- สระและวรรณยุกต์ในกลุ่มเดียวกัน ออกมาถูกลำดับเสมอ
- ไม่มีทางได้ชุดตัวอักษรที่เป็นไปไม่ได้ในภาษาไทย
- ลำดับที่ต้องทำนายสั้นลง (15 หน่วยแทน 22 ในตัวอย่างด้านล่าง) จึงเร็วและแม่นขึ้น
ตัวโมเดลอ่านข้อความมีเพียง 1.5 ล้านพารามิเตอร์ อ่านได้ถูกต้องทั้งบรรทัด 88.6% ใช้เวลาราว 8 มิลลิวินาทีต่อบรรทัดบน CPU เธรดเดียว
โมเดลแต่ละขั้นตอนมาจากไหน
AksonOCR-Lite ไม่ได้สร้างทุกอย่างขึ้นใหม่ เราเลือกโมเดล open source ที่เก่งที่สุดในแต่ละงานมาต่อกันเป็น pipeline แปลงเป็น ONNX ให้รันได้โดยไม่ต้องติดตั้ง PyTorch หรือ Paddle แล้วพัฒนาเองเฉพาะส่วนที่สำคัญที่สุดกับภาษาไทย คือ โมเดลอ่านข้อความ
| ขั้นตอน | โมเดล | ผู้พัฒนา | License |
|---|---|---|---|
| Layout และลำดับการอ่าน (25 ประเภทบล็อก) | PP-DocLayoutV3 | PaddlePaddle (Baidu) | Apache-2.0 |
| ตรวจจับบรรทัดข้อความ | PP-OCRv6_medium_det | PaddlePaddle (Baidu) | Apache-2.0 |
| ตรวจการหมุนหน้ากระดาษ / บรรทัด | PP-LCNet doc_ori, textline_ori | PaddlePaddle (Baidu) | Apache-2.0 |
| อ่านข้อความไทย + อังกฤษ | AksonOCR Thai recognizer (ต่อยอดจาก PP-OCRv6_tiny_rec) | AksonOCR | Apache-2.0 |
| โครงสร้างตาราง (แถว คอลัมน์ เซลล์ผสาน) | Table Transformer v1.1 | Microsoft | MIT |
ดัดหน้ากระดาษโค้ง (--dewarp) | MonkeyOCRv2 document preprocessor | Yuliang Liu และคณะ | Apache-2.0 |
ข้อความในตารางก็อ่านด้วยโมเดลภาษาไทยของเรา ส่วน Table Transformer มีหน้าที่แค่หาเส้นแบ่งแถวและคอลัมน์ โมเดลทั้งหมดใช้ license แบบ permissive จึงนำ AksonOCR-Lite ไปใช้เชิงพาณิชย์ได้ และโหลดได้จาก Hugging Face repo เดียว
รูปหน้าเอกสาร
├─ (ดัดหน้ากระดาษ: MonkeyOCRv2) ถ้าเปิด --dewarp
├─ หมุนหน้ากระดาษ: PP-LCNet doc_ori 0/90/180/270 องศา
├─ layout + ลำดับการอ่าน: PP-DocLayoutV3
├─ หาบรรทัด: PP-OCRv6 det → หมุนบรรทัด → อ่านด้วย AksonOCR Thai recognizer
├─ ตาราง: Table Transformer หาโครง → เติมข้อความ → HTML
└─ รวม: บรรทัดเข้าบล็อก เรียงตามลำดับการอ่าน → Markdown
ผล Benchmark: เทียบกับ OCR ภาษาไทย 12 ระบบ
เราวัด AksonOCR-Lite เทียบกับ Typhoon OCR, OpenThai, NVIDIA Nemotron Parse, Surya, Chandra, dots.mocr, Gemini และ Claude บน benchmark สาธารณะ 3 ชุด โดยใช้ตัวให้คะแนนทางการของแต่ละ benchmark และรันแต่ละระบบตามวิธีที่ผู้พัฒนาแนะนำ
| ระบบ | ขนาด | รันบน | MDPBench-th ↑ | ThaiOCRBench DP ↑ | SEA-DocBench-th NED ↓ |
|---|---|---|---|---|---|
| Gemini 4 Hydrogen | – | API | 86.5 | 0.576 | 0.0724 |
AksonOCR-Lite --dewarp | 81M | CPU | 85.6 | 0.641 | 0.0595 |
| Typhoon OCR V2 2B | 2B | GPU | 84.3 | 0.394 | 0.0626 |
| AksonOCR-Lite (ค่าเริ่มต้น) | 81M | CPU | 79.5 | 0.640 | 0.0580 |
| Typhoon OCR V2 0.8B | 0.8B | GPU | 78.7 | 0.453 | 0.0725 |
| NVIDIA Nemotron 3.5 Parse | 0.63B | GPU | 76.5 | 0.434 | 0.0494 |
| Claude Haiku 5.5 | – | API | 70.4 | 0.502 | 0.0684 |
สรุปสั้น ๆ:
- เฉลี่ยทั้ง 3 benchmark แล้ว AksonOCR-Lite แม่นที่สุด ทั้งที่เล็กกว่า VLM 8–60 เท่า
- บน MDPBench-th (เอกสารจริง 160 หน้า เป็นภาพถ่าย 120 หน้า) โหมด
--dewarpได้ 85.6 ตามหลัง Gemini เพียง 0.9 คะแนน - ThaiOCRBench Document parsing ได้ 0.640 สูงที่สุดในกลุ่ม
- จุดที่ยังแพ้: ตารางซับซ้อน (TEDS) ที่ VLM อย่าง Typhoon และ Chandra ยังทำได้ดีกว่า
รายละเอียดทุกคอลัมน์และวิธีรันแต่ละระบบอยู่ใน หน้า benchmark บน GitHub
ความเร็ว: CPU เร็วกว่า VLM บน GPU
| ระบบ | ฮาร์ดแวร์ | วินาที/หน้า ↓ |
|---|---|---|
| AksonOCR-Lite | CPU อย่างเดียว | 1.48 |
| OpenThai2.0-OCR-Markdown | RTX 5090 | 4.14 |
| Typhoon OCR V2 0.8B | RTX 5090 | 4.17 |
| Typhoon OCR V2 2B | RTX 5090 | 5.11 |
AksonOCR-Lite บน CPU เร็วกว่า VLM บนการ์ดจอ RTX 5090 ประมาณ 3 เท่า ต่อหน้า และไม่มีปัญหา output วนซ้ำจนหมด token เพราะไม่ได้ "สร้าง" ข้อความแบบ LLM แต่ "อ่าน" จากบรรทัดที่ตรวจจับได้จริงบนหน้ากระดาษ
วิธีใช้ AksonOCR-Lite
ติดตั้ง
pip install aksonocr-lite
รองรับ Python 3.10 ขึ้นไป บน Linux และ macOS (Apple Silicon)
ใช้ผ่าน command line
aksonocr page.jpg # แสดง Markdown ออกหน้าจอ
aksonocr report.pdf --out out/ # แปลง PDF ทุกหน้า บันทึกเป็น out/report.md
aksonocr scan.png -f json -o out/ # JSON พร้อมพิกัดบล็อก บรรทัด และค่าความมั่นใจ
aksonocr photo.jpg --dewarp # ภาพถ่ายหน้ากระดาษโค้ง/ยับ
ใช้ใน Python
import aksonocr_lite
conv = aksonocr_lite.load() # device="auto" | "cpu" | "cuda"
for page in conv.convert("report.pdf"):
print(page.markdown)
for block in page.blocks: # เรียงตามลำดับการอ่าน
print(block.label, block.bbox, block.text or block.html)
ผลลัพธ์เป็น Markdown พร้อมใช้กับ RAG, ค้นหาเอกสาร, หรือส่งต่อให้ LLM สรุปและดึงข้อมูล
ข้อจำกัดที่ควรรู้
- ลายมือ ยังอ่านได้ไม่ดี โมเดลเน้นตัวพิมพ์
- สูตรคณิตศาสตร์และรูปภาพ อ่านเป็นข้อความธรรมดา ไม่แปลงเป็น LaTeX และไม่บรรยายรูป
- หนังสือพิมพ์หลายคอลัมน์ ลำดับการอ่านอาจผิด
- ภาพถ่ายมืดหรือเบลอมาก แม้ใช้
--dewarpก็ยังอาจตกหล่น - รองรับเฉพาะ ภาษาไทยและอังกฤษ
ถ้าต้องการอ่านลายมือ แผนภูมิ สูตร หรือดึงข้อมูลเป็นฟิลด์ (Key Extraction) แนะนำ AksonOCR 1.5 ผ่าน API ซึ่งรองรับงานเหล่านี้ครบ
คำถามที่พบบ่อย
AksonOCR-Lite ฟรีไหม ใช้เชิงพาณิชย์ได้หรือเปล่า?
ฟรีทั้งโค้ดและโมเดล ภายใต้ Apache-2.0 ใช้ในผลิตภัณฑ์เชิงพาณิชย์ได้ (โมเดลตารางเป็น MIT) ไม่ใช้ไลบรารี AGPL อย่าง PyMuPDF
ต้องมี GPU ไหม?
ไม่ต้อง ออกแบบมาให้รันบน CPU ได้ราว 1.5 วินาทีต่อหน้า ถ้ามี GPU NVIDIA ติดตั้ง onnxruntime-gpu แทนเพื่อให้เร็วขึ้น โดยเฉพาะเมื่อเปิด dewarp
ใช้แบบ offline หรือ on-premise ได้ไหม?
ได้ ดาวน์โหลดโมเดลจาก Hugging Face เก็บไว้ในเครื่อง แล้วตั้ง AKSONOCR_WEIGHTS=/path/to/dir เอกสารไม่ถูกส่งออกนอกเครื่องเลย
ต่างจาก AksonOCR 1.5 อย่างไร?
AksonOCR-Lite เป็นเวอร์ชันเล็ก open source รันเองบน CPU เหมาะกับเอกสารพิมพ์ทั่วไป ส่วน AksonOCR 1.5 เป็นโมเดลใหญ่ผ่าน API ที่แม่นกว่าในงานยาก เช่น ลายมือ แผนภูมิ สูตร และ Key Extraction
อ่าน PDF ภาษาไทยที่สแกนมาได้ไหม?
ได้ ทั้ง PDF ที่สแกน PDF ดิจิทัล และรูป JPG/PNG ระบบจะแปลง PDF ทุกหน้าเป็นภาพแล้วอ่านทีละหน้า
เริ่มใช้งาน
- ทดลองบนเว็บ อัปโหลดรูปหรือ PDF (สูงสุด 7 MB) ดูผล Markdown, layout และตารางทันที
- โค้ดบน GitHub
- โมเดลบน Hugging Face
- อ่านเพิ่มเติม: คู่มือ OCR ภาษาไทยฉบับสมบูรณ์ และ เปรียบเทียบโปรแกรม OCR ภาษาไทย
ถ้าใช้แล้วเจอเอกสารที่อ่านผิด เปิด issue บน GitHub พร้อมแนบตัวอย่างได้เลย ทุกตัวอย่างช่วยให้ OCR ภาษาไทยดีขึ้นสำหรับทุกคน
Share this article