InferioLàm sao biến một tấm ảnh thành dữ liệu có cấu trúc, không chỉ là text thô?
8 tháng 7, 2026 · 5 phút đọc
Bạn biến một tấm ảnh thành dữ liệu có cấu trúc bằng cách đưa nó qua một mô hình vision-language đọc được layout của tài liệu — không chỉ đọc ký tự — và trả về các trường có nhãn như nhà cung cấp, ngày, tổng tiền, line item dưới dạng JSON, kèm confidence score cho từng trường. Khác biệt so với "chuyển ảnh thành text" thông thường là kết quả đưa thẳng vào Excel hay phần mềm kế toán mà không ai phải gõ lại.
Dữ liệu "có cấu trúc" nghĩa là gì — và vì sao text thô là chưa đủ?
Text thô là thứ một công cụ OCR cơ bản hay Google Lens trả về: mọi chữ trên biên lai, theo thứ tự đọc, gộp thành một khối không phân biệt. Trông có vẻ tiến bộ, nhưng chưa dùng được — bảng tính không có cột nào tên là "mọi thứ trên trang." Vẫn phải có người tìm tên nhà cung cấp trong khối chữ đó, tìm ngày, tìm tổng tiền, rồi copy từng giá trị vào đúng ô — chính là phần việc thủ công bạn đang muốn loại bỏ.
Dữ liệu có cấu trúc nghĩa là mỗi giá trị đi kèm một nhãn: trường "vendor", trường "date", trường "total", và một mảng line item (từng dòng trên hoá đơn hay biên lai — mô tả, số lượng, đơn giá, thành tiền) với mỗi dòng một phần tử. Kết quả đó là JSON: import vào Excel trong một bước và post vào phần mềm kế toán qua API mà không cần gõ lại. Bài toán trích xuất chưa bao giờ nằm ở việc đọc ký tự — nó nằm ở việc biết ký tự nào thuộc về trường nào.
Ảnh chụp điện thoại có đủ tốt không, hay phải dùng máy scan?
Ảnh chụp điện thoại là đủ tốt cho phần lớn tài liệu, và thực tế đó là cách đa số biên lai đi vào quy trình chi phí. Ảnh đời thực thường bị nghiêng, chụp lệch góc, loá sáng vì đèn trần và dính cả mặt bàn lộn xộn phía sau — nên một pipeline nghiêm túc chạy bước pre-processing trước khi trích xuất: deskew (kéo thẳng ảnh bị xoay), khử nhiễu, và crop tài liệu tách khỏi nền.
Pre-processing cứu được nhiều, nhưng không thể tạo ra pixel chưa từng được chụp. Một tấm ảnh nét hơn, phẳng hơn, đủ sáng hơn vẫn trích xuất ổn định hơn ảnh mờ — và khác biệt thể hiện trực tiếp trên confidence score. Quy tắc thực dụng: để tài liệu chiếm gần hết khung hình, tránh ánh sáng loá chiếu thẳng vào giấy in nhiệt, và giữ điện thoại gần song song với mặt giấy. Mười giây cẩn thận lúc chụp tiết kiệm được một bước review về sau.
Từ lúc upload đến lúc có dữ liệu, quy trình diễn ra thế nào?
Pipeline gồm bốn giai đoạn. Một: bạn upload ảnh — JPG, PNG hoặc WebP cho ảnh chụp, còn PDF và TIFF đa trang được hỗ trợ cho các lô tài liệu scan. Hai: một mô hình vision-language (Inferio dùng Claude Vision) đọc trang giấy giống cách con người đọc — nó hiểu phần chữ ở letterhead là nhà cung cấp, con số cạnh chữ "Tổng cộng" là số tiền phải trả, và bảng ở giữa trang là các line item — layout và ý nghĩa đi cùng nhau, không phải từng ký tự rời rạc.
Ba: mô hình trả về JSON có cấu trúc, trong đó mỗi trường mang một confidence score từ 0 đến 1 — ước lượng của chính mô hình về khả năng giá trị đó đúng. Bốn: trường nào dưới ngưỡng review (mặc định 0.75) được chuyển sang giao diện sửa lỗi human-in-the-loop, nơi người review nhìn ảnh gốc đặt cạnh giá trị đã trích xuất và sửa trong vài giây. Trường trên ngưỡng đi thẳng qua. Kết quả: tự động hoá gánh phần khối lượng, con người chỉ nhìn vào phần không chắc chắn — một con số tổng sai không bao giờ âm thầm lọt vào sổ sách.
Làm sao đưa kết quả vào Excel hay phần mềm kế toán?
Có ba con đường, theo mức độ tự động tăng dần. Đường thủ công: export các trường đã trích xuất rồi mở bằng Excel — vì dữ liệu đã là các cột có nhãn, nó hiện ra thành các dòng có thể lọc và cộng ngay, không phải một khối text còn phải bóc tách. Đường lập trình: REST API để gửi tài liệu và lấy kết quả, cộng với signed webhook báo cho hệ thống của bạn ngay khi trích xuất xong, để ERP hay tool nội bộ nhận dữ liệu mà không cần polling.
Đường thứ ba là sync trực tiếp: kết nối OAuth với freee hoặc MoneyForward post hoá đơn và biên lai đã trích xuất thẳng vào sổ kế toán, không cần file export trung gian. Với tài liệu Nhật, đường này đi kèm lớp tuân thủ — T-number của nhà cung cấp (mã đăng ký 13 chữ số theo Invoice System của Nhật) được xác thực qua public API của NTA, các dòng thuế được phân loại theo hai mức thuế tiêu dùng 8% và 10%, và tài liệu lưu trữ tuân theo yêu cầu giữ 7 năm của Electronic Bookkeeping Law. Cùng một pipeline đọc được tài liệu tiếng Anh, tiếng Nhật và tiếng Việt, nên một bộ tài liệu lẫn nhiều ngôn ngữ không cần công cụ riêng cho từng thứ tiếng.
Giải đáp nhanh
- Ảnh mờ hay nghiêng có đọc được không?
- Nghiêng thì được — bước pre-processing deskew và khử nhiễu kéo thẳng ảnh bị xoay, bị lệch trước khi trích xuất, nên riêng góc chụp hiếm khi gây lỗi. Mờ thì khó hơn: pre-processing không thể phục hồi chi tiết chưa từng được chụp, nên giá trị bị mờ nặng sẽ trả về với confidence score thấp và được chuyển cho người review ở ngưỡng 0.75 thay vì post một con số đoán mò. Nếu ảnh mờ quá, chụp lại nhanh hơn là ngồi review.
- Khác gì Google Lens hay công cụ trích text từ ảnh thông thường?
- Các công cụ đó dừng ở text thô — mọi chữ trên trang gộp thành một khối, bạn vẫn phải đọc, hiểu, rồi gõ lại vào đúng trường. Trích xuất có cấu trúc trả về các trường có nhãn (vendor, ngày, tổng tiền, line item) kèm confidence score từng trường, dưới dạng JSON import vào Excel hoặc post thẳng vào phần mềm kế toán. Kết quả của image-to-text là thứ để người đọc; kết quả của image-to-structured-data là thứ để phần mềm tiêu thụ.
- Định dạng ảnh nào được hỗ trợ?
- JPG, PNG và WebP cho ảnh chụp và ảnh màn hình, cộng với PDF và TIFF đa trang cho tài liệu scan trong sản phẩm đầy đủ. Tool preview công khai nhận file ảnh tới 8MB — ảnh chụp điện thoại thông thường khoảng 2–5MB, nên ảnh hằng ngày dùng được luôn mà không cần resize.
- Có đưa kết quả vào Excel được không?
- Được, và đó chính là mục đích của output có cấu trúc: các trường trích xuất đã là các cột có nhãn, nên mở trong Excel thành các dòng sạch — nhà cung cấp, ngày, tổng tiền, thuế, line item — sẵn sàng lọc và cộng, không cần bước bóc tách text. Đội nào vượt quá quy mô export bảng tính thì chuyển sang REST API và webhook, hoặc sync thẳng vào freee hay MoneyForward.