Typhoon OCR: タイ文書抽出のためのオープンな視覚言語モデル

Typhoon OCR: Open Vision-Language Model For Thai Document Extraction

January 21, 2026

著者: Surapon Nonesung, Natapong Nitarach, Teetouch Jaknamon, Pittawat Taveekitworachai, Kunat Pipatanakul

cs.AI

要旨

文書抽出はデジタルワークフローの核心的要素であるが、既存の視覚言語モデル（VLM）は高リソース言語に偏っている傾向がある。タイ語は非ラテン文字による文字体系の複雑さ、明示的な単語境界の欠如、高度に非構造化された実世界文書の普及といった追加的な課題があり、現行のオープンソースモデルの有効性を制限している。本論文は、タイ語と英語に特化した文書抽出用オープンVLMであるTyphoon OCRを提案する。このモデルは、タイ語に焦点を当てた訓練データセットを用いて視覚言語基盤モデルからファインチューニングされている。データセットは、従来のOCR、VLMベースの再構築、厳選された合成データを組み合わせた多段階データ構築パイプラインを用いて開発された。Typhoon OCRは、テキスト転写、レイアウト再構築、文書レベルの構造的一貫性を実現する統一フレームワークである。最新版であるTyphoon OCR V1.5は、メタデータへの依存を低減し導入を簡素化するために設計された、コンパクトで推論効率の高いモデルである。財務報告書、政府書式、書籍、インフォグラフィック、手書き文書など多様なタイ語文書カテゴリにおける総合的な評価により、Typhoon OCRが計算コストを大幅に低減しながら、大規模な最先端プロプライエタリモデルに匹敵する、あるいはそれを上回る性能を達成することが示された。この結果は、オープンな視覚言語OCRモデルが、軽量で導入可能な状態を維持しつつ、プロプライエタリシステムと同等の性能でタイ語文書の正確なテキスト抽出とレイアウト再構築を実現できることを実証している。

English

Document extraction is a core component of digital workflows, yet existing vision-language models (VLMs) predominantly favor high-resource languages. Thai presents additional challenges due to script complexity from non-latin letters, the absence of explicit word boundaries, and the prevalence of highly unstructured real-world documents, limiting the effectiveness of current open-source models. This paper presents Typhoon OCR, an open VLM for document extraction tailored for Thai and English. The model is fine-tuned from vision-language backbones using a Thai-focused training dataset. The dataset is developed using a multi-stage data construction pipeline that combines traditional OCR, VLM-based restructuring, and curated synthetic data. Typhoon OCR is a unified framework capable of text transcription, layout reconstruction, and document-level structural consistency. The latest iteration of our model, Typhoon OCR V1.5, is a compact and inference-efficient model designed to reduce reliance on metadata and simplify deployment. Comprehensive evaluations across diverse Thai document categories, including financial reports, government forms, books, infographics, and handwritten documents, show that Typhoon OCR achieves performance comparable to or exceeding larger frontier proprietary models, despite substantially lower computational cost. The results demonstrate that open vision-language OCR models can achieve accurate text extraction and layout reconstruction for Thai documents, reaching performance comparable to proprietary systems while remaining lightweight and deployable.