Texterkennung (OCR)

maKI erkennt Text in Bildern und PDF-Dokumenten und liefert ihn als Markdown zurück, seitenweise. Dahinter läuft PaddleOCR-VL auf der GPU-Infrastruktur der Uni Mannheim; die Dokumente verlassen das Universitätsnetz nicht.

Der Endpoint folgt dem Schema der Mistral-OCR-API. Er ist kein Chat-Endpoint: Es gibt keinen Prompt, keine Nachrichten und keine Token, sondern Dokument rein, Text raus.


Endpoint	`POST https://maki.uni-mannheim.de/v1/ocr`
Modell	`paddleocr-vl`
Zugriffsgruppe	`ocr` (bei der Key-Beantragung auswählen)
Eingabe	PNG, JPEG oder PDF, als Data-URL im Request-Body
Ausgabe	Markdown je Seite

Bild erkennen

Das Bild wird Base64-kodiert als Data-URL im Feld document übergeben:

MAKI_API_KEY="..."
IMAGE=$(base64 -i scan.png | tr -d '\n')

curl https://maki.uni-mannheim.de/v1/ocr \
  -H "Authorization: Bearer ${MAKI_API_KEY}" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"paddleocr-vl\",
    \"document\": {
      \"type\": \"image_url\",
      \"image_url\": \"data:image/png;base64,${IMAGE}\"
    }
  }"

Antwort:

{
  "object": "ocr",
  "model": "paddleocr-vl",
  "pages": [
    {
      "index": 0,
      "markdown": "Rechnung Nr. 2026-0815\n\nUniversität Mannheim, Schloss\n\nBetrag: 1.234,56 EUR",
      "images": [],
      "dimensions": { "dpi": null, "height": null, "width": null }
    }
  ],
  "usage_info": { "pages_processed": 1 }
}

PDF erkennen

Für PDFs heißt der Dokumenttyp document_url. Jede Seite des PDFs wird ein Eintrag in pages, in Reihenfolge, mit index ab 0:

PDF=$(base64 -i protokoll.pdf | tr -d '\n')

curl https://maki.uni-mannheim.de/v1/ocr \
  -H "Authorization: Bearer ${MAKI_API_KEY}" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"paddleocr-vl\",
    \"document\": {
      \"type\": \"document_url\",
      \"document_url\": \"data:application/pdf;base64,${PDF}\"
    }
  }"

Python

Der Endpoint ist im OpenAI-SDK nicht enthalten; ein einfacher HTTP-Aufruf genügt:

import base64
import requests

MAKI_API_KEY = "..."

with open("protokoll.pdf", "rb") as f:
    data = base64.b64encode(f.read()).decode()

response = requests.post(
    "https://maki.uni-mannheim.de/v1/ocr",
    headers={"Authorization": f"Bearer {MAKI_API_KEY}"},
    json={
        "model": "paddleocr-vl",
        "document": {
            "type": "document_url",
            "document_url": f"data:application/pdf;base64,{data}",
        },
    },
    timeout=120,
)
response.raise_for_status()

for page in response.json()["pages"]:
    print(f"--- Seite {page['index'] + 1} ---")
    print(page["markdown"])

Für Bilder: "type": "image_url", "image_url": "data:image/png;base64,...".

Hinweise

Nur Data-URLs. Eine https://-Adresse als image_url oder document_url wird derzeit nicht abgerufen und mit HTTP 400 abgewiesen. Laden Sie das Dokument selbst und übergeben Sie es Base64-kodiert.
Alle Seiten. Das Feld pages zur Seitenauswahl wird noch ignoriert, ebenso include_image_base64; images bleibt leer. Die Antwort enthält immer alle Seiten des Dokuments.
Laufzeit. Eine Seite braucht etwa ein bis zwei Sekunden. Dokumente werden in Blöcken von zwölf Seiten verarbeitet; sehr lange PDFs teilen Sie besser vorher auf, da eine Anfrage nach 75 Sekunden abgebrochen wird.
Größe. Base64 vergrößert die Datei um ein Drittel. Bilder vor dem Senden auf eine sinnvolle Auflösung skalieren (Text gut lesbar, etwa 150 bis 300 dpi).
Kein Prompt. Wer erkannten Text weiterverarbeiten will (zusammenfassen, Felder extrahieren), schickt das Markdown in einem zweiten Schritt an ein Chat-Modell, siehe Strukturierte Ausgabe.