ICR là gì? Nhận dạng chữ viết tay, khác OCR và OMR

Mục lục

1. ICR là gì?
2. Vì sao chữ viết tay khó đọc hơn chữ in?
3. ICR hoạt động như thế nào?
4. ICR khác OCR, OMR, IWR và IDP thế nào?
5. Độ chính xác của ICR phụ thuộc vào những gì?
6. Nhận dạng chữ viết tay tiếng Việt khó ở đâu?
7. ICR được ứng dụng trong những lĩnh vực nào?
8. Quy trình kiểm duyệt con người nên thiết kế thế nào?
9. Triển khai ICR trong doanh nghiệp theo các bước nào?
10. Dùng ICR cần lưu ý gì về dữ liệu cá nhân và pháp lý?
11. Câu hỏi thường gặp

ICR là gì?

ICR là viết tắt của Intelligent Character Recognition, dịch là nhận dạng ký tự thông minh, thường được gọi là công nghệ nhận dạng chữ viết tay. ICR nhận đầu vào là ảnh (từ máy quét, điện thoại hoặc PDF dạng ảnh), tìm vùng chữ viết tay và trả về văn bản số để lưu, tìm kiếm, kiểm tra.

ICR là bước phát triển tiếp theo của OCR (Optical Character Recognition, nhận dạng ký tự quang học). OCR được thiết kế cho chữ in vốn có hình dạng khá đều. Chữ viết tay thì mỗi người một kiểu, nên ICR phải học từ rất nhiều mẫu chữ của nhiều người viết thay vì so khớp với phông chữ có sẵn. Nếu bạn chưa nắm rõ OCR, hãy xem bài OCR là gì và cách nhận dạng ký tự quang học hoạt động.

Bài toán điển hình của ICR là biểu mẫu: phần lớn nội dung in sẵn, chỉ một số ô ở vị trí cố định do người dùng điền tay. ICR tập trung đọc đúng những ô đó.

Ví dụ minh hoạ. Một phòng khám nhận vài trăm phiếu đăng ký viết tay mỗi ngày. Trước đây lễ tân gõ lại họ tên, năm sinh, số điện thoại. Với ICR, phiếu được quét tại quầy, hệ thống đọc các ô, kiểm tra năm sinh hợp lệ, số điện thoại đủ 10 chữ số, rồi điền sẵn vào phần mềm. Nhân viên chỉ xem lại những ô hệ thống báo “không chắc”. ICR không thay con người mà biến việc “gõ lại mọi thứ” thành “kiểm tra chỗ máy không chắc”.

ICR xuất hiện từ khi nào?

ICR gắn với bài toán xử lý biểu mẫu tự động từ đầu thập niên 1990. Một mốc dễ kiểm chứng là bộ dữ liệu NIST Special Database 19 của Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST): theo trang chính thức của NIST, bộ này gồm biểu mẫu viết tay của 3.600 người viết và khoảng 810.000 ảnh ký tự đã phân loại, phát hành lần đầu tháng 3/1995, tái bản tháng 9/2016. Ngày nay, phần lớn hệ thống dùng học sâu (deep learning) nên ranh giới OCR và ICR ngày càng mờ.

Vì sao chữ viết tay khó đọc hơn chữ in?

• Hình dạng thay đổi theo người viết. Số 1 và 7, số 4 và 9, chữ “u” và “n” rất dễ nhầm.
• Chữ dính nét. Khi viết liền, máy khó biết một chữ kết thúc ở đâu.
• Chữ tràn ô, đè lên đường kẻ, chữ in sẵn hoặc con dấu.
• Chất lượng ảnh. Mực nhạt, giấy nhàu, chụp nghiêng, bóng đổ.
• Ít ngữ cảnh. Ô “họ tên” chỉ vài từ, mô hình không đoán được nhờ nghĩa như khi đọc một đoạn văn.

ICR hoạt động như thế nào?

1. Thu nhận ảnh. Quét hoặc chụp; với tài liệu quét, khoảng 300 dpi là mức thường được khuyến nghị cho nhận dạng chữ.
2. Tiền xử lý và căn mẫu (template registration). Chỉnh nghiêng, khử nhiễu, căn ảnh khớp với mẫu gốc để biết từng ô nằm đâu. Khung ô in màu nhạt (dropout color) có thể được xoá, chỉ giữ nét chữ.
3. Định vị trường. Cắt riêng vùng họ tên, ngày sinh, số tiền. Tài liệu không theo mẫu cần thêm mô hình phân tích bố cục.
4. Nhận dạng. ICR truyền thống tách từng ký tự rồi phân loại; mô hình hiện đại đọc cả dòng bằng mạng nơ-ron tích chập kết hợp mạng hồi quy hoặc Transformer, nên xử lý chữ dính nét tốt hơn. Mỗi kết quả kèm điểm tin cậy (confidence score).
5. Hậu xử lý, kiểm tra quy tắc. Ngày phải hợp lệ, số điện thoại chỉ có chữ số, tỉnh/thành phải nằm trong danh mục, tổng các dòng phải khớp ô tổng cộng.
6. Phân luồng. Trường đạt ngưỡng đi thẳng; trường dưới ngưỡng hoặc sai quy tắc chuyển người duyệt.
7. Xuất dữ liệu và học lại. Dữ liệu đưa vào ERP, CRM; lỗi đã sửa được lưu làm dữ liệu huấn luyện.

Hai kỹ thuật giúp giảm lỗi đáng kể. Thứ nhất, nhiều bộ đọc cùng bỏ phiếu: chạy hai bộ nhận dạng trên cùng một trường, kết quả trùng thì tin cậy hơn, khác nhau thì chuyển người duyệt. Thứ hai, giới hạn bộ ký tự: khai báo trường số điện thoại chỉ có 0 đến 9 để mô hình không nhầm số 0 với chữ O, số 1 với chữ l.

ICR khác OCR, OMR, IWR và IDP thế nào?

Công nghệ	Đọc cái gì	Đầu ra	Ví dụ
OCR (nhận dạng ký tự quang học)	Chữ in, chữ đánh máy	Văn bản, toạ độ từng chữ	Công văn, hợp đồng, sách scan
ICR (nhận dạng ký tự thông minh)	Chữ viết tay, chủ yếu chữ in rời trong ô	Giá trị từng trường kèm điểm tin cậy	Tờ khai, phiếu đăng ký điền tay
IWR (nhận dạng từ thông minh)	Chữ viết tay theo cả từ, kể cả viết liền	Từ, cụm từ	Ô ghi chú, lý do, địa chỉ viết tự do
OMR (nhận dạng dấu quang học)	Dấu tô, dấu tích ở vị trí định sẵn; không đọc chữ	Ô nào được chọn	Phiếu trắc nghiệm, phiếu khảo sát
IDP (xử lý tài liệu thông minh)	Cả tài liệu: phân loại, đọc, trích xuất, kiểm tra	Dữ liệu có cấu trúc vào quy trình	Hồ sơ vay vốn, hồ sơ bồi thường

ICR và OCR

Cả hai biến ảnh thành chữ, nhưng OCR làm việc với chữ in nên ổn định hơn, còn ICR luôn phải đi kèm điểm tin cậy và cơ chế kiểm tra. Trên một biểu mẫu, hai công nghệ chạy song song: OCR đọc phần in sẵn (tiêu đề, nhãn, mã biểu mẫu), ICR đọc phần người dùng điền. Khác biệt nữa: OCR thường trả về cả trang văn bản, còn ICR cho biểu mẫu trả về từng trường để đưa vào cơ sở dữ liệu.

OMR: chỉ đọc dấu, không đọc chữ

OMR (Optical Mark Recognition) chỉ kiểm tra một ô định sẵn có được tô hay không, nên đơn giản và ổn định hơn ICR nhiều. Ví dụ quen thuộc là kỳ thi tốt nghiệp THPT. Theo Quy chế thi ban hành kèm Thông tư 24/2024/TT-BGDĐT ngày 24/12/2024 của Bộ Giáo dục và Đào tạo, Phiếu trả lời trắc nghiệm phải được chấm bằng máy với cùng một phần mềm chuyên dụng do Bộ cung cấp, từ khi quét ảnh đến khi có điểm. Dù vậy, quy chế vẫn có bước “sửa lỗi kỹ thuật” do người thực hiện, gồm sửa số báo danh, mã đề và các câu phần mềm không nhận diện được lựa chọn; khi phúc khảo, tổ chấm đối chiếu từng câu đã tô với ảnh quét và kết quả nhận dạng. Ngay cả với OMR, quy trình chính thức vẫn đặt con người ở khâu kiểm tra.

Nhiều phiếu kết hợp cả hai: câu hỏi lựa chọn dùng OMR, họ tên và mã số viết tay dùng ICR.

IWR và HTR

IWR (Intelligent Word Recognition) đọc cả từ thay vì từng ký tự, hợp với chữ viết liền và ô điền tự do; giới nghiên cứu gọi bài toán đọc cả dòng là HTR (Handwritten Text Recognition). Khi sản phẩm ghi “đọc chữ viết tay”, hãy hỏi rõ: chữ in rời trong ô, chữ viết liền, hay cả hai?

IDP: lớp xử lý trên cùng

ICR chỉ trả lời “chữ trong ô này là gì”. IDP (Intelligent Document Processing) dùng OCR, ICR làm “mắt” rồi thêm phân loại tài liệu, trích xuất, kiểm tra và tích hợp vào quy trình. Chi tiết có trong bài IDP là gì và khác OCR, RPA ra sao.

Độ chính xác của ICR phụ thuộc vào những gì?

Độ chính xác không phải một con số cố định của phần mềm. Nó phụ thuộc vào năm nhóm yếu tố.

1. Thiết kế biểu mẫu, yếu tố bạn kiểm soát được nhiều nhất và rẻ nhất:
   • Ô chữ rời (comb field), mỗi ký tự một ô, để chữ không dính nét.
   • Yêu cầu viết chữ IN HOA ở trường quan trọng như họ tên.
   • Tách trường dài: địa chỉ thành số nhà, đường, phường/xã, tỉnh/thành; ngày sinh thành ngày, tháng, năm.
   • Thay chữ bằng ô tô cho giới tính, loại dịch vụ để OMR đọc.
   • Khung ô màu nhạt, điểm định vị ở góc trang, ô đủ rộng để không viết tràn.
2. Chất lượng ảnh. Dùng máy quét khi số lượng lớn, giữ khoảng 300 dpi, quét màu hoặc thang xám để không mất nét mực nhạt, tránh nén ảnh quá mức.
3. Loại trường. Trường chỉ có chữ số, độ dài cố định, có quy tắc kiểm tra (số căn cước 12 chữ số, mã số thuế) dễ nhất; họ tên khó hơn; ghi chú tự do khó nhất. Nên bắt đầu dự án từ trường dễ.
4. Người viết và bối cảnh điền. Phiếu do nhân viên được hướng dẫn điền dễ đọc hơn phiếu khách điền vội.
5. Ngôn ngữ, dữ liệu huấn luyện và hậu xử lý. Mô hình học chủ yếu trên chữ tiếng Anh sẽ gặp khó với dấu tiếng Việt. Kiểm tra chéo giữa các trường và đối chiếu danh mục giúp bắt lỗi mà mô hình không tự biết.

Đo độ chính xác thế nào cho đúng?

Các con số “97%”, “98%” trong tài liệu giới thiệu không so sánh được với nhau nếu không biết đo theo cách nào, trên dữ liệu nào.

Chỉ số	Cách hiểu	Khi nào dùng
CER (tỷ lệ lỗi ký tự)	Số ký tự phải thêm, xoá, sửa để khớp đáp án, chia cho tổng ký tự	So sánh mô hình ở mức kỹ thuật
WER (tỷ lệ lỗi từ)	Như CER nhưng tính theo từ; với tiếng Việt, sai một dấu là sai cả tiếng	Đánh giá đọc dòng, đoạn
Độ chính xác cấp trường	Tỷ lệ trường đúng hoàn toàn	Sát thực tế nghiệp vụ nhất
Tỷ lệ lỗi lọt	Trường sai nhưng vẫn đi thẳng vào hệ thống	Đo rủi ro thật

Một phép tính đơn giản cho thấy vì sao phải phân biệt. Giả sử mỗi ký tự đúng 99% và lỗi giữa các ký tự độc lập. Một trường 10 ký tự chỉ đúng hoàn toàn với xác suất 0,99 mũ 10, xấp xỉ 90,4%; một địa chỉ 40 ký tự chỉ khoảng 66,9%. “99% ký tự” nghe rất cao, nhưng cứ 10 số điện thoại lại có khoảng 1 số sai.

Nhận dạng chữ viết tay tiếng Việt khó ở đâu?

Một khảo sát năm 2025 về phân tích và nhận dạng tài liệu tiếng Việt đăng trên arXiv nêu ba thách thức chính: dấu phức tạp, biến thể thanh điệu và thiếu bộ dữ liệu lớn có gán nhãn. Cụ thể với chữ viết tay:

• Dấu thanh, dấu mũ tách khỏi chữ, thường đặt lệch, viết rất nhỏ hoặc dính vào dòng trên; máy dễ bỏ sót hoặc gán nhầm chữ.
• Nhiều chữ chỉ khác một nét nhỏ: “o, ô, ơ”, “u, ư”, “a, ă, â”, “d, đ”. Mất một nét móc là sai cả tiếng.
• Chữ thường viết liền theo thói quen học viết từ nhỏ, khó tách ký tự.
• Tên riêng, địa danh đa dạng, không phải lúc nào cũng có trong từ điển.
• Ít dữ liệu huấn luyện so với tiếng Anh hay tiếng Trung.

Nghiên cứu và công cụ hiện có

Bộ dữ liệu HANDS-VNOnDB2018, dùng cho cuộc thi nhận dạng chữ viết tay tiếng Việt trực tuyến tại hội nghị ICFHR 2018, gồm dữ liệu của 200 người viết, 1.146 đoạn văn, 7.296 dòng và hơn 380.000 ký tự, thu bằng bút cảm ứng trên máy tính bảng. Năm 2022, bộ UIT-HWDB được công bố trên arXiv làm chuẩn đánh giá chữ viết tay tiếng Việt dạng ảnh, không ràng buộc cách viết.

Kết quả nghiên cứu cho thấy độ khó thực tế: một hệ thống mã hoá – giải mã có cơ chế chú ý (attention) do Anh Duc Le, Hung Tuan Nguyen và Masaki Nakagawa công bố năm 2019 đạt tỷ lệ lỗi từ 12,30% trên bộ VNOnDB khi không dùng mô hình ngôn ngữ, tức trung bình khoảng 8 tiếng có 1 tiếng đọc sai.

Với sản phẩm, mức hỗ trợ khác nhau nhiều. Theo tài liệu chính thức của Microsoft, Azure Document Intelligence có tiếng Việt trong danh sách chữ in nhưng chưa có trong danh sách chữ viết tay. Thư viện nguồn mở VietOCR (giấy phép Apache 2.0) nhận dạng dòng chữ in và viết tay tiếng Việt nhưng không kèm phần phát hiện vùng chữ, nên cần ghép công cụ khác khi dùng cho biểu mẫu. Các mô hình đa phương thức đọc ngữ cảnh tốt nhưng có thể “đoán” ra chữ không có trong ảnh, tức hiện tượng ảo giác AI (hallucination); với số tiền hay số giấy tờ, lỗi kiểu này nguy hiểm vì trông rất hợp lý.

Cách tăng độ chính xác cho biểu mẫu tiếng Việt

1. Yêu cầu viết chữ IN HOA có dấu cho họ tên, địa chỉ; in sẵn ví dụ mẫu trên phiếu.
2. Tách địa chỉ thành nhiều trường và đối chiếu danh mục hành chính hiện hành. Theo Nghị quyết 202/2025/QH15 ký ban hành ngày 12/06/2025, cả nước còn 34 đơn vị hành chính cấp tỉnh (28 tỉnh, 6 thành phố), chính quyền đơn vị mới hoạt động từ 01/07/2025. Người điền vẫn có thể ghi tên tỉnh cũ, nên bảng đối chiếu cần cả tên cũ và tên mới.
3. Dùng từ điển họ, tên đệm để gợi ý, nhưng không tự động sửa tên riêng khi chưa qua người duyệt.
4. Kiểm tra chéo với dữ liệu sẵn có: số điện thoại, số giấy tờ, mã khách hàng.
5. Tinh chỉnh mô hình trên mẫu chữ thật của doanh nghiệp đã được gán nhãn cẩn thận.

ICR được ứng dụng trong những lĩnh vực nào?

Sân nhà của ICR là biểu mẫu có cấu trúc, số lượng lớn, điền tay.

Lĩnh vực	Tài liệu điển hình	Lưu ý
Ngân hàng	Giấy nộp tiền, giấy đề nghị mở tài khoản	Đối chiếu số tiền bằng số với bằng chữ; trường số tiền tin cậy thấp luôn qua người duyệt
Bảo hiểm	Tờ khai yêu cầu bồi thường	Phần mô tả tự do khó đọc; thường chỉ trích trường chính
Y tế	Phiếu đăng ký khám, phiếu khảo sát	Dữ liệu sức khoẻ là dữ liệu nhạy cảm; không dùng ICR để đọc y lệnh khi chưa có kiểm soát chặt
Hành chính	Tờ khai, đơn đề nghị bản giấy	Cần bảng đối chiếu địa danh cũ và mới
Giáo dục, khảo sát	Phiếu khảo sát, phiếu đăng ký	OMR cho câu hỏi lựa chọn, ICR cho thông tin định danh
Logistics, bán lẻ	Phiếu giao nhận, biên bản kiểm kê	Ảnh chụp ngoài hiện trường, chất lượng dao động
Lưu trữ	Sổ sách, hồ sơ viết tay lâu năm	Thường chỉ lập chỉ mục (tiêu đề, ngày, tên) thay vì chép toàn văn

Với dự án số hoá kho hồ sơ giấy, ICR chỉ là một khâu; các khâu phân loại, scan, đặt tên, lưu trữ được mô tả trong bài quy trình số hoá tài liệu.

Khi nào không nên dùng ICR?

• Có thể bỏ giấy từ đầu: biểu mẫu điện tử trên web, ứng dụng hoặc máy tính bảng tại quầy cho dữ liệu sạch ngay từ nguồn.
• Đã có dữ liệu số đi kèm: hoá đơn điện tử có tệp XML, thẻ căn cước gắn chip có dữ liệu trong chip.
• Số lượng quá ít: chi phí thiết lập, thử nghiệm, kiểm duyệt có thể lớn hơn công nhập tay.
• Chữ tự do cần chính xác tuyệt đối: nhập tay có kiểm tra chéo vẫn an toàn hơn; xem các cách kiểm soát chất lượng trong bài data entry là gì.

Quy trình kiểm duyệt con người nên thiết kế thế nào?

Với chữ viết tay, câu hỏi không phải “có cần người kiểm tra không” mà là “kiểm tra ở đâu, bao nhiêu”. Mô hình này gọi là con người trong vòng lặp (human-in-the-loop).

1. Ngưỡng tin cậy riêng từng trường. Số tiền, số tài khoản, số giấy tờ cần ngưỡng cao; ghi chú có thể nới. Một ngưỡng chung cho mọi trường là sai lầm phổ biến.
2. Quy tắc nghiệp vụ chạy trước. Ngày sai, số điện thoại thiếu chữ số, tổng không khớp thì đánh dấu dù điểm tin cậy cao.
3. Giao diện duyệt hiển thị ảnh cắt cạnh giá trị máy đọc, có phím tắt chấp nhận hoặc sửa nhanh.
4. Kiểm tra mù (blind verification) cho trường rủi ro cao: người duyệt tự gõ lại mà không thấy kết quả máy, hệ thống so sánh hai giá trị, tránh tâm lý “máy nói thì chắc đúng”.
5. Lấy mẫu ngẫu nhiên cả trường tin cậy cao, cách duy nhất để đo tỷ lệ lỗi lọt.
6. Ghi nhật ký ai sửa trường nào, giá trị trước và sau, thời điểm, phục vụ kiểm toán.
7. Vòng phản hồi: trường đã sửa trở thành dữ liệu có nhãn để tinh chỉnh mô hình; chất lượng nhãn quyết định chất lượng mô hình, như phân tích trong bài gán nhãn dữ liệu (data annotation).

Ngưỡng là sự đánh đổi giữa lỗi lọt và khối lượng duyệt. Nên bắt đầu với ngưỡng cao, đo lỗi lọt qua lấy mẫu, rồi hạ dần từng trường.

Triển khai ICR trong doanh nghiệp theo các bước nào?

1. Kiểm kê tài liệu: loại biểu mẫu, số lượng mỗi tháng, trường cần lấy, ai dùng dữ liệu. Ưu tiên biểu mẫu số lượng lớn, cấu trúc cố định.
2. Xem lại biểu mẫu trước khi mua phần mềm: chuyển sang biểu mẫu điện tử được không? Nếu vẫn dùng giấy, thiết kế lại theo nguyên tắc ở trên.
3. Chuẩn bị bộ mẫu thử có đáp án: vài trăm phiếu thật, đa dạng người viết và chất lượng ảnh, đáp án được nhập và kiểm tra chéo.
4. Thử nghiệm (PoC) theo tiêu chí trung lập: độ chính xác cấp trường trên chữ viết tay tiếng Việt của bạn, có trả điểm tin cậy theo trường không, tỷ lệ phải qua người duyệt, chi phí tính cả công duyệt, triển khai tại chỗ hay đám mây, và nhà cung cấp có dùng dữ liệu của bạn để huấn luyện không.
5. Thiết kế luồng kiểm duyệt: ngưỡng, quy tắc, giao diện, phân quyền, tỷ lệ lấy mẫu.
6. Tích hợp: nối với ERP, CRM qua API, hoặc dùng RPA (robot phần mềm) khi hệ thống cũ không có API.
7. Vận hành và cải tiến: theo dõi tỷ lệ đi thẳng, lỗi lọt, thời gian duyệt, trường hay sai nhất; dùng số liệu để sửa biểu mẫu, chỉnh ngưỡng, tinh chỉnh mô hình.

Dùng ICR cần lưu ý gì về dữ liệu cá nhân và pháp lý?

Biểu mẫu viết tay hầu như luôn chứa dữ liệu cá nhân: họ tên, ngày sinh, số giấy tờ, địa chỉ, đôi khi cả thông tin sức khoẻ, tài chính.

• Luật Bảo vệ dữ liệu cá nhân số 91/2025/QH15 ngày 26/06/2025, hiệu lực từ 01/01/2026, áp dụng cho việc xử lý dữ liệu cá nhân, kể cả khi thuê bên thứ ba. Nghị định 356/2025/NĐ-CP ngày 31/12/2025 xếp dữ liệu sức khoẻ, sinh trắc học, tài chính, tín dụng vào nhóm nhạy cảm.
• Dịch vụ đám mây ngoài Việt Nam: theo khoản 1 Điều 20 Luật 91/2025/QH15, dùng nền tảng ngoài lãnh thổ để xử lý dữ liệu cá nhân thu thập tại Việt Nam là chuyển dữ liệu xuyên biên giới, kéo theo nghĩa vụ lập hồ sơ đánh giá tác động. Hãy xác định nơi đặt máy chủ trước khi gửi ảnh phiếu lên.
• Giá trị bản quét: Điều 12 Luật Giao dịch điện tử số 20/2023/QH15 (hiệu lực 01/07/2024) yêu cầu bản chuyển đổi từ giấy phải bảo đảm toàn vẹn, có ký hiệu xác nhận đã chuyển đổi và thông tin bên chuyển đổi. Dữ liệu ICR đọc ra là bản trích xuất, không tự động thay bản gốc.

Câu hỏi thường gặp

ICR và OCR khác nhau như thế nào?

OCR đọc chữ in, ICR đọc chữ viết tay. ICR khó hơn nên luôn kèm điểm tin cậy và bước kiểm tra. Nhiều phần mềm hiện nay chạy cả hai trên cùng tài liệu.

OMR có đọc được chữ không?

Không. OMR chỉ kiểm tra ô ở vị trí định sẵn có được tô hay không, như phiếu trả lời trắc nghiệm kỳ thi tốt nghiệp THPT.

ICR đọc chữ viết tay tiếng Việt có chính xác không?

Đọc được, nhưng kém chữ in và khác nhau nhiều giữa các giải pháp. Chữ in hoa trong ô rời cho kết quả tốt hơn hẳn chữ viết liền. Hãy chạy thử trên phiếu thật trước khi quyết định.

ICR có thay được hoàn toàn nhân viên nhập liệu không?

Thường là không. Vẫn cần người duyệt trường tin cậy thấp, xử lý ngoại lệ và lấy mẫu kiểm tra; vai trò chuyển từ nhập liệu sang kiểm soát dữ liệu.

Dùng mô hình AI đa phương thức thay ICR được không?

Có thể thử với chữ viết tự do, nhưng các mô hình này có thể tạo ra chữ không có trong ảnh, thường không trả điểm tin cậy theo trường, và gửi ảnh chứa dữ liệu cá nhân ra nước ngoài kéo theo nghĩa vụ pháp lý. Vẫn cần quy tắc kiểm tra và người duyệt.