moganai/turkish-synthetic-documents

Turkish Synthetic Documents (Türkçe Sentetik Belge)

English · Türkçe

English

200,000 synthetic Turkish document images: receipts, invoices, forms, petitions, official letters, menus, labels and notices. Each image comes with the full text of the document, its structured fields, and question–answer pairs whose answers are known exactly. Images are degraded to look like scans or phone photos.

The data is entirely generated. It contains no real document and no record of a real person or business.

Contents

Type (tur)	Template (sablon)	Meaning	Documents
fis	fis	Receipt	49,906
fatura	fatura	Invoice	49,760
form	form_basvuru	Application form	14,124
form	form_kargo	Shipping form	13,060
form	form_siparis	Order form	13,037
dilekce	dilekce	Petition	20,033
dilekce	resmi	Official letter	19,918
diger	menu	Menu	8,095
diger	etiket	Label	6,086
diger	duyuru	Notice	5,981
Total	10 templates		200,000

• Question–answer pairs: 884,000 in total; 3–5 per document, median 4.
• Text: 120.1 million characters in total; median 518 characters per document.
• Appearance: 100,280 phone photos (foto), 99,720 scans (tarama).
• Size: 100 parquet files, 23.3 GB. Images are embedded as JPEG.

All text, field names, questions and answers are in Turkish.

Fields

Field	Type	Description
image	image	Degraded document image (JPEG).
id	string	Unique identifier: <template>_<seed>_<index>.
tur	string	Document type: fis, fatura, form, dilekce, diger.
sablon	string	HTML template that produced the document.
text	string	Full text of the document in reading order.
fields	string (JSON)	Structured fields. Keys differ between templates, so the value is stored as JSON text; parse it with json.loads.
qa	list	Question–answer pairs: soru (question), cevap (answer) and alan (name of the field the answer comes from).
gorunum	string	Degradation style: foto (phone photo) or tarama (scan).
okunabilirlik	float	Sharpness of the degraded image divided by the sharpness of the clean render. Lower means heavier degradation; images below 0.025 were degraded again during generation.

Excerpt from the fields of a receipt:

{"isletme_ad": "MANÇO PİDE FIRIN", "tarih": "25.11.2025", "saat": "16:00", "fis_no": "5837",
 "kalemler": [{"ad": "KARIŞIK IZGARA", "adet_satiri": "4 AD X 480,00", "kdv_orani": "%10", "tutar": "1.920,00 TL"}],
 "toplam_kdv": "466,26 TL", "toplam": "5.128,79 TL", "odeme_turu": "YEMEK KARTI"}

One of the questions for the same receipt: {"soru": "Fişin toplam tutarı ne kadar?", "cevap": "5.128,79 TL", "alan": "toplam"}

Usage

import json
from datasets import load_dataset

ds = load_dataset("moganai/turkish-synthetic-documents", split="train", streaming=True)
example = next(iter(ds))
example["image"]                     # PIL image
example["text"]                      # full text
fields = json.loads(example["fields"])
example["qa"]                        # [{"soru": ..., "cevap": ..., "alan": ...}, ...]

How it was generated

1. Data: Business, person, address, product, amount, date and VAT values were generated with Faker (tr_TR) and the word lists in the generation code.
2. Template: The values were placed into HTML templates with Jinja.
3. Render: Pages were rendered to images with Playwright (Chromium).
4. Degradation: Ink and paper degradations were applied with Augraphy, followed by perspective, shadow and blur. Degradations that made the text unreadable were regenerated, judged by the sharpness ratio.
5. Labels: text, fields and qa were written directly from the data that produced the document. No label is the output of an OCR system or a language model.

Limitations

• Low template diversity: There are 10 templates. A model trained only on this data may memorise the layouts; mixing it with real documents or other sources is recommended.
• The images are not real documents: Real-world details such as paper texture, printer faults, handwritten notes, stamps and signatures are imitated only to a limited extent. There are no real logos, seals or QR codes.
• Questions come from templates: The set of question patterns is limited, and each answer is a single field of the document. No question requires reasoning or combining several fields.
• Single split: There is no held-out validation or test split. For evaluation you can split by the seed in id.

Personal data and realism

Person names, business names, addresses and numbers are generated. Turkish national ID numbers, tax ID numbers and IBANs are deliberately built to fail their checksum. Province and district names and kinds of institution (for example tax office, municipality) are real. Any resemblance to a real person or business is coincidental.

License

CC BY 4.0. Please cite as: MoganAI, Turkish Synthetic Documents, 2026.

The typefaces used in the images come from Google Fonts.

---

Türkçe

200.000 sentetik Türkçe belge görseli: fiş, fatura, form, dilekçe, resmî yazı, menü, etiket ve duyuru. Her görselin yanında belgenin tam metni, yapılandırılmış alanları ve cevabı kesin bilinen soru-yanıt çiftleri vardır. Görseller tarama ya da telefon fotoğrafı görünümü verecek biçimde bozulmuştur.

Veri tamamen üretilmiştir; hiçbir gerçek belge, kişi ya da işletme kaydı içermez.

İçerik

Tür (tur)	Şablon (sablon)	Belge
fis	fis	49.906
fatura	fatura	49.760
form	form_basvuru	14.124
form	form_kargo	13.060
form	form_siparis	13.037
dilekce	dilekce	20.033
dilekce	resmi	19.918
diger	menu	8.095
diger	etiket	6.086
diger	duyuru	5.981
Toplam	10 şablon	200.000

• Soru-yanıt: 884.000 çift; belge başına 3–5, ortanca 4.
• Metin: toplam 120,1 milyon karakter; belge başına ortanca 518 karakter.
• Görünüm: 100.280 telefon fotoğrafı (foto), 99.720 tarama (tarama).
• Boyut: 100 parquet dosyası, 23,3 GB. Görseller JPEG olarak gömülüdür.

Alanlar

Alan	Tür	Açıklama
image	görsel	Bozulmuş belge görseli (JPEG).
id	metin	Tekil kimlik: <şablon>_<tohum>_<sıra>.
tur	metin	Belge türü: fis, fatura, form, dilekce, diger.
sablon	metin	Belgeyi üreten HTML şablonu.
text	metin	Belgenin tam metni, okuma sırasıyla.
fields	metin (JSON)	Yapılandırılmış alanlar. Anahtarlar şablona göre değiştiği için JSON metni olarak saklanır; json.loads ile açılır.
qa	liste	Soru-yanıt çiftleri: soru, cevap ve cevabın geldiği alanın adı (alan).
gorunum	metin	Bozma türü: foto ya da tarama.
okunabilirlik	ondalık	Bozulmuş görselin keskinliğinin temiz render'ın keskinliğine oranı. Düşük değer daha ağır bozulma demektir; üretimde 0,025 altındaki görseller yeniden bozulmuştur.

Bir fişin fields içeriğinden örnek:

{"isletme_ad": "MANÇO PİDE FIRIN", "tarih": "25.11.2025", "saat": "16:00", "fis_no": "5837",
 "kalemler": [{"ad": "KARIŞIK IZGARA", "adet_satiri": "4 AD X 480,00", "kdv_orani": "%10", "tutar": "1.920,00 TL"}],
 "toplam_kdv": "466,26 TL", "toplam": "5.128,79 TL", "odeme_turu": "YEMEK KARTI"}

Aynı fişin sorularından biri: {"soru": "Fişin toplam tutarı ne kadar?", "cevap": "5.128,79 TL", "alan": "toplam"}

Kullanım

import json
from datasets import load_dataset

ds = load_dataset("moganai/turkish-synthetic-documents", split="train", streaming=True)
ornek = next(iter(ds))
ornek["image"]                     # PIL görseli
ornek["text"]                      # tam metin
alanlar = json.loads(ornek["fields"])
ornek["qa"]                        # [{"soru": ..., "cevap": ..., "alan": ...}, ...]

Nasıl üretildi

1. Veri: Faker (tr_TR) ve üretim kodundaki sözlüklerle işletme, kişi, adres, ürün, tutar, tarih ve KDV değerleri üretildi.
2. Şablon: Değerler Jinja ile HTML şablonlarına yerleştirildi.
3. Render: Sayfalar Playwright (Chromium) ile görsele çevrildi.
4. Bozma: Augraphy ile mürekkep ve kâğıt bozulmaları, ardından perspektif, gölge ve bulanıklık uygulandı. Metni okunmaz hâle getiren bozmalar keskinlik oranına bakılarak yeniden üretildi.
5. Etiket: text, fields ve qa belgeyi üreten veriden doğrudan yazıldı; hiçbir etiket OCR ya da dil modeli çıktısı değildir.

Sınırlar

• Şablon çeşitliliği azdır: 10 şablon var. Yalnız bu veriyle eğitilen bir model yerleşimi ezberleyebilir; gerçek belgelerle ya da başka kaynaklarla karıştırılması önerilir.
• Görseller gerçek belge değildir: Kâğıt dokusu, yazıcı hataları, el yazısı notlar, kaşe ve imza gibi gerçek dünyadaki ayrıntılar sınırlı ölçüde taklit edilmiştir. Gerçek logo, mühür ve karekod yoktur.
• Sorular şablondan gelir: Soru kalıpları sınırlıdır ve her sorunun cevabı belgedeki tek bir alandır; akıl yürütme ya da birden çok alanı birleştirme gerektiren soru yoktur.
• Tek bölme: Ayrılmış doğrulama ya da test bölmesi yoktur; değerlendirme için id içindeki tohuma göre ayırabilirsiniz.

Kişisel veri ve gerçeklik

Kişi adları, işletme adları, adresler ve numaralar üretilmiştir. T.C. kimlik numarası, vergi kimlik numarası ve IBAN değerleri sağlama kontrolünü bilerek geçmeyecek biçimde oluşturulmuştur. İl ve ilçe adları ile kurum türleri (ör. vergi dairesi, belediye) gerçektir; gerçek bir kişi ya da işletmeyle benzerlik tesadüftür.

Lisans

CC BY 4.0. Kullanırken kaynak gösteriniz: MoganAI, Turkish Synthetic Documents, 2026.

Görsellerde kullanılan yazı tipleri Google Fonts'tan alınmıştır.