解析とOCR

確認すべきポイント

選択肢を分けるポイントを、重要な順に並べています。

1. 01

   自分の最も扱いにくい文書での結果

   きれいなレポートでは同じに見えるパーサーも、スキャンした契約書、回転したページ、多階層の表では差が出ます。最も難しいファイルを20〜50件選び、候補ごとに解析し、人が読む内容と出力の差分を取りましょう。下に挙げるベンチマークは、あなたの文書とは似ていないかもしれない文書の組み合わせを使っているので、どのリーダーボードよりもこちらのほうが役に立ちます。

2. 02

   表の構造

   パーサーの失敗が最も目に見えるのは表です。結合されたセル、複数列にまたがる見出し、ページをまたいで分かれた表が、区切りのない文章になってしまいます。ベンチマークはこれをTEDS（予測した表の構造と正解の構造の木編集距離に基づく類似度。高いほどよい）で採点します。表が分割されたときにパーサーがヘッダー行を保持するかを確認してください。ヘッダーのない行は検索でうまく返りません。

3. 03

   OmniDocBenchの読み方

   OmniDocBenchは、ページ解析で最も引用される公開ベンチマークです。Overallスコアは、テキストの精度（1から正規化編集距離を引いたもの）、表のTEDS、数式のCDMの3つの平均なので、数式に強いモデルが、あなたが重視する表で優れたモデルより上位になることがあります。各要素の列を読んでください。v1.5、v1.6、v1.7のバージョン間は比較できず、自己申告のスコアは第三者による実行と異なります。DeepSeekはv1.5でDeepSeek-OCR 2を91.09と報告していますが、Baiduの測定では89.17でした。

4. 04

   スキャン、写真、手書き

   デジタルで作成されたPDFやOfficeファイルはテキストを持っていますが、スキャンやスマートフォンの写真にはOCRが必要です。MarkItDownのようなルールベースの変換ツールは、既定ではスキャンからほとんど何も返しません。機械学習のパイプライン（Docling、Unstructuredのhi_res）は印刷物のスキャンを扱え、視覚言語モデル（PaddleOCR-VL、Chandra OCR 2、ホスト型のエージェント型プラン）は、傾いたページ、暗いページ、手書きのページでより優れていますが、計算コストは高くなります。

5. 05

   出力における読み順と構造

   段組み、サイドバー、脚注は、人が読む順番で出力され、見出しは見出しとして示されなければなりません。Doclingの文書モデルやUnstructuredの型付き要素のような構造化された出力があれば、次のステップでセクションごとにチャンク化し、ヘッダーやフッターを除外できます。出典を引用したり強調表示したりする必要があるなら、バウンディングボックスとページ番号が重要です。

6. 06

   文書がどこで処理されるか

   ホスト型のパーサーはファイルを他社のクラウドに送り、中にはサードパーティのモデルプロバイダーを再委託先として使うものもあります。文書が機密や規制の対象なら、セルフホストのライブラリやモデル、またはVPCやオンプレミスでのデプロイを提供するベンダーを選んでください。セルフホストのVLMにはGPUが必要で、MLのパイプラインはCPUで動きますが遅くなります。

7. 07

   1,000ページあたりの費用と処理量

   ホスト型の価格はページ単位で示され、モードによって異なります。LlamaParseはプランによって1,000ページあたり$1.25〜$56.25で、Reductoは解析に$10、詳細な抽出に$40を課金します。セルフホストのツールでは、代わりにGPUやCPUの時間がかかります。高価なモードに回すのは難しい文書だけにしましょう。デジタルで作成されたきれいなファイルなら、高速なパーサーで十分です。

8. 08

   信頼できないファイルに対するセキュリティ

   パーサーは、攻撃者が操作できる複雑な形式を開きます。Doclingは2026年10月に9件のセキュリティアドバイザリを公開し、そのいくつかは細工した文書でローカルファイルを読み取れるものでした。MarkItDownのREADMEは、プロセスの権限でファイルやURLを読むと警告しています。ユーザーが文書をアップロードできるなら、修正済みのバージョンに固定し、解析をサンドボックス化してください。

データの種類に合ったアプローチ

コンテンツの種類によって適したモデルは異なります。多くのシステムは複数のモデルを使い、データの種類で振り分けています。

34 個のツールを比較

当サイトの評価順です。各レビューで出典、料金、評価の詳細を確認できます。

解析とOCRのツール比較

ツール	評価	当サイトの評価	向いている用途	料金
Doclingリポジトリ	4.5/5	Docling は表を正しく扱えるオープンソースのパーサーであり、同時にセキュリティリリースを飛ばすことが許されないパーサーでもあります。	複雑な表を含む PDF や Office 文書を対象に、セルフホスト型の RAG を構築するチーム。	MIT ライセンスの無料オープンソースです。
PaddleOCR-VL-1.6モデル	4.4/5	10億パラメータ未満で表の首位に立つ文書解析ですが、Baiduのツールチェーンを受け入れることが条件です。	多様な1ページの文書から、表、数式、テキストを大規模に抽出するチームに向いています。	Apache 2.0で無料です。公式のホスト型の価格は公開されていません。
Reductoツール	4.3/5	Reductoは、抽出のミスがページ代より高くつく場面で費用を払う価値のあるパーサーです。ただし精度の根拠の多くは、今もReducto自身にさかのぼります。	誤りが高くつく、長い金融・法律・医療文書からフィールドを抽出するチーム。	$150分の無料利用、1,000ページあたりParse $10、Extract $20、Deep Extract $40、Edit $60です。バッチではParseとExtractが20%引きです。GrowthとEnterpriseは個別料金です。
MiniCPM-OCR 1.0モデル	4.3/5	MiniCPM-OCR 1.0は、首位に近い解析の精度と、開発元の15モデルのテストで最高のスループットを兼ね備えています。数字が確かなら、実用的な小型OCRの選択肢です。	中国語や英語の文書を自分のGPUで大量に解析し、最後の1ポイントの精度と同じくらい1時間あたりのページ数を重視するチーム。	Apache 2.0で無料。ModelBestのホスト版の文書解析APIは無料とうたわれていますが、利用枠と有料の料金は公開されていません。
GLM-OCRモデル	4.3/5	GLM-OCRはもう最も精度の高い解析モデルではありません。しかし断る理由が最も少ないモデルです。小さく、MITライセンスで、独立した評価を受けており、安く借りられます。	自分で動かすことも、同じベンダーからトークン単位で借りることもできる、高速で制限の緩いライセンスのOCRモデルを求めるチーム。	MITライセンスで無料。Z.aiのAPIは入力、出力とも100万トークンあたり$0.03、BigModel（中国）は100万トークンあたり0.2 RMBです。
MinerUリポジトリ	4.3/5	MinerUは、最も正確なオープンな文書モデルの一つと、活発でよく文書化されたツールキットを組み合わせています。ただしライセンスはもう単純なオープンソースではなく、APIも動き続けています。	表示の条項を受け入れられ、PDFとOfficeのファイルが混じった大量の文書を自分のハードウェアで解析するRAGやデータのチーム。	MinerU Open Source License（条件を加えたApache 2.0）で無料です。月間アクティブユーザーが100 million（1億）人、または月の売上が$20 millionを超える場合は、別の商用ライセンスが必要です。
Markerリポジトリ	4.3/5	Marker は、開発元が測定した他のどのオープンなパイプラインよりも上手に難しい PDF を使える Markdown に変えますが、重みのライセンスがその自由に売上の上限を設けています。	複雑な PDF やスキャンした PDF を、自前のハードウェアで大量に変換する RAG とデータのチーム。	コードは Apache 2.0 のもとで無料です。重みは売上と資金調達額が $5M 未満なら無料、それ以上は商用ライセンスです。ホスト型の Datalab API は、Convert が1,000ページあたり $4（fast または balanced）、Team プランが月 $400 です。
LlamaParseツール	4.2/5	LlamaParse は、RAG パイプライン向けに文書をきれいなテキストに変換し、ページ単価は安く予測しやすくなっています。ただし、ファイルを他社のクラウドに送ってよいことが前提です。	RAG のために多様な PDF を大量に解析し、低く予測しやすいページ単価を求めるチーム。	Free は月 10K クレジット。Starter 月 $50（40K クレジット）、Pro 月 $500（400K クレジット）。1,000 クレジットあたり $1.25。解析は段階に応じて 1 ページ 1 から 45 クレジット。
pdf-inspectorリポジトリ	4.2/5	もっとも安価なOCR呼び出しとは実行自体を行わないことであるため、pdf-inspectorはあらゆるPDFパイプラインの最初のステップにするべきです。	大半がデジタル生成されたPDFを対象にRAGやエージェントパイプラインを構築しており、ローカルでの高速な抽出と安価なスキャン判定を求めるエンジニアに適しています。	MITライセンスのもとで無料です。
Mistral OCRツール	4.2/5	Mistral OCRはほぼどの言語の文書もうまく読み取り、どれだけ確信があるかも示してくれます。ただし、料金に見合うのはバッチ処理を使ってからです。	多言語の文書パイプラインを構築し、ページ上の位置と信頼度スコアを必要とする開発者に向いています。特に欧州やオンプレミスでの利用に適しています。	1,000ページあたり$4、Batch APIでは1,000ページあたり$2、アノテーション付きは1,000ページあたり$5です。エンタープライズ顧客向けのセルフホスト用コンテナもありますが、価格は公開されていません。
Unlimited-OCR 2モデル	4.2/5	Unlimited-OCR 2は300ページの報告書を1回のモデル呼び出しに変えます。ただし今のところ、それを証明するスコアボードはBaiduが作ったものだけです。	長い報告書、契約書、書籍をデジタル化し、自社のGPUで文書全体を一度に処理したいチームです。	MITライセンスで無料です。Baidu AI Cloudのホスト型APIは期間限定で無料です（テスト枠は個人200ページ、企業1,000ページ）。有料の料金は公開されていません。
Chandra OCR 2モデル	4.2/5	Chandra OCR 2は、私たちが取り上げるオープンな文書解析モデルの中で外部からの裏付けが最も強く、ライセンスは最も厳しいモデルです。無料の商用利用は$2Mで終わります。	難しいスキャンや手書きのために、独立したテストを最も多く受けたオープンな解析モデルを求める、研究者、アーカイブ、ライセンスの基準を下回る小さな企業。	重みは、研究、個人利用、売上$2M未満かつ調達額$2M未満の企業には無料で、それを超えると有料ライセンス（価格非公開）です。DatalabのAPIは、Convertが1,000ページあたりfast/balancedで$4、accurateで$10、Teamプランは月$400です。
LightOnOCR-3-4Bモデル	4.2/5	LightOnOCR-3-4Bは、かつてはパイプラインが必要だったレイアウトのボックスとグラフのデータを、1つの4Bモデルで提供します。LightOnの数字では、フランス語と手書きの文書で倒すべきオープンなモデルです。	検出のパイプラインを動かさずにレイアウトとグラフのデータを得たい、欧州の言語の業務文書、フォーム、手書きを解析するチーム。	Apache 2.0で無料。モデルカードには開発元によるホスト版のAPIの記載はなく、Hugging Face Spacesで無料のデモが動いています。
Mistral OCR 4.1モデル	4.2/5	役に立つ信頼度スコアとセルフホストの選択肢を備えた、レイアウトを理解する強力なOCRです。ただし価格は前身や一部の競合の4倍です。	ページあたりの最安コストよりも、レイアウト、信頼度スコア、EUまたはオンプレミスでのホスティングを必要とする文書パイプラインを作るチームに向いています。	1,000ページあたり$4。Batch APIでは1,000ページあたり$2。Document AIのアノテーションは1,000ページあたり$5。エンタープライズ顧客向けのセルフホスト用コンテナは個別契約です。
OvisOCR3モデル	4.2/5	OvisOCR3は、OvisOCR2が1つの仕事に使っていたのと同じ大きさで、5つの文書の仕事をこなします。足を引っ張っているのは、Alibabaの外でまだ誰も採点していないことだけです。	解析、項目の抽出、ページをまたぐ表を1つの小さなセルフホストのモデルでまかないたく、自分の文書で検証できるチーム。	Apache 2.0で無料。ホスト版のAPIはなく、Hugging Face Spacesで無料のデモが動いています。
Xberg (formerly Kreuzberg)リポジトリ	4.1/5	Xbergは、どのような言語で記述していてもほぼすべてのファイルを開くことができますが、その対応範囲の広さは保護すべき攻撃対象領域の広さも伴います。	Python以外の環境で、交換可能なOCRを備え、多種多様なファイル形式に対応する単一の組み込み可能なパーサーを必要とするチームに適しています。	MITライセンスのもとで無料です。Xberg ProおよびEnterprise（マネージドまたはセルフホストのバックエンド）はデザインパートナープログラムを通じて販売されており、価格は申請時にのみ開示されます。
Xiaomi-OCR-0モデル	4.1/5	Xiaomi-OCR-0は、1.5倍の大きさのモデルとほぼ同じくらいうまくページを読みます。しかし最も良い見出しの数字は、競合の研究所が再現できなかったものです。	ページからMarkdownへの解析と、フォームやレシートからの項目抽出の両方を、1つの小さなApacheライセンスのモデルでまかないたいチーム。	Apache 2.0で無料。Xiaomiによるホスト版のAPIはありません。
OvisOCR2モデル	4.1/5	OvisOCR2は、0.8Bのエンドツーエンドのモデルが最良のパイプライン型の解析モデルに並べることを証明しました。そして3か月後、自身の後継によって2番手の選択肢になりました。	公開のOmniDocBenchのリーダーボードで精度が確かめられた、小さな1回読みのページ解析モデルを求めるチーム。	Apache 2.0で無料。ホスト版のAPIはなく、Hugging Face Spacesで無料のデモが動いています。
HunyuanOCR 1.5モデル	4.1/5	Tencent自身の数字では、HunyuanOCR 1.5は1Bパラメータ前後で最も強いエンドツーエンドのOCRモデルです。そして欧州、英国、韓国の人は法的に使えません。	文書解析、文字検出、抽出、画像の翻訳を1つの小さなモデルでまかないたい、欧州、英国、韓国以外のチーム。	EU、英国、韓国以外ではTencent Hunyuan Community Licenseで無料です。月間ユーザーが100 million（1億）人を超えるサービスにはTencentのライセンスが必要です。ホスト版のAPIの価格は公開されていません。
PP-OCRv6モデル	4.1/5	PP-OCRv6は、VLMのごく一部の費用で、CPUやスマートフォンの上でテキストの行を読みます。ただし必要なのが言葉だけで、ページの構造ではない場合に限ります。	CPU、スマートフォン、エッジのデバイスで、あるいは自前の文書パイプラインの最初の段階として、速く安いテキストの行のOCRを必要とするエンジニア。	Apache 2.0で無料。開発元によるホスト版の価格は公開されていません。
Azure Document Intelligenceツール	4.0/5	毎回同じ見た目の請求書、領収書、フォームなら、Azure Document Intelligenceは安く、安定していて、オフラインでも動きます。ただし判断が必要な雑多な文書には向かないツールです。	Azure上で標準的なフォーム、請求書、身分証明書を大量に処理するチーム、または文書の抽出をオンプレミスやオフラインで動かす必要がある人。	無料枠は月500ページ。Readは1,000ページあたり$1.50（月100万ページ超は$0.60）。Layoutと既製モデルは$10、独自の抽出は$30、分類器は$3、追加機能は$6。コミットメント階層は月$190から、切断環境向けコンテナは年$8,640からです。
Qianfan-OCRモデル	4.0/5	1回の呼び出しでページを読み、理解する必要があるなら、選ぶべきはQianfan-OCRです。単純なMarkdownへの変換なら、より小さな解析モデルのほうが正確です。	項目の抽出、グラフの読み取り、多言語のOCRを1つのセルフホストのモデルでまかなう必要があり、データセンター向けのGPUを割り当てられるチーム。	Apache 2.0で無料。Baidu AI CloudのQianfanのプラットフォームでも提供されていますが、ホスト版の価格はモデルカードに書かれていません。
Falcon OCRモデル	4.0/5	Falcon OCRは、270Mパラメータを1回通すだけの費用で、10倍の大きさのモデルとほぼ同じくらいうまくテキストを読みます。ただし表の構造の弱さを受け入れられることが条件です。	表の構造よりテキストが重要で、レシート、フォーム、スキャン、手書きを大量に、控えめなGPUで処理するチーム。	Apache 2.0で無料。ホスト版のAPIはなく、TIIはセルフホスト用のvLLMのDockerイメージを公開しています。
Surya OCR 2.5モデル	4.0/5	Surya 2.5は、1B未満のモデルを、H100 1基で1時間あたり約16,000ページを処理する本格的な文書パーサーにしました。ただし、最初に読むべきなのは重みのライセンスです。	レイアウトと表を含む高速な自前ホスティングの文書解析が必要で、会社がライセンスの基準を下回る小規模チームと研究者です。	重みは研究、個人利用、売上と資金調達額が$5M未満の企業は無料です。それを超えると有料ライセンスです（価格は非公開）。Datalab API：Convertはfast/balancedで1,000ページあたり$4、accurateで$10、Teamプランは月$400です。
Indra OCRリポジトリ	4.0/5	文書が鮮明な印刷物であり、企業規模がライセンスの20Mドルの基準に収まる場合、通常のCPU上で十分に高速に動作し、大量OCR処理のコスト構造を変える可能性があります。	鮮明に印刷された大量の文書を、CPUを使用して低コストでOCR処理する必要があるスタートアップや研究チームに適しています。	コードはApache-2.0です。重みは修正版OpenRAIL-Mのもと、研究、個人利用、資金調達額または収益が20Mドル未満の企業には無料ですが、それ以外はDatalabからの商用ライセンスが必要です。
FireRed-OCRモデル	3.9/5	形式に対する強化学習で2Bの汎用モデルを11ポイント引き上げられることをはっきり示しています。ただし、いまもこれを上回るパイプライン型の解析モデルから乗り換える理由にはまだなりません。	すでにQwen3-VLを運用していて、レイアウトのパイプラインを足さずに差し替えられる文書からMarkdownへのチェックポイントがほしいチーム。	Apache 2.0で無料。ホスト版のAPIはなく、Hugging Face Spaceの無料のデモがあるだけです。
Unstructuredリポジトリ	3.8/5	特殊なファイル形式を網羅する点では依然として最も広範ですが、開発元自身が有償版を利用すべき理由を示す数値を公表しています。	RAG向けに多様なドキュメント形式を取り込むETLパイプラインを構築するチームに適しています。	ライブラリはApache 2.0の下で無料です。ホステッドプラットフォームは10,000ページまで無料で、その後は1ページあたり$0.015です。VPCや専用デプロイメントを含むBusinessプランは個別見積もりとなります。
MarkItDownリポジトリ	3.8/5	MarkItDown は Office ファイルをオープンソースの中で最も速くモデルに渡せますが、検索で最もそのまま残すべき PDF を平板にしてしまいます。	Office 文書ときれいなデジタル PDF を、速く安くモデルに渡す必要がある開発者。	MIT ライセンスのもとで無料のオープンソースです。任意の Azure の変換サービスは Microsoft が課金します。
Nemotron OCR v2モデル	3.8/5	Nemotron OCR v2は、ここで取り上げるオープンなOCRの中で桁違いに速いモデルです。しかしNVIDIA自身の文書のベンチマークでは、速さで上回るPaddleOCR v5より読み取りの精度が劣ります。	NVIDIAのハードウェアを使い、商用に適したライセンスで、非常に大量のページからプレーンテキストを素早く抽出する必要がある検索やRAGのチーム。	NVIDIA Open Model Licenseで無料、商用利用可。build.nvidia.comに試用のAPIがあります。NIMのコンテナの価格はモデルのページに公開されていません。
Infinity-Parser2-Flashモデル	3.8/5	Infinity-Parser2-Flashは、ほとんどの2Bモデルより多くの種類の文書作業をこなします。しかし単純なページの解析ではより小さな解析モデルに及ばず、速くするにはバッチ処理が必要です。	ページの解析、グラフの抽出、化学構造の認識を1つの小さなセルフホストのモデルでまかないたい、研究や技術文書のチーム。	Apache 2.0で無料。開発元によるホスト版のAPIはなく、Hugging Face Spacesで無料のデモが動いています。
DeepSeek-OCR 2モデル	3.7/5	視覚トークンを節約でき、論文での説明も丁寧ですが、競合の方が読み取り精度は高く、リポジトリ自体も2月から更新が止まっています。	すでにDeepSeek-OCRのスタックに投資していて、そのまま差し替えられる精度向上を求めるチーム。	Apache 2.0で無料です。
Jina OCR v1モデル	3.7/5	Jina OCR v1は同じクラスで最も短いページを書き、それを速く解析します。しかし精度は中位のモデルで、重みは契約なしには商用に使えません。	安価なホスト版のページからMarkdownへの変換を求める、すでにJina ReaderやElasticを使っているチームと、高速な非商用のベースラインがほしい研究者。	JinaのAPIは、入力が1Mトークンあたり$0.50、出力が1Mトークンあたり$2です。重みはCC BY-NC 4.0で非商用なら無料、商用のセルフホストにはJinaのライセンスが必要です（価格非公開）。
Ddeepseek-ocr.rsリポジトリ	3.6/5	deepseek-ocr.rs を使えば、Python なしで Mac 上の OpenAI エンドポイントの裏に最新の OCR モデルを置けます。ただし 1 人のプロジェクトで、2 月から動きが止まっています。	Apple Silicon や CPU のみのマシンで、Python のスタックなしに OpenAI 形式の API の裏でローカルの OCR モデルを使いたい開発者。	Apache-2.0 で無料です。モデルの重みは上流のライセンスに従います。
dots.ocrモデル	3.6/5	2025年には単一モデルによるレイアウト解析を信頼に足るものにしました。しかし2026年後半のいま、開発元自身が置き換えた版になっています。	既存のdots.ocrのパイプラインを持つチーム、またはMITライセンスの単一モデルで、資源の少ない言語のバウンディングボックスと読み順を必要とするチーム。	MITライセンスで無料。開発元によるホスト版のAPIはありません。

仕様の比較

このステップで重要な仕様です。2026年11月2日に確認しました。導入前に提供元のサイトで確認してください。

エージェントに接続する

Claude、ChatGPT、Cursor などのアシスタントがこれらのツールを直接使えるようにする MCP サーバーです。

• MarkItDown MCP 3.9

このステージが使われる場面

• 文書とのチャット：まず Docling, LlamaParse から始めます。
• カスタマーサポートエージェント：まず MarkItDown から始めます。
• コーディングエージェント：まず MarkItDown から始めます。
• リサーチとナレッジグラフ：まず Docling, PaddleOCR-VL-1.6 から始めます。
• 長期記憶を持つアシスタント：まず MarkItDown から始めます。
• 画像生成パイプライン：まず Docling から始めます。
• 動画制作：まず Docling から始めます。
• 音声エージェント：まず Docling から始めます。
• プライベートなオンデバイスAI：まず Docling, PaddleOCR-VL-1.6 から始めます。
• 文書処理：まず Reducto, PaddleOCR-VL-1.6, DeepSeek-OCR 2 から始めます。
• 自社専用のファインチューニング済みモデル：まず Docling から始めます。
• ワークフロー自動化：まず MarkItDown から始めます。

このガイドの出典

• OmniDocBench on GitHub
• Unstructured vs LlamaParse vs Docling (Kanopy Labs)
• MarkItDown vs Docling vs Marker (danilchenko.dev)
• docling-project/docling on GitHub
• Docling October 2026 advisories (Safeguard)
• microsoft/markitdown on GitHub
• LlamaParse pricing documentation
• Reducto pricing
• PaddleOCR-VL-1.6 model card
• DeepSeek-OCR 2 model card
• Unlimited-OCR paper (arXiv)