光学文字認識(OCR)
光学文字認識(OCR)とは、スキャンしたページ、写真、スクリーンショットなどの画像からテキストを読み取り、検索、コピー、モデルへの入力ができる機械可読の文字に変換するソフトウェアです。
別名: OCR
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
スキャンした契約書は画像であり、テキストではありません。OCRを実行するまで、検索インデックスや言語モデルにはその中身が何も見えません。そのため、スキャンや撮影した資料では、OCRが文書解析の最初のステップになります。
仕組み
従来のエンジンは、ページ上のテキストの行を見つけ、各行の文字を認識します。長く使われているオープンソースの例がTesseractです。バージョン4では行全体を対象とするニューラルネットワーク(LSTM)エンジンが加わり、100を超える言語に対応しています。最近のOCRモデルはさらに進んで、Transformerやビジョン言語モデルでページ画像全体を読み、単なる行ではなく見出しや表を含むMarkdownを出力します。
例
古い紙の請求書をインデックス化するチームは、OCRでテキストを取り出し、レイアウト解析で明細行の順序を保ち、その後で初めて検索用に結果を分割します。Mistral OCR 4やSurya OCR 2.5などのOCRモデルのレビューでは、速度と精度のトレードオフを取り上 げています。
限界
低解像度のスキャン、手書き、珍しいフォント、複数の文字体系が混在する場合は精度が下がります。従来のエンジンは構造のないテキストを返すため、表はばらばらの行になって出てきます。モデルベースのOCRは構造をうまく扱いますが、ページにない流暢なテキストを生成することがあるため、画像と照らし合わせて抜き取り確認をしてください。すでにテキストレイヤーを含むPDFにはOCRは不要です。
関連用語
- 文書解析
- 文書解析(document parsing)とは、PDF、スキャン画像、スライド、スプレッドシートなどのファイルを、ソフトウェアで使える構造化されたテキストに変換することです。単なる文字の羅列ではなく、見出し、読む順序、表、画像を保ちます。
- ビジョン言語モデル(VLM)
- ビジョン言語モデル(vision-language model、VLM)とは、画像とテキストを入力として受け取り、テキストを生成するモデルです。画像を説明し、画像についての質問に答え、文書を読み、スクリーンショットからデータを抽出できます。
- レイアウト解析
- レイアウト解析(layout analysis)とは文書解析の一部で、タイトル、段落、表、図、キャプション、フッターなど、ページ上の領域を見つけてそれぞれにラベルを付け、人が読む順序を割り出す処理です。
- 表抽出
- 表抽出(table extraction)とは、文書の中から表を見つけ、その行、列、見出し、セルを、ばらばらのテキストの行ではなく、HTML、Markdown、CSVなどの構造化データとして再構築するタスクです。
- マルチモーダルモデル
- マルチモーダルモデルとは、テキスト、画像、音声、動画など複数の種類のデータを、別々のシステムではなく1つのモデルの中で受け取り、場合によっては生成できるAIモデルです。