印刷文字のみ対応。言語の選択が最も重要です。初回は認識エンジンとモデルをダウンロードし、その後はオフラインでも使えます。
この OCR ツールでできること
書類の写真、スクリーンショット、スキャンしたページ、看板の写真をドロップすると、中の文字が選択できるテキストとして画像の横に出てきます。対応言語は 12 種類：英語、簡体字中国語、繁体字中国語、日本語、韓国語、スペイン語、フランス語、ドイツ語、ポルトガル語、ロシア語、イタリア語、ベトナム語。どの言語を選んでも英語も同時に読むので、英字の名前や数字が混じった日本語の契約書も一度で読めます。画像ごとに言語を選び、結果も画像ごとに出ます。結果欄は編集でき、コピー前に誤字を直せます。
認識は二つのエンジンが分担し、選んだ言語で自動的に切り替わります。英語、簡体字中国語、スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語は PaddleOCR の PP-OCRv6 が担当します。一つのネットワークが画像内の各行を見つけ、もう一つが行ごとに読み取ります。二つのモデルは合わせて 6.3 MB です。繁体字中国語、日本語、韓国語、ロシア語、ベトナム語は Tesseract が担当します。この PP-OCR モデルの文字セットには仮名、ハングル、キリル文字がなく、よく使う繁体字も多く欠けているためです。どちらのエンジンもブラウザの Worker スレッドで動き、ダウンロードは一度だけで、その後はキャッシュされます。画像そのものは端末から出ません。身分証、契約書、診療記録では大切な点です。
使い方
画像を追加、ドロップ、または貼り付けます。各画像の下で文字の言語を選び（精度に一番効く要素です）、「認識」を押します。初回はエンジンのダウンロードも入ります。比べたいときは言語を切り替えてもう一度「認識」を押します。結果はその場で直し、「コピー」するか .txt でダウンロードします。画像が 2 枚以上あると、下に「すべてのテキストをコピー」と「1 つの .txt にまとめて保存」が出ます。
英語、簡体字中国語、スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語の結果では、行を指すと元画像の対応する枠が強調され、元画像の枠をクリックするとその行が選択されます。行はページ全体の傾きに沿ってまとめられ、2 段組のページは段ごとに読みます。「改行を保持」は原文どおりに改行し、「段落にまとめる」は行をつないで文書に貼りやすい文章にします。PDF の書類は先にPDF を画像にで変換すれば、ワンクリックでページをここに送れます。傾いた写真は画像の回転と画像の切り抜きを通すと読みやすくなります。
よくある失敗
OCR が読めるのは印刷された文字です。手書き、装飾フォント、ごちゃごちゃした背景の上の文字は文字化けしたような結果になり、ブラウザのツールではどうにもなりません。精度は主に写真次第です。ページを画面いっぱいに収め、平らにまっすぐ置き、均一な明るい光で撮り、影や反射を避け、ドロップ前に画像を縮小しないでください — A4 ページを 1200 万画素で撮った写真が理想で、600 ピクセルのサムネイルではお手上げです。言語の選び間違いも意味不明な結果のもう一つの大きな原因です。日本語のページを中国語として、フランス語を英語として読ませると、それらしく見えるゴミが出てきます。
表は罫線のないテキスト行になります。周りに文字の少ない数字（請求書、メーターの数値）もよく読めますが、6 と 8 は機械にも似て見えるので、必ず確認してください。端末での初回利用時はエンジンと言語モデルをダウンロードするため一度だけネット接続が必要で、その後はオフラインで使えます。スマートフォンで大量に処理すると時間がかかり、1 ページ数秒は普通です。
背景知識：文字はどのように認識されるか
PP-OCR は二段階で動きます。小さな検出ネットワークが文字に当たる画素に印を付け、印の付いた領域をそれぞれ傾きを持った長方形に変えます。そのため数度傾いて撮った写真でも、まっすぐな行が得られます。各行は切り出されて高さ 48 ピクセルに縮尺され、6905 文字を知る認識ネットワークが読み取ります。対象は簡体字中国語、アクセント付きのラテン文字、数字、記号です。最後に各行を読む順に並べ直します。行はページ全体の傾きに沿ってまとめ、両側に長い行がある縦の空白は段組みとして扱い、通常の行間より明らかに広い間隔は段落の区切りにします。
エンジンを切り替える前に、28 枚のテスト画像で両方を走らせました。13 の文章をきれいに描画した画像、同じ画像を縮小し 2.5° 傾けてノイズを加え低画質 JPEG で保存したもの、そして A4 二ページです。中国語の平均文字誤り率は Tesseract の 18.6% から PP-OCR の 1.3% に、写真風の組では 22.2% から 2.0% に下がりました。オレンジのグラデーション上の白い見出しは、Tesseract では何も返らず、PP-OCR では全文正しく読めました。きれいな英語、フランス語、ドイツ語、スペイン語はどちらもほぼ完璧でした。私たちのテスト機では、単一スレッドの WebAssembly でスクリーンショット一枚が 0.3 から 0.7 秒、文字の詰まった A4 一ページが 6 から 8 秒です。残る五つの言語で使う Tesseract は言語ごとに学習した LSTM ネットワークで、ここでは tessdata_best を 8 ビット整数に量子化したモデルを使っています。読み取りの前に画像はグレースケールに変換され、長辺約 2000 ピクセルまで拡大されます。
画像文字起こしが必要な場面
送られてきたスクリーンショットから段落をコピーする。撮影したホワイトボード、スライド、本のページをメモにする。スキャンした手紙や画像だけの古い PDF から文字を取り出す。写真から住所、注文番号、シリアル番号を抜き出す。領収書や請求書を経理用にデジタル化する。別の文字体系のメニュー、看板、ラベルを読み取って翻訳ツールに貼り付ける。
このサイトでの流れは次の通りです。必要に応じて写真を 回転 と 切り抜き で整え、ここで文字を認識します。PDF は先に PDF を画像に変換 を通してください。文字を確認したら、写真から作った文書は 画像を PDF に変換 で一つにまとめられます。
よくある質問
画像はアップロードされますか？
いいえ。認識はブラウザ内で行われ、言語に応じて PP-OCR または Tesseract を使います。どちらも WebAssembly にコンパイルされています。画像は端末から出ません。エンジンとモデルは一度ダウンロードしてキャッシュされ、その後はオフラインで使えます。
対応している言語は？
英語、簡体字中国語、繁体字中国語、日本語、韓国語、スペイン語、フランス語、ドイツ語、ポルトガル語、ロシア語、イタリア語、ベトナム語です。アジア系言語は英語と組み合わせて一度に認識できます。
手書き文字は読めますか？
いいえ — 印刷された文字のみです。手書き、装飾フォント、ごちゃごちゃした背景の上の文字は、このツールを含めブラウザベースの OCR では安定して読み取れません。
精度を上げるには？
正しい言語を選び、鮮明で均一に照らされた、まっすぐな写真をフル解像度で使い、文字の部分に切り抜いてください。小さい画像やぼやけた画像は自動で拡大されますが、鮮明にすることはできません。
PDF を OCR できますか？
「PDF を画像に変換」ツールでページを画像にしてからこちらに送ってください。各ページが編集可能なテキストブロックになります。
