スキャンや写真からテキストを抽出
スキャンした書類は文字の「画像」であるため、コピー・検索・選択ができません。OCRはその文字を読み取ります。プレーンテキストとして受け取ることも、同じ書類に見えないテキストレイヤーを追加して通常のPDFのように扱えるようにすることもできます。
- スキャンしたPDFや写真に対応、最大200ページ
- ロシア語・日本語・中国語を含む7言語
- 検索可能なPDFはページの見た目をそのまま保持します
- ファイルは自動的に削除されます — 無料プランは24時間、有料プランは7日
PDF、PNG、JPG、TIFF、BMP、GIF、WebP、HEIC。
ページに実際に書かれている言語を選んでください。間違えてもエラーにはならず、意味のない文字列が返ってきます。
スキャンからテキストを抽出する方法
- 01
スキャンまたは写真をアップロード
スキャンしたPDFまたはページの画像を選びます。複数ページのPDFは順番に1ページずつ読み取られます。
- 02
言語を選ぶ
書類が実際に書かれている言語を選択してください。これは思っている以上に重要です。言語を間違えてもエラーは出ず、もっともらしく見える無意味な文字列が出力されます。
- 03
プレーンテキストか検索可能なPDFかを選ぶ
プレーンテキストではコピーできる文字が得られます。検索可能なPDFでは、元のページに隠しテキストレイヤーが追加されて返されるため、ファイルの見た目は同じまま検索と選択ができるようになります。
- 04
結果を読むかダウンロードする
テキストはページ上に表示され、そのままコピーできます。検索可能なPDFはすぐにダウンロードされます。
精度に影響する要素
解像度。ページは読み取り前に300 DPIでレンダリングされます。これはTesseract自身のドキュメントが推奨している水準です。遠くから撮った写真や100 DPIでスキャンした画像では、エンジンが手がかりにできる情報が少なくなります。
傾きとピント。斜めから撮影されたページや、本のとじ目付近で文字が湾曲しているページは、平らなスキャンに比べて明らかに精度が落ちます。
言語。言語ごとに専用の学習モデルがあります。キリル文字や日本語のテキストを英語のモデルで処理すると、エラーではなく、流暢に見えるでたらめな文字列が返ります。そのため、選択肢にはサーバーが実際に読み込める言語のみを表示しています。
OCRにできないこと。レイアウトは保持されません。段組み、表、見出しは読み順に沿った連続したテキストとして返されます。元のPDFにすでにテキストレイヤーがある場合は、テキストへの変換ではそちらが使われます。こちらは正確で瞬時に終わり、どんなOCRよりも優れています。
主な利用シーン
契約書や請求書
スキャンとして届いた署名済みPDFを検索可能なファイルにして、後から参照番号を見つけられるようにします。
スマートフォンで撮影したレシート
写真から金額や日付を取り出し、入力し直す手間をなくします。
古い書類やアーカイブ
何年も前にスキャンされた紙の記録を、ページの見た目を変えずに検索可能にします。
スクリーンショットやスライド
元ファイルがすでに失われている画像からテキストを復元します。
よくある質問
検索可能なPDFとは何ですか？
アップロードしたスキャンとまったく同じ見た目のPDFで、認識されたテキストが見えないレイヤーとして各単語の上に配置されています。ページの見た目は変わりませんが、選択・コピー・検索ができるようになり、他のソフトウェアからも同様に扱えます。
対応している言語は何ですか？
英語、ロシア語、フランス語、ドイツ語、スペイン語、日本語、簡体字中国語です。選択肢にはサーバーが読み込める言語だけが表示され、黙って無意味な結果を返すような言語が並ぶことはありません。
何ページまで処理できますか？
1ファイルにつき最大200ページです。各ページは個別にレンダリングして読み取るため、ページ数に比例して時間がかかります。
OCRの精度は信頼できますか？
きれいで傾きのない印刷文書のスキャンであれば、非常に高精度です。手書き、低解像度の写真、斜めのページ、特殊なフォントはいずれもかなり精度が落ちます。重要な数値は必ず確認してください。OCRの誤りはエラーではなく、もっともらしいテキストとして現れます。
書類は保存されますか？
ご利用プランの保持期間を超えて保存することはありません。無料プランおよびアカウントのない訪問者は24時間、有料プランは7日です。ファイルはTLSで転送され、結果を生成する以外の目的には使用されません。
PDFにすでに選択できるテキストがあります。OCRは必要ですか？
いいえ。PDFにすでにテキストレイヤーがある場合、テキストへの変換ではそのレイヤーが直接使われます。正確で瞬時に完了します。OCRが動くのは抽出できるものが何もないとき、つまりページが本当に画像だけの場合のみです。