ペイウォールなしの OCR：ブラウザーで完結する無料・ローカルの画像→Markdown 変換
OCR は、オンラインコンバーターが最も無料で提供したがらない機能です。スキャン文書を人気のツールに放り込むと、同じパターンに出くわします。無料枠のページ上限、アップロード必須、そして認識結果のテキストとの間に立ちはだかるサブスクリプションのフォームです。
当サイトは逆のアプローチを取ります。OCR エンジンは完全にブラウザー内で動作し、文書がマシンから出ることはなく、作成すべきアカウントもありません。計量するものがないからです。この記事では、ブラウザー内 OCR の仕組み、率直な品質の限界、そしてデスクトップツールが依然として適切な場面を説明します。
OCR がペイウォールの内側に追いやられた理由
認識処理は、単純なフォーマット変換とは比べものにならないほど計算コストがかかります。DOCX を読んで Markdown を書くのは文字列操作ですが、ページ画像の認識は、学習済みモデルをすべてのグリフに対して実行することを意味します。サーバー上では、このコストがすべてのユーザー、すべてのページ、毎日分だけ乗算されます。だからベンダーはページ上限、1 日の制限、Pro プランで計量するのです。
アップロード必須も同じアーキテクチャから帰結します。モデルがベンダーのサーバーにある以上、文書はそこへ送らなければなりません。こうして OCR は「アップロード＋ペイウォール」モデルの象徴になりました。スキャンした契約書は他人のキューに置かれ、あなたが待つ間もメーターは回り続けます。
ブラウザーのタブの中で OCR はどう動くのか
ここでのエンジンは Tesseract です。ocrmypdf などのデスクトップツールを駆動しているのと同じオープンソースの認識エンジンで、WebAssembly にコンパイルされ、あらゆるモダンブラウザーでネイティブに近い速度で動作します。必要な言語データは言語ごとにオンデマンドでダウンロードされ、ローカルにキャッシュされるため、2 回目以降の訪問では取得をスキップします。
スキャン PDF にはもう 1 ステップあります。PDF のページはまだ画像ではないため、パイプラインはまず各ページをビットマップにレンダリングします。グリフを鮮明にするため 2 倍の解像度で、ブラウザーが PDF を表示するのと同じ PDF.js レンダラーを使います。ビットマップは Tesseract に渡され、認識されたテキストが戻り、Markdown ライターが結果を組み立てます。すべての段階があなたのマシン上で実行されます。
「ローカル」がもたらすもの
プライバシーが最大の見出しです。医療記録、署名済みの契約書、身分証明書、取締役会の議事録。最もよくスキャンされる紙のカテゴリーは、見知らぬ他人のサーバーにアップロードすべきでないカテゴリーそのものです。認識がブラウザーのタブ内で起これば、「ベンダーが文書をどうするのか」という問い自体が生まれません。
副次的な利点も実用的です。ページ上限がないのは、あなたの CPU が唯一のメーターだから。キューがないのは、あなたが唯一のジョブだから。アカウントがないのは、請求するものがないからです。そしてエンジンと言語データがキャッシュされれば、ツールはオフラインでも動きます。飛行機の中、地下の書庫、ネットワークから隔離されたマシンの上でも。
8 つの言語をオンデマンドで
認識モデルは文字体系ごとに特化しています。英語向けに調整されたモデルは中国語をうまく推測できません。このツールは 8 言語——英語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語、簡体字中国語、日本語——の言語データを提供し、選択した 1 つだけをダウンロードします。初回ロードのコストを、実際に使う量に比例させるためです。
正しい言語を選ぶことは、ほかのどの設定よりも重要です。ドイツ語の文書を英語モデルで認識すれば、ウムラウトは推測の中で失われます。中国語のページをラテン文字モデルにかければ、出力はノイズです。複数言語の文書は周知の難題です。支配的な言語を選び、少数言語の箇所は校正する覚悟を持ってください。
率直な品質の期待値
きれいな印刷テキストは追い風です。レーザープリントされたページを 300 dpi でくっきりスキャンしたものは、ほぼ完璧な精度で認識され、戻ってくる Markdown は本当に使えます。劣化は予測可能な筋道をたどります。低解像度の取り込み、傾いたページ、薄いコピー、装飾的なフォントはそれぞれ精度を削り、手書きは依然としてあらゆる主流エンジンの信頼できる範囲の外にあります。
2 つの失敗パターンには特別な注意が必要です。視覚的に紛らわしい文字——大文字の I、小文字の l、数字の 1、数字の 0 と大文字の O——は音もなく誤読されるため、数字と名前は手動で確認する価値があります。そして表は構造上の弱点です。OCR はセルのテキストを読み取り順に読みますが、グリッドは再構成しません。認識された表はテキスト行として届き、表への再構成はあなた自身が行います。OCR の出力は下書きです。それを下書きとして扱うことが、ワークフローと混乱の分かれ目です。
ローカル OCR で最高の結果を得るには
入力品質は、あなたが握る最大のレバーです。300 dpi 以上でスキャンし、ページを平らにまっすぐ保ち、可能ならスマホの写真よりスキャナーのグレースケールまたは白黒モードを優先しましょう。文書を撮影する場合は？ 均一な照明、テキストに影を落とさないこと、カメラをページに正対させることで、差の大半を取り戻せます。
ツール内では、文書の実際の言語を選択し、まず 1〜2 ページを処理して代表的なサンプルで精度を確認し、テキストが下流に渡る前に数字を校正しましょう。5 分間のスポットチェックは、「誤読されると困る 1 つの数字」に対する安い保険です。
デスクトップ OCR ツールが依然として正しい選択である場面
ブラウザーのローカル OCR は、人々が実際に持っている文書——契約書、1 つの章、会議メモの束、スキャンした手紙——には正しい答えです。しかし、すべての仕事への答えではありません。1 万ページのアーカイブをデジタル化するなら、一晩中動かせるマシンで、ocrmypdf のようなパイプラインが無人でフォルダーをバッチ処理するのが適しています。
レイアウトの複雑な文書もデスクトップツール側に分があります。ページが密な多段組のニュースレターや、空間配置そのものが内容であるフォームなら、専用のレイアウト解析を持つ商用エンジン——その手動ゾーニングツールとともに——が、あらゆるブラウザー内パイプラインを上回ります。率直なまとめ：日常のスキャンには、ブラウザーのローカル OCR は無料で、プライベートで、十分に良い。産業規模の量や病的なレイアウトには、より重い機械を持ち込んでください。