OCR PDFオンライン — 無料、ブラウザのみ対応、100以上の言語に対応

スキャンしたPDFファイルをアップロードせずに検索可能にする

ブラウザベースのOCRを使用する理由

ブラウザ上で動作するTesseract WASMは、研究レベルのOCR精度とローカル処理によるプライバシー保護を両立させています。その組み合わせによって、以下のようなメリットが得られます。

• 個人情報（社会保障番号、口座番号、病歴など）を含むスキャンされた文書は、決してアップロードされることはなく、傍受やサーバー側でのデータ漏洩のリスクにさらされることもありません。
• 100種類以上の言語モデルが、ラテン文字、キリル文字、アラビア文字、CJK文字、デーヴァナーガリー文字、ヘブライ文字など、世界の主要な文字体系を網羅しており、言語の追加販売は一切ありません。
• 検索可能な出力とは、OCR処理後すぐにCtrl+F、テキスト選択、コピー＆ペースト、全文インデックス作成が機能することを意味します。スキャンされた文書は、デジタルネイティブのPDFのように動作します。
• 元のページ画像は完全に保持されます。OCRはテキストレイヤーを追加するだけで、視覚的なコンテンツを変更したり再レンダリングしたりすることはありません。スキャンされたページは、処理前と処理後で全く同じように見えます。
• WebAssemblyの性能により、最新のデスクトップブラウザではTesseractがほぼネイティブの速度で動作します。標準的なスループットは、最高精度モードで1ページあたり5～15秒です。
• 1日あたりの処理量やページ数の制限はなく、無料でご利用いただけます。500ページのスキャンした書籍でも、1枚のレシートでも、料金に差はありません。

OCRの精度を最大限に高めるためのヒント

スキャン品質はOCR精度に最も大きな影響を与える要素です。これらのヒントは、Tesseract WASMで最高の結果を得るのに役立ちます。

1. Tip 1:

   正しい言語を選択してください。誤った言語モデルを適用すると、Tesseractの精度は著しく低下します。不明な場合は、複数の可能性のある言語を選択してください。Tesseractがそれらの言語の中から最適なものを選びます。

2. Tip 2:

   スキャン解像度が高いほどOCRの精度が向上します。300 DPIのスキャンは、150 DPI以下のスキャンよりも大幅に高い精度を実現し、特に小さなフォントのテキストやラテン文字以外の文字においてその効果が顕著です。

3. Tip 3:

   OCRを実行する前に、ページをトリミングして回転させましょう。LuraPDFのPDFトリミングツールとPDF回転ツールを使用して、ページを正しい向きに揃え、余白を削除してからOCRを実行してください。ページが傾いていたり、上下逆になっていると、認識精度が低下します。

4. Tip 4:

   モバイル端末で複数ページの大きなドキュメントを開く場合は、デスクトップブラウザに切り替えてください。Tesseract WASMはプロセッサ負荷が高く、モバイル端末では処理速度が低下します。タブレットまたはデスクトップ版のChromeやFirefoxが最高のパフォーマンスを発揮します。

5. Tip 5:

   OCR処理後、PDF to Text機能を使用して認識された全文をプレーンテキストファイルとして抽出し、ワープロソフト、翻訳ツール、またはデータパイプラインに貼り付けてください。

6. Tip 6:

   複数の言語で書かれた文書（英語とアラビア語のセクションがある法律契約書、または英語のテキストと中国語の図表がある論文など）の場合、セクションごとに個別に処理するのではなく、OCRを実行する前にすべての関連言語を選択してください。