OCR（光学文字認識）とは？
OCRはテキストを含む画像（写真、スキャン文書、スクリーンショット、PDF）を分析し、視覚的なテキストを機械可読な文字データに変換する技術です。出力は編集可能なテキストで、コピー、検索、他のソフトウェアで処理が可能です。OCRなしではスキャン文書はただの画像；OCRがあれば使用可能なデジタルテキストになります。
- 光学文字認識（OCR）
- パターン認識と機械学習を使用して画像内のテキスト文字を識別し、テキストの視覚的表現をエンコードされたデジタルテキストに変換する技術。最新のOCRは複数のフォント、言語、レイアウトを同時に処理し、ソース品質に応じて90-99%の精度を達成。
OCR処理の流れ：ステップバイステップ
- 画像前処理：グレースケール変換、コントラスト調整、ノイズ除去、傾き/回転補正、二値化（純粋な白黒に変換）。
- レイアウト分析：テキスト領域の検出、段組み・段落・テキスト行の識別。テキストを画像、表、装飾要素から分離。
- 文字分割：テキスト行を個々の文字または文字グループに分解。連結文字と可変間隔を処理。
- 文字認識：各文字をトレーニング済みパターン/モデルと比較。AI OCRはニューラルネットワークを使用；従来のOCRはテンプレートマッチングを使用。
- 後処理：言語モデルと辞書を適用して認識エラーを修正。よくある誤認識（0 vs O、1 vs lなど）を修正。
- 出力生成：編集可能なテキストを生成。オプションで検索可能PDFや構造化文書出力のために位置データを保持。
AI OCR vs 従来のOCR比較
| 観点 | AI OCR（Gemini/GPT-4） | 従来のOCR（Tesseract） |
|---|---|---|
| 印刷テキスト精度 | 95-99% | 85-95% |
| 手書きテキスト | 70-85%（文脈認識） | 40-60%（限定的） |
| 多言語混在 | 優秀（自動検出） | 良好（言語選択が必要） |
| 複雑なレイアウト | 表、段組み、帳票に対応 | 非線形レイアウトに弱い |
| 処理場所 | クラウド（インターネット必要） | ローカル（ブラウザ、オフライン可能） |
| 速度 | 2-5秒/ページ（ネットワーク依存） | 1-3秒/ページ（CPU依存） |
| プライバシー | 画像をクラウドサーバーに送信 | 完全にデバイス上で処理 |
| コスト | APIコスト（Proに含む） | 無料（オープンソース） |
重要な違い：AI OCR（Gemini/GPT-4o/Claudeなど）は文脈を理解します——スキャンがぼやけていても「田中先生」を正しく読み取れます。「田中」が名前で「先生」が敬称であることを理解しているからです。従来のOCRはピクセルパターンだけを見るため、同じぼやけたテキストでは間違いやすいです。
Allin PDFのデュアルエンジンOCR戦略
Allin PDFはスマートなデュアルエンジン戦略を採用：
- メイン：AIクラウドエンジン（Gemini/GPT-4o/Claude）——インターネット接続時に使用。スキャンページをGeminiのマルチモーダルAPIに送信し、文脈を理解した「読解」を実行。手書き、低品質スキャン、複雑なレイアウトに最適。
- フォールバック：ローカルエンジン（Tesseract.js）——クラウドが利用不可の場合に自動起動。WebAssemblyを介してブラウザ内で完全に実行。プライバシーが重要な文書やオフライン使用に最適。初回使用時のみ言語パックのダウンロードが必要。
最良のOCR精度を得るためのコツ
- 最低300 DPIでスキャン：高い解像度は文字認識のための詳細が増える。200 DPIは許容範囲だが300+が理想的。
- 良好な照明を確保：影やホットスポットのない均一な照明。光沢紙でのフラッシュの反射を避ける。
- テキストをまっすぐに：傾いたり回転したテキストは精度を下げる。ほとんどのツールは小さな角度を自動補正するが、極端な回転は手動修正が必要。
- 高コントラスト：白/明るい背景に暗い文字が最適。カラーテキストやカラー背景は精度を下げる。
- 正しい言語を選択：ローカルエンジンで間違った言語パックを選ぶと精度が大幅に低下。不明な場合はAIエンジン（自動検出）を使用。
よくある質問
OCRは手書き文字を認識できますか？
AIエンジン（Gemini）は読みやすい手書きを70-85%の精度で認識できます。ローカルTesseractエンジンは主に印刷テキスト向けに設計されており、手書きサポートは非常に限定的（40-60%）です。最良の手書き認識にはAIエンジンをご使用ください。
OCRは元のフォーマットを保持しますか？
OCRはテキストコンテンツを抽出しますが、フォーマットは保持しません。出力はプレーンテキスト（またはシンプルな段落）です。視覚的レイアウトを保持したい場合は、代わりにPDF→Word変換をご使用ください。OCRは生のテキストコンテンツだけが必要な場合に最適です。
なぜローカルエンジンは言語パックのダウンロードが必要ですか？
Tesseractの各言語のトレーニング済みモデルは1-15MBのサイズです。アプリの初回ロードを高速に保つため、言語パックは最初に言語を選択した時にオンデマンドでダウンロードされます。一度ダウンロードするとキャッシュされ、以降はオフラインでも利用可能です。