読み取りの進み方
1. 画像や PDF を渡す
ドロップ、クリックして選択、スクリーンショットの貼り付けのどれでも読み込めます。PDF はページごとに画像へ起こしてから処理します。
2. 行を見つけて読む
まずページ全体から文字の行を探し、次に行を 1 つずつ読みます。行の長さに合わせて 3 つの認識モデルを使い分けるので、短い見出しも長い本文も無駄なく処理できます。
3. 読み順に並べて出す
段組みや縦書きを判別して、人が読む順に行を並べ替えます。全文のコピー、テキストファイル、行の座標付き JSON で受け取れます。
画像はサーバーに送信しません。レイアウトの検出も文字の認識も、このブラウザの中で実行します。一度モデルを読み込めば、次回からオフラインでも使えます。
こんなときに
紙の資料を検索できるようにしたい
スキャンした報告書や議事録を文字に起こして、検索や引用ができる形にします。段組みの資料でも、段ごとにまとまった順序で出力します。
縦書きの本や古い資料を読みたい
縦書きの行を判別し、段は右から左へ並べます。国立国会図書館のデジタル化資料を想定して作られたモデルなので、旧字体を含む本文にも向いています。
外に出せない書類を扱いたい
契約書や個人情報を含む書類は、クラウドの OCR に上げられないことがあります。このツールは画像を送信しないので、そうした書類にも使えます。
画像はサーバーに送信しません
処理はすべてブラウザの中で
学習済みモデルを端末にダウンロードし、ブラウザの中で推論します。このサイトのサーバーは静的なファイルを配信するだけで、画像の内容もファイル名も受け取りません。読み取った文字も端末の外には出ません。
一度読み込めばオフラインでも
モデル(約 150 MB)は初回の読み取り時に一度だけダウンロードし、ブラウザに保存します。2 回目以降はダウンロードなしで始まり、インターネットに接続していなくても読み取れます。保存したモデルは画面下の「キャッシュを削除」でいつでも消せます。
よくある質問
- 画像はサーバーに送信されますか
- 送信しません。レイアウトの検出も文字の認識も、利用者のブラウザの中で実行します。詳しくはプライバシーポリシーをご覧ください。
- 最初に 150 MB のダウンロードが必要なのはなぜですか
- 文字を読み取る仕事をサーバーではなくブラウザが担うため、その学習済みモデルを端末に持ってくる必要があります。レイアウト検出に 1 つ、文字認識に 3 つで合計およそ 150 MB です。一度読み込めばブラウザに保存され、2 回目以降はダウンロードなしで始まります。
- 高速モードとは何ですか
- 行の見つけ方を 2 つから選べます。標準は国立国会図書館の NDLOCR-Lite(DEIMv2)で、40 MB のモデルを使い、1 ページに数秒かかります。高速モードは PaddleOCR の PP-OCR(1.8 MB)で、行の検出がおよそ 10 倍速く終わります。文字を読むモデルはどちらも同じなので、普通の本文であれば読み取り結果はほとんど変わりません。ただし高速モードは広い空白を行の切れ目と見なすため、表や領収書では 1 行が複数に分かれることがあります。
- 縦書きは読めますか
- 読めます。縦書きの行は自動で判別して認識し、段の順序も右から左へ並べ替えます。縦書きと横書きが混ざったページも、行ごとに判別します。
- 手書きの文字も読めますか
- 読めます。NDLOCR-Lite は手書き文字を含むデータで学習されており、国立国会図書館の公開資料では 1,065 枚の手書き画像に対する文字誤り率が 0.268 と報告されています。活字に比べると誤りは多くなるので、読み取った結果は必ず確認してください。
- 対応している画像の形式は何ですか
- JPEG、PNG、WebP、GIF、BMP と PDF に対応しています。HEIC(iPhone の標準形式)と TIFF には対応していません。変換のライブラリを増やすとダウンロード量が増えるため、見送っています。iPhone では設定の「カメラ」で「互換性優先」を選ぶと JPEG で撮影できます。
- オフラインで使えますか
- 一度モデルを読み込めば、次回からオフラインでも使えます。ページ本体は初回アクセス時に、モデルは初回の読み取り時にブラウザへ保存されます。ブラウザのサイトデータを削除すると、どちらも取り直しになります。
- 読み取りにどのくらい時間がかかりますか
- 行数と端末の性能によりますが、A4 1 ページで数十秒が目安です。処理は 1 行ずつ進み、その進み具合を画面に表示します。ページ数の多い PDF は時間がかかるので、必要なページだけを切り出して渡すほうが速く終わります。
- どんな資料が得意ですか
- 図書館のデジタル化資料を想定したモデルなので、印刷された日本語の本文に最も向いています。得意なものと苦手なものはNDLOCR-Lite とはにまとめています。