PDF OCR テキスト認識

OCR（光学文字認識）は、PDF の中に画像として存在する文字を、選択と検索が可能な本当のテキストに変える処理です。スキャン文書、レシートのスマホ写真、画像中心の古い PDF——どれにも効きます。OCR をかけたあとは、テキストのコピー、ファイル内検索、そして PDF から Word への変換などの他ツールへの受け渡しができます。 OCR でいちばん難しいのは言語対応です。英語を認識するのと、中国語・日本語・アラビア文字を認識するのはまったく別の問題です。本ツールは Tesseract.js を通じて 100 以上の言語に対応していますが、大きな言語パック（CJK など）は初回利用時に追加のモデルデータをダウンロードします。 OCR はすべてブラウザ内で動きます。Tesseract WASM エンジンが各ページを処理し、元の画像を残したまま PDF にテキストレイヤーを追加し、検索可能な出力を生成します。データは一切端末を離れません。

最終確認: 2026年7月

この機能について

OCR は3つの段階で進みます。まず画像前処理でページを正規化します——二値化でカラーを白黒に変え、傾き補正で歪んだスキャンをまっすぐにし、ノイズ除去で細かな汚れを取り除きます。次にレイアウト解析でページをテキスト領域と非テキスト領域（画像、線、表）に分割し、テキスト領域内でさらに個々の行と単語を特定します。3番目に文字認識では LSTM（長短期記憶）ニューラルネットワークが単語画像を文字列に変換します。現代の OCR は、高 DPI できれいに印刷されたテキストのスキャンなら驚くほど正確で、英語なら 99% を超えることも珍しくありません。手書き、低解像度画像、複雑なレイアウトでは精度が大きく落ちます。

使い方

1. 1スキャンや画像ベースのページを含む PDF を選択します。もし PDF にすでに選択可能なテキストがあるなら OCR は不要です。時間を節約するには「テキスト抽出」ツールを使ってください。
2. 2PDF に含まれる言語を選びます。実際に含まれる言語だけを選んでください——使わない言語まで追加すると処理が遅くなるだけで精度は上がりません。多言語混在文書では主要な言語を選択してください。
3. 3処理をクリックします。ツールが言語モデルを読み込み（初回は約 10MB のモデルをダウンロードするため 10〜30 秒かかることがあります）、各ページを処理します。典型的なスキャンならページあたり 2〜5 秒です。
4. 4OCR 済み PDF をダウンロードします。見た目は入力とほぼ同じですが、テキストの選択、コピー、検索ができるようになります。Ctrl+F を試して認識が正しいか確認してください。

使い方のコツ

• OCR の精度はスキャン品質に大きく依存します。印刷テキストの 300 DPI スキャンは 98〜99%。150 DPI では 85〜90% に下がります。スマホ写真は幅があり、光量が良ければ 90〜95%、悪ければ 70〜80% です。
• 初回は Tesseract WASM エンジン（約 15MB）と言語モデル（1つあたり 5〜15MB）をダウンロードします。ダウンロード後はキャッシュされ、2回目以降はずっと速くなります。
• CJK 言語（中国語、日本語、韓国語）の言語パックは明らかに大きく（1言語あたり約 15〜25MB）、初回はラテン系より時間がかかります。
• 手書き認識は本ツールが得意とするものではありません。Tesseract は印刷体には強いですが草書には弱く、手書きでは精度が 30〜60% まで落ちます。
• OCR は見える画像の下に不可視のテキストレイヤーを追加します。出力 PDF が見た目上変わっていなくても、それが正常です。テキストを選択して OCR が効いたことを確認してください。