画像文字起こし（OCR）
文字が写った画像を、編集・検索できるテキストに変換します。
- すべて無料登録なし、回数制限なし、有料プランなし。
- アップロードなしファイルは自分の端末で処理され、サーバーには届きません。
- 結果に条件なし透かしなし、勝手な縮小なし、サイズ上限なし。
- 変更はすべて公開修正も新しい工具も、すべて更新履歴ページに書いています。
この OCR ツールでできること
書類の写真、スクリーンショット、スキャンしたページ、看板の写真などをドロップすると、写っている文字が画像の下に選択可能なテキストとして表示されます。対応言語は 12 種類 — 英語、簡体字中国語、繁体字中国語、日本語、韓国語、スペイン語、フランス語、ドイツ語、ポルトガル語、ロシア語、イタリア語、ベトナム語 — で、アジア系言語ではチェックボックス一つで英語を同時に認識できるため、英語の人名や数字が混じった日本語の契約書も一つの文書として読み取れます。複数の画像をまとめてドロップでき、進捗バーを表示しながら順番に認識します。結果欄は編集できるので、コピーする前に誤認識した文字を直せます。
認識には、HP と Google で開発されたオープンソースの OCR エンジン Tesseract を WebAssembly にコンパイルしたものを使い、ブラウザの Worker スレッドで実行します。認識前に各画像は自動で前処理されます。グレースケールに変換し、小さい画像は拡大し（スマートフォンのスクリーンショットや低解像度のスキャンで特に効果があります）、透明背景には白を敷きます。エンジンと選択した言語のモデルは初回のみダウンロード — 約 4 MB に加えて言語ごとに 1–3 MB — され、以後はキャッシュされます。画像そのものが端末の外に出ることはないため、身分証、契約書、医療書類でも安心です。
使い方
まず文字の言語を選びます — 精度を左右する最大の要因です。日本語・中国語・韓国語の文書にラテン文字が含まれる場合は「英語も認識」にチェックを入れたままにしてください。画像をドロップ、貼り付け、または選択します。進捗バーが完了するまで待ちます。初回はエンジンの読み込みも行われます。結果欄を確認します。横に表示される信頼度はエンジン自身の推定値で、80 % を下回るものは見直す価値があります。必要ならその場で編集し、「コピー」でテキストをコピーするか、「ダウンロード」で .txt ファイルとして保存します。「すべてコピー」と「すべてダウンロード」は一括処理用です（複数ファイルは ZIP になります）。
レイアウト：「自動」は段組みやブロックを検出し、スキャンしたページや写真に向いています。「単一ブロック」は画像全体を一列のテキストとして扱い、チャットのスクリーンショット、コード、簡単なリストで安定します。文書が PDF の場合は、先に PDF を画像に変換 してから、ワンクリックでページをこちらに送れます。傾いた写真は 画像の回転 と 画像の切り抜き を通すと読み取りやすくなります。
よくある失敗
OCR が読めるのは印刷された文字です。手書き、装飾フォント、ごちゃごちゃした背景の上の文字は文字化けしたような結果になり、ブラウザのツールではどうにもなりません。精度は主に写真次第です。ページを画面いっぱいに収め、平らにまっすぐ置き、均一な明るい光で撮り、影や反射を避け、ドロップ前に画像を縮小しないでください — A4 ページを 1200 万画素で撮った写真が理想で、600 ピクセルのサムネイルではお手上げです。言語の選び間違いも意味不明な結果のもう一つの大きな原因です。日本語のページを中国語として、フランス語を英語として読ませると、それらしく見えるゴミが出てきます。
表は罫線のない文字の行になります。二段組みのレイアウトは「単一ブロック」モードだと段が入り混じることがあるので、「自動」を使ってください。周囲に文字の少ない数字（請求書、メーターの読み値）はよく読み取れますが、6 と 8 は機械にとっても似て見えるため、必ず確認する価値があります。端末での初回利用時にはエンジンと言語モデルを一つダウンロードするため、一度だけネットワーク接続が必要です。以後はオフラインで動作します。スマートフォンでの大量処理は時間がかかることがあります — 1 ページ数秒は正常です。
背景知識：文字はどのように認識されるか
Tesseract の現在のエンジンは LSTM ニューラルネットワークで、ピクセルの一行をシーケンスとして読み取り、文字を出力します。言語ごとに数百万行の印刷文字で個別に学習されています。まずページのレイアウト — テキストブロック、行、単語の位置 — を解析し、各行を一定の高さに正規化してからネットワークに入力します。ここで使うモデルは tessdata_best セットを 8 ビット整数に量子化したもので、精度は全精度モデルと同じままサイズは数分の一。これにより 12 言語すべてを自前でホストすることが現実的になっています。
すべては WebAssembly 上で動き、ブラウザが対応していれば SIMD アクセラレーションを使います（現行のブラウザはすべて対応）。Worker 内で実行するため、ページの操作は止まりません。前処理はページ内の canvas で行います。グレースケール変換で色のノイズを取り除き、小さい画像は長辺がおよそ 2000 ピクセルになるまで拡大して、文字をネットワークが学習した大きさの範囲に収めます。ピクセルはどこにも送信されず、エンジンとモデルがキャッシュされた後はオフラインでも動作します。
画像文字起こしが必要な場面
送られてきたスクリーンショットから段落をコピーする。撮影したホワイトボード、スライド、本のページをメモにする。スキャンした手紙や画像だけの古い PDF から文字を取り出す。写真から住所、注文番号、シリアル番号を抜き出す。領収書や請求書を経理用にデジタル化する。別の文字体系のメニュー、看板、ラベルを読み取って翻訳ツールに貼り付ける。
このサイトでの流れは次の通りです。必要に応じて写真を 回転 と 切り抜き で整え、ここで文字を認識します。PDF は先に PDF を画像に変換 を通してください。文字を確認したら、写真から作った文書は 画像を PDF に変換 で一つにまとめられます。
よくある質問
画像はアップロードされますか？
いいえ。認識は WebAssembly にコンパイルした Tesseract がブラウザ内で行います。画像が端末の外に出ることはありません。エンジンと言語モデルは初回のみダウンロードしてキャッシュされ、以後はオフラインで動作します。
対応している言語は？
英語、簡体字中国語、繁体字中国語、日本語、韓国語、スペイン語、フランス語、ドイツ語、ポルトガル語、ロシア語、イタリア語、ベトナム語です。アジア系言語は英語と組み合わせて一度に認識できます。
手書き文字は読めますか？
いいえ — 印刷された文字のみです。手書き、装飾フォント、ごちゃごちゃした背景の上の文字は、このツールを含めブラウザベースの OCR では安定して読み取れません。
精度を上げるには？
正しい言語を選び、鮮明で均一に照らされた、まっすぐな写真をフル解像度で使い、文字の部分に切り抜いてください。小さい画像やぼやけた画像は自動で拡大されますが、鮮明にすることはできません。
PDF を OCR できますか？
「PDF を画像に変換」ツールでページを画像にしてからこちらに送ってください。各ページが編集可能なテキストブロックになります。