OCR とドキュメント理解

紙や画像の文字を読むOCRと、表や構造まで理解するAIによる文書処理

OCR（光学文字認識、Optical Character Recognition）は、紙の書類や画像、スキャンしたPDFに写っている文字を、コンピューターで扱えるテキストに変換する技術です。さらに近年は、文字を読むだけでなく、表の構造やグラフ、レイアウト、項目の意味まで理解する「ドキュメント理解（Document Understanding）」へと発展しています。請求書や契約書の処理、紙資料のデジタル化など、事務作業で特に効果が出やすい分野です。

OCRの基本

従来のOCRは、画像から文字の領域を見つけ、一文字ずつ（または一行ずつ）認識する仕組みでした。代表的なオープンソースのOCRエンジン Tesseract は、公式リポジトリによると100以上の言語を認識でき、バージョン4からはLSTMというニューラルネットワークによる行単位の認識エンジンを備えています。

ただし、従来型OCRは「どこに何が書いてあるか」の意味までは理解しません。請求書の「合計金額」がどの数字なのかを判断するには、別途ルールを作る必要がありました。

AIによるドキュメント理解

画像も読める LLM（マルチモーダルモデル）の登場で、次のような処理が自然な指示でできるようになりました。

請求書から「請求元・請求日・合計金額・支払期限」を抜き出してJSONにする
表をExcelに貼れる形式に変換する
契約書から「契約期間」「解約条件」を抽出する
グラフ付きのレポートを読んで要点をまとめる

例えば Claude のPDFサポートのドキュメントでは、PDF内のテキストだけでなく、図・グラフ・表も含めて質問できると説明されています。1回のリクエストで扱えるサイズやページ数には上限があるため、大量のファイルは分割して処理します（上限値はサービス・プランにより異なり、変わることがあります）。

従来OCRとAIの使い分け

従来型OCR：大量の定型書類を安定して処理したい、オフラインで動かしたい、コストを抑えたい場合。
AIによる理解：書式がバラバラ、項目の意味を判断したい、要約や分類まで一度にしたい場合。
組み合わせ：OCRで文字を取り出し、LLMで整理・抽出する方法も一般的です。

精度を上げるコツ

画像の品質：傾きを補正し、影や反射のない明るい状態でスキャン・撮影する。解像度が低すぎると誤認識が増えます。
出力形式を指定する：「次の項目をこのJSON形式で」と決めておくと、後の処理（表への記録、ワークフロー自動化）が安定します。
見つからない場合の扱いを決める：「記載がなければ null とし、推測しない」と指示すると、勝手な補完を減らせます。
数字は検算する：明細の合計と合計欄が一致するかを自動チェックすると、読み取りミスに気づけます。

注意点

誤読と捏造：OCRは似た文字（「0」と「O」、「1」と「l」）を間違えることがあり、LLMは読めない部分をもっともらしく補ってしまうことがあります（ハルシネーション）。金額や日付、口座情報は必ず原本と照合してください。
手書き・崩れた印刷：精度が大きく下がることがあります。
個人情報・機密情報：請求書や契約書には取引先情報や個人情報が含まれます。会社が許可したサービスを使い、外部への送信や保存の扱いを確認しましょう。
スキャンの法的要件：帳簿書類を電子保存する場合は、電子帳簿保存法などの要件を経理担当と確認してください。

音声を文字にする技術は音声認識を参照してください。

参考リンク

編集: AI Play 編集部　最終更新: 2026-10-25