画像をテキストに変換

仕組み

光学文字認識（OCR）は、コピーできないスクリーンショット、テキストにしたいスキャンしたページ、書類の写真などに使うツールです。同時に、アップロードの必要性を最も説明しにくいツールでもあります。対象の画像は、書類、レシート、書簡であることが多いためです。

お使いのデバイス上で動作します。OCRとしては珍しいことです

無料のOCRサービスのほとんどは、画像をアップロードしてサーバーで処理します。このツールは、WebAssemblyにコンパイルしたTesseractをページの中で実行します。その代わり、初回に約11 MBの認識データを一度だけダウンロードする必要があり（以降はブラウザがキャッシュします）、認識処理自体はお使いのプロセッサを使います。

得意なことと、苦手なこと

スクリーンショット、きれいなスキャン、正面から撮影した印刷物の書類では、とても良い結果が得られます。斜めになった文字、暗い場所での撮影、複雑な背景、珍しい表示用フォントでは、結果が良くありません。手書き文字は、実用上は対応していません。読み取れるのは英語です。

レイアウトの設定は、思っている以上に重要です

「ページ全体のテキスト」は、段落のある書類に向いています。「1つのブロック」は、1つの文章のスクリーンショットに適しています。「1行」は、キャプションやシリアル番号向けです。「散在する単語」は、複数の離れた場所に文字がある看板やラベルに向いています。設定を誤ることが、結果が悪くなる一般的な原因です。

より良い結果を得るために

実行する前に、文字の部分だけにトリミングしてください。行が水平になるように画像を回転させてください。解像度は高いほうが役立ちますが、それには限度があります。300 dpi相当が理想的で、それ以上にしても精度は上がらず、時間がかかるだけです。