OCRとは、画像やPDFの中に「見えている文字」を、AIが「扱える文字」に変える仕組みです。

この記事でわかること

• OCRが「意味理解」ではなく「文字起こし」である理由
• PDFやスキャン資料でOCRが必要になる場面
• OCRが「AIの入力の口」を広げる意味

生成AIを使っていると、ときどきこう思います。

「この資料、見た目では読めるけど、AIにはちゃんと読めてるんだろうか」「PDFを渡したら要約してくれたけど、文字を読んでるのか、画像を見てるのか、どっちなんだろう」「スクショの中の文字も扱えるのはなぜ？」

この違和感は自然です。人間にとっては、画面に文字が見えていればそれは「読める情報」です。でもコンピュータにとってはそうとは限りません。

たとえば同じ「PDF」でも、文字データとして埋め込まれているPDFと、ただの画像として貼られているPDFでは扱いが違います。テキストファイル、画像の中の文字、スキャンされた帳票も、見た目は似ていても機械側では全然違う。

この「見た目と中身の違い」を橋渡しするのがOCRです。最初にひとことで言うと、OCRは「見えている文字」を「扱える文字」に変える仕組みです。

OCRは「読む」より「文字起こし」に近い

OCRがまずやっているのは、画像の意味を理解することより、文字を文字列として取り出すことです。つまりOCRは「内容理解」の前にある文字起こしに近い。

たとえばスキャンされた契約書、レシート写真、会議資料のスクリーンショット、ホワイトボード写真。こういうものに対して、OCRはまず「そこに何という文字が書かれているか」を取り出そうとします。内容をどう解釈するかはその次の段階です。

この順番を分けて考えると分かりやすいです。OCR＝文字を起こす。生成AI＝起こした文字を理解・要約・説明する。この役割分担です。

画像の中に文字があるだけでは、AIがそのまま使えるとは限りません。紙を撮った写真、画像化されたPDF、プレゼン資料のスクリーンショットには文字が「見えて」います。でもそれが最初からコピペできるテキストとは限らない。だからOCRが必要になります。「なんでこのPDFは検索できるのに、こっちはできないの？」みたいな違いも、ここが分かると理解しやすくなります。

OCRだけでは「意味理解」までは終わらない

OCRは強いです。でもOCRがやっていることは基本的に「文字を起こすところまで」です。

たとえば請求書画像があるとします。OCRはそこから請求書番号、支払期限、合計金額、発行日といった文字を拾えるかもしれない。でもそのあとに必要なのは別です。どれが本当に支払期限なのか、どれが税抜金額でどれが税込なのか、このレイアウトのどこを優先して見るのか、どの値をシステムに入れるべきか。文字起こしだけでは終わりません。

つまり、OCR＝文字を出す。その後のAI処理＝意味を整理する、抽出する、要約する、判断前の材料にする。OCRは重要。でもそれだけで「理解」まで済むわけではありません。

OCRには苦手なものもあります。画質が荒い、傾いている、手書きで崩れている、背景と文字のコントラストが弱い、レイアウトが複雑すぎる。こういうものは精度が落ちやすい。また文字そのものは拾えても、読む順番が不自然になる、表の列と行の対応が崩れる、ということも起きます。OCRの難しさは「文字を正しく拾えるか」と「構造をそれっぽく保てるか」の両方にあるのです。

最近のマルチモーダルAIでは、OCRっぽいことと画像理解を一緒にやることも増えています。画像の中の文字も見る、レイアウトもある程度見る、そのまま要約や説明まで行う。OCRと画像理解の境界が少し曖昧になってきている面はあります。ただ整理としてはやはり分けた方が分かりやすいです。OCR＝文字を取り出す入口。画像理解＝見た目全体の意味を捉える。生成AI＝その結果を説明や要約に変える。

OCRは「AIの入力の口」を広げる

OCRの価値を短く言うと、AIに渡せる情報の入口を広げることです。

もしOCRがなければ、AIが扱いやすいのは文章として入力されたもの、テキスト化された文書、構造化されたデータに限られやすい。でも現実の仕事では、紙、写真、スキャン、スライド画像、帳票画像、注釈が書き込まれた資料がたくさんあります。OCRがあるとそれらもまず文字として取り込めるようになる。

つまりOCRは、AIを「賢くする」というより、AIに入る前の入口を広げる仕組みです。前回のコードインタープリターが「処理の手」を広げる仕組みだとすれば、OCRは「入力の口」を広げる仕組みとも言えます。

OCRは、紙や画像の世界をAIの処理対象に変える

ここまでの話をシンプルにまとめます。

OCRと関連概念の違い

よくある疑問

PDFなら全部OCRが必要ですか？

いいえ。テキストが埋め込まれているPDFなら、OCRなしで文字を取り出せます。OCRが必要なのは、スキャンや写真のように「画像として貼られている」場合です。

OCRの精度はどうすれば上がりますか？

画質を良くする、傾きを正す、背景と文字のコントラストを上げることが基本です。また、OCR後の結果を人がサンプル確認することも重要です。

OCRとコードインタープリターは一緒に使えますか？

はい。OCRで帳票の文字を起こし、そのテキストをコードインタープリターで集計するという流れは自然です。OCRが「入力の口」、コードインタープリターが「処理の手」として補完し合います。

まとめ

この記事のポイントを3つにまとめます。

• OCRは「見えている文字」を「扱える文字」に変える文字起こしの仕組みで、意味理解はその先の工程
• スキャンPDF・写真・帳票など「紙や画像の世界」をAIの処理対象にする入口
• コードインタープリターが「処理の手」、OCRが「入力の口」として補完し合う

次回は「Markdownとは何か」をやります。

ここまでで、AIがPythonで処理を動かせること、画像や紙の文字もテキスト化して扱えること。ここまで見てきました。では次に、AIに渡す情報の「形」はなぜ大事なのか。Markdownです。次はそこをやります。