Tesseract — 画像の文字起こし(OCR)

Tesseract contributors

Tesseractは、コマンドラインやAPIで自分のパソコン上で動かすオープンソースのOCRエンジンです。画像からオフラインで文字を取り出したい技術系のユーザーに向いています。

おすすめの理由

画像の文字起こし(OCR)

パソコン

tesseract-ocr.github.ioへ移動
知っておきたいこと (1)

コマンドラインの設定と言語ファイルが必要です。標準GUIはありません。

知っておきたいこと
知っておきたいことパソコン
無料で出力対応
登録不要対応
透かしなし—
オフライン対応対応
一括処理—
コンテンツの言語—

— 未確認の利用条件. 公式資料を確認しています。アプリの実機テストは行っていません。 出典で確認できるコンテンツ言語の対応のみを検索します。画面の言語とは異なります。

情報源と確認日 (1)
  • tesseract-ocr.github.io/tessdoc/
提供者からの修正・フィードバック

提供者からの修正・フィードバック

製品の代表者は、出典付きの修正や更新を送信できます。公開前に編集部が確認します。

編集部の選び方ガイド

最終確認:

どんな人向け?

  • スクリプトやバッチ処理でOCRを自動化する開発者や技術に慣れた人。
  • アカウントやアップロードなしで、印刷された画像の文字をオフラインで取り出したい人。

始め方

  • パッケージマネージャーでTesseractをインストールし(macOSはHomebrewまたはMacPorts、Linuxはディストリビューションのパッケージ、Windowsはドキュメントに載っているインストーラー)、必要な言語データを追加します。
  • 画像を整えます。300 dpi以上を目安に、傾いたページはまっすぐにし、余白は小さく残す程度にします。
  • 使い方のページに従ってコマンドラインで実行します。レイアウトで誤認識するなら別のページ分割モード(既定は3)を試し、出力テキストを確認します。

選ぶポイント

  • ここにはボタン操作の画面がありません。コマンドよりボタンがよければ、グラフィカルなデスクトップアプリを選びます。
  • TesseractはPDFを直接読みません。ドキュメントの案内どおり、先にページを画像に変換するか、OCRmyPDFを使います。
  • 公式の言語データは100以上の言語をカバーし、3つのリポジトリにあります。どのモデルファイルを取得するか決める前にドキュメントを読みます。

制限

  • 傾き、ノイズ、ムラのある照明は精度を下げます。ドキュメントによれば、二値化の段階では除去できないノイズもあります。
  • 対象は印刷された文字です。このガイドでは手書き認識に関する記述は見つかりませんでした。
  • セットアップにはコマンド操作が必要です。ここでは精度をテストしていません。

よくある質問

どの言語に対応していますか?

公式ドキュメントは100以上の言語と35以上の文字体系の言語モデルデータに触れています。必要な言語のデータをインストールします。

PDFを読めますか?

直接は読めません。入力形式のページにはPNG、JPEG、TIFF、WebP、BMPなどの画像形式が挙がり、PDFは変換するかOCRmyPDFを使うよう案内されています。

最適な解像度は?

品質ガイドでは、300 dpi以上で最もよく動作するとされています。

公式情報 (4)
tesseract-ocr.github.io/tessdoc/tesseract-ocr.github.io/tessdoc/Installation.htmltesseract-ocr.github.io/tessdoc/ImproveQuality.htmltesseract-ocr.github.io/tessdoc/InputFormats.html