PaddleOCR・Tesseractで印刷文字はどこまで読める？

AI Daruma
PaddleOCRTesseractOCR日本語OCR文字認識Python

この記事のポイント

  • PaddleOCRとTesseractは無料で使える高精度なOCRツール
  • きれいな印刷文字なら95%以上の認識精度を期待できる
  • 日本語OCRには得意・不得意パターンがあり、事前に把握しておくことが重要

はじめに：なぜ今、OCRが注目されているのか

「紙の書類をデータ化したい」「PDFの文字を検索できるようにしたい」——こうしたニーズは、DX推進が叫ばれる現在、ますます高まっています。

OCR（Optical Character Recognition：光学文字認識）は、画像やスキャンデータから文字を読み取る技術です。かつては専用ソフトが必要でしたが、今では無料のオープンソースツールでも十分な精度が出せるようになりました。

本記事では、代表的な無料OCRツールであるPaddleOCRとTesseractを取り上げ、「きれいな印刷文字（ワープロ文字）がどこまで読めるか」を検証します。まずはこの2つのツールで何ができるのか、ベースラインを把握しましょう。

PaddleOCRとは？

PaddleOCRは、中国のBaidu（百度）が開発したオープンソースのOCRツールです。ディープラーニングベースで、80以上の言語に対応しています。

PaddleOCRの特徴

  • 高精度: ディープラーニングモデルにより、従来のOCRより認識精度が向上
  • 多言語対応: 日本語、中国語、英語など80言語以上をサポート
  • 軽量モデル: モバイル向けの軽量版も用意されている
  • 無料・オープンソース: Apache 2.0ライセンスで商用利用も可能

PaddleOCRのセットアップ

Pythonがインストールされている環境であれば、pipコマンドで簡単に導入できます。

pip install paddlepaddle paddleocr

基本的な使い方は以下のとおりです。

from paddleocr import PaddleOCR

ocr = PaddleOCR(lang='japan')
result = ocr.predict('読み取りたいファイル')

for item in result:
    if 'rec_texts' in item:
        for text in item['rec_texts']:
            print(text)

Tesseractとは？

Tesseractは、GoogleがメンテナンスしているオープンソースのOCRエンジンです。1980年代にHP（ヒューレット・パッカード）が開発を開始し、長い歴史を持つ信頼性の高いツールです。

Tesseractの特徴

  • 歴史と実績: 30年以上の開発実績があり、安定性が高い
  • 100言語以上対応: 追加の言語データをインストール可能
  • コマンドライン対応: シェルスクリプトとの連携が容易
  • カスタマイズ性: 学習データの追加や調整が可能

Tesseractのセットアップ

macOSの場合はHomebrewでインストールできます。

brew install tesseract tesseract-lang

Windowsの場合は、UB Mannheim提供のインストーラーを使用します。

Pythonから使う場合は、pytesseractライブラリを利用します。

pip install pytesseract pillow
import pytesseract
from PIL import Image

text = pytesseract.image_to_string(
    Image.open('document.png'),
    lang='jpn'
)
print(text)

日本語OCRの得意・不得意パターン

日本語は漢字・ひらがな・カタカナ・英数字が混在する複雑な言語です。OCRにも得意・不得意があります。

得意なパターン

  • ゴシック体・明朝体の標準フォント: 学習データが豊富で高精度
  • 横書き文書: 標準的なレイアウトは安定して認識
  • 大きめのフォント（11pt以上）: 文字の特徴を捉えやすい
  • 単純なレイアウト: 1段組み、表なしの文書

不得意なパターン

  • 手書き風フォント・装飾フォント: 認識率が大幅に低下
  • 縦書き文書: 横書きに比べて精度が落ちる傾向
  • 小さい文字（8pt以下）: 解像度が十分でも認識ミスが増加
  • 旧字体・異体字: 学習データに含まれていないケースあり
  • ルビ（ふりがな）付き文書: 本文とルビが混同されることがある

よくある認識ミスの例

正解誤認識例原因
土士形状が類似
口ロ（カタカナ）見分けがつきにくい
一ー（長音）横棒の区別が困難
0（ゼロ）O（オー）文脈依存

標準OCRの限界と次のステップ

PaddleOCRやTesseractは、きれいな印刷文字であれば十分な精度を発揮します。しかし、以下のようなケースでは認識精度が低下します。

  • 透かし（ウォーターマーク）が入った文書
  • FAXや低画質スキャンで劣化した文書
  • 複雑なレイアウト（多段組み、図表混在）
  • 手書き文字や特殊フォント

こうした難しいケースでは、LLM（大規模言語モデル）を活用したOCRが威力を発揮します。GeminiやGPT-4oなどのマルチモーダルAIは、文脈を理解しながら文字を認識できるため、従来のOCRでは読み取れなかった文書にも対応可能です。

次回の記事では、「透かし・ノイズ入り文書でもOCRは動くか？」をテーマに、劣化した文書への対処法を詳しく解説します。

まとめ

本記事では、無料OCRツールであるPaddleOCRとTesseractの基本的な使い方と、きれいな印刷文字での精度を検証しました。

  • PaddleOCR: ディープラーニングベースで高精度。日本語対応も良好
  • Tesseract: 長い実績と安定性。カスタマイズ性が高い
  • 日本語特有の認識ミスパターンを把握しておくことが重要

まずはこれらの無料ツールで試してみて、精度が不足する場合に有料サービスやLLM-OCRへのステップアップを検討するのがおすすめです。

次のステップ

OCRの導入・運用でお困りの方は、ぜひお気軽にご相談ください。貴社の文書タイプに最適なOCR構成をご提案いたします。

困ったときは

AI DARUMAでは、OCR活用の個別サポートを行っています。 まずは無料相談から。

〒723-0062 広島県三原市本町 1丁目7-29 2階 コワーキングスペースarica内