デジタルPDF vs スキャンされたPDF
デジタルPDF（Word、ウェブサイト、会計システムなどから出力されたもの）には、文字データ自体とその位置情報が含まれています。テキストを選択してコピーすることができ、どのような要約ツールでもそのまま読み取ることができます。
スキャンされたPDF（スキャナー、コピー機、スマホのアプリなどで作成されたもの）には、画像が含まれています。文字データは存在せず、文字に見えるピクセル（画素）があるだけです。コピー＆ペーストしても何も取得できず、テキストレイヤーのみを読み取る要約ツールでは空のドキュメントとして認識されてしまいます。
中にはハイブリッド型のPDFもあります。これはスキャナーのソフトウェアによって、スキャン画像に不可視のOCRテキストレイヤーが追加されているものです。これらはデジタルPDFのように動作しますが、その精度は作成時に使用されたOCRの性能に依存します。
PDFがスキャン画像かどうかを確認する方法
- 単語の選択を試みます。ページ全体が画像のように選択されてしまう場合や、何も選択できない場合はスキャン画像です。
- 見えている単語で検索してみます（Ctrl/Cmd + F）。結果がヒットしない場合はスキャン画像です。
- 大きく拡大してみます。スキャンされたテキストはぼやけたり、ピクセルが粗くなりますが、デジタルテキストはシャープなままです。
OCRの仕組み（概要）
OCRソフトウェアは、ページ画像のクリーニング（傾き補正、コントラスト調整）を行い、テキストの行を検出し、文字や単語に分割し、各言語向けにトレーニングされたモデルを使用してそれらを認識します。Tesseractなどの最新エンジンは、行全体を認識するニューラルネットワークを使用しており精度が向上していますが、それでも入力画像の品質が最も重要です。
高精度なOCRを行うためのポイント
- 解像度: 小さな文字には300 dpi、通常のテキストであれば200 dpiで十分です。150 dpi未満になるとエラーが急増します。
- 平らで歪みのないページ: フラットベッドスキャナーを使用するか、ページを平らにしてトリミングするスキャナーアプリを使用してください。湾曲した本のページは避けてください。
- コントラスト: 白地に黒が理想です。色あせた感熱紙のレシートや、背景に色がついているものは認識が難しくなります。
- 言語: OCRは言語モデルを使用しています。英語、フランス語、ドイツ語、スペイン語、イタリア語、ポルトガル語の文書が最も高精度に認識されます。
- 手書き文字: 手書きのメモは、高精度に認識されることは稀です。
スキャンされたPDFをワンステップで要約する
- スキャンされたPDFをアップロードする：スキャンPDF要約ツールまたはホームページのツールにファイルをアップロードします。
- OCRの完了を待つ：進捗状況に「Scanned PDF: running OCR（スキャンPDF：OCR実行中）」と表示されます。1ページあたり数秒かかります。
- 出力形式を選ぶ：要約、要点、質問、または認識されたテキスト（.txt）を選択します。
- 重要な詳細を検証する：氏名、金額、日付などの重要データが元の画像と一致しているか確認します。
注意すべき典型的なOCRエラー
- 数字やコードにおける「0とO」「1とlとI」「5とS」「8とB」の誤認。
- 金額における小数点や桁区切りの脱落。
- マルチカラム（段組み）レイアウトにおける列の結合。
- ヘッダー、スタンプ、署名がランダムな文字として読み取られること。
OCRテキストに基づいて作成された要約には、これらのエラーが引き継がれる可能性があります。そのため、ページ参照の確認や、主要な数値のクイックチェックが重要となります。
よくある質問
文書の写真でも要約できますか？
はい。PDF形式で保存されており、ページが平らで、シャープかつ十分に明るく撮影されていれば可能です。歪みの補正やトリミングを行えるスキャナーアプリを使用すると、そのままの写真よりもはるかに良い結果が得られます。
OCRに時間がかかるのはなぜですか？
各ページを画像として解析する必要があるためです。デジタルPDFのほぼ一瞬での読み込みに比べ、OCRでは1ページあたりおよそ2〜4秒かかります。
スキャンされたPDFにページ数の制限はありますか？
無料ツールでは、スキャンされたPDFの最初の40ページまでがOCRの対象となります。デジタルPDFの場合は最大300ページまで対応しています。
OCRで抽出したテキストを取得できますか？
はい。「テキスト抽出」タブまたはPDFからテキストへ変換ツールを使用して、.txtファイルをダウンロードできます。