画像から文字起こしする方法

「画像から文字起こし」とOCRは同じ話

OCR（光学文字認識）は、画像の中に写っている文字をコンピューターが読み取り、検索やコピーができるテキストに変換する処理です。日本では「画像から文字起こし」「写真から文字を抽出」「スクショ文字起こし」といった言い方の方が用途をイメージしやすいかもしれません。

スマホで撮ったレシート、ホワイトボード、紙の案内、名刺、授業プリント、PDFのスキャンページなど、文字がピクセルとして保存されているものが対象になります。

個人情報のある画像は、ローカルOCRと相性がいい

住所、電話番号、氏名、請求金額、契約内容、学校や会社の資料が写った画像をOCRしたい場面は珍しくありません。こうしたファイルは、便利さだけで無名の変換サイトへ送るより、端末内で処理できる方が扱いやすいケースがあります。

ローカルOCRでは、モデルや必要なコードをブラウザに読み込んだ後、画像の解析そのものを端末側で行います。少なくともファイル内容をサーバーで認識させる必要はありません。

日本語OCRで精度が落ちやすいポイント

• 縦書き：横書き前提のモデルでは崩れやすい。
• ルビや小さい文字：本文と混ざったり、読み順がずれることがある。
• 日本語＋英語＋数字：品番、URL、英字略語が多い資料では言語混在に強いモデルが必要。
• レシート：細いフォント、折れ、影、感熱紙の薄れ、表形式で誤認識が起きやすい。
• 手書き：活字OCRとは難易度が別物。重要な内容は原本との照合が必要。

スクショ文字起こしなら前処理が効く

画面全体をそのままOCRするより、必要な範囲だけトリミングし、文字が小さすぎる場合は適度に拡大した方が認識しやすくなります。チャット画面ならアイコンや背景、UIボタンを減らすだけでも読み順の混乱を抑えられます。

ただし、画像を何度もJPEG保存してノイズを増やすのは逆効果です。元のスクリーンショットやPNGがあるなら、まずそれを使う方が無難です。

PDFの場合は2つのゴールがある

検索可能PDFはどう作られる？

スキャンPDFでは各ページが画像になっていることがあります。OCRで文字と位置を推定し、その上に見えないテキストレイヤーを重ねると、見た目を保ったまま検索や選択ができるPDFを作れます。

重要なのは、OCR結果だけを信用して原本を捨てないことです。人名、住所、金額、契約番号などは1文字の誤りでも困るため、必要に応じて画像と照合できる状態を残しておきます。

アップロード不要でも「完全オフライン」とは限らない

ブラウザでローカル処理するサービスでも、最初にOCRモデルやJavaScriptをネットから取得する場合があります。「ファイルをアップロードしない」と「ネット接続が一切不要」は別の意味です。

プライバシーを重視するなら、ファイル本体や抽出テキストを外部送信していないか、分析ツールへファイル名などを渡していないかも確認すると安心です。