PDF を OCR 処理する
スキャンした PDF の文字を OCR(文字認識)で読み取り、検索可能な PDF に変換する無料のツールです。読み取った文字は見えないテキストとしてページに重ねるため、見た目は変わりません。PDF はブラウザ内で処理し、外部に送信しません。一度に読み取れるのは 200 ページ(処理に時間のかかる端末では 30 ページ)までです。開ける PDF は 1 ファイル 200 MB(スマホ・タブレットでは 100 MB)までです。
文字が画像になっているページがあるときだけ、初回に AI モデル(約 17 MB)を当サイトから取得します。2 回目以降はブラウザに保存したものを使います。PDF は外部に送信されません。
設定
使い方
- 1
PDF を追加する
読み取る PDF を選ぶか、ドロップします。複数の PDF をまとめて追加できます。PDF は外部に送信されません。
- 2
文書の言語を選ぶ
「文書の言語」で、PDF に書かれている言語を選びます。一部のページだけを読み取るときは「ページの範囲」に入力します。
- 3
読み取って保存する
「実行」を押すと、文字が画像になっているページを読み取り、テキストを重ねた PDF ができます。「保存」で保存し、「読み取った文字を確かめる」で読み取った行を確かめられます。
PDF の OCR について
文字の読み取りには、PaddleOCR の文字認識のモデル(PP-OCRv6、Apache-2.0)をブラウザ上で動かします。文字が画像になっているページがあるときだけ、初回に AI モデル(約 17 MB)を当サイトから取得し、2 回目からはブラウザに保存したものを使います。GPU(WebGPU)を使えない端末では CPU で処理するため、GPU を使うときより時間がかかります。全体の所要時間は、1 ページ目を読み取った後に、その端末でかかった時間から見積もって表示します。見えないテキストには、Tesseract の GlyphLessFont(Apache-2.0)を元に作ったフォントを使います。
テキストがあるページと、OCR のテキストがすでにあるページは読み取らず、そのまま残します。テキストと画像が混ざったページは、テキストと重ならない部分だけを読み取ります。テキストが文字化けしているページ(文字を選ぶと別の文字になるもの)には、テキストを重ねません。「文書の言語」で日本語を選ぶと日本語の文書で使う文字に絞って読み取り、韓国語を選ぶと韓国語用のモデル(約 13 MB。漢字は読み取れません)を使います。「読み取った文字を確かめる」を押すと、読み取った行の枠がページに重ねて表示され、誤りの可能性が高い行は色を変えて示します。
このツールの仕様
- 入力
- 出力
- 上限
- ファイル数の上限なし(まとめて処理)、1 ファイル 200 MB まで(スマホ・タブレットは 100 MB)、読み取るページは一度に 200 ページまで(CPU で処理する端末では 30 ページ)
- 無料・会員登録不要・アプリ不要
- ファイルを外部に送信しない(ブラウザ内で処理)
よくある質問
PDF はサーバーに送信されますか?
送信されません。PDF の読み込み・文字の読み取り・保存は、すべてお使いの端末のブラウザ上で処理します。不具合を直すための処理の統計(ページ数の範囲、読み取ったページと行の数の範囲、1 ページの処理時間の範囲、エラーの種類など)は当サイトのサーバーに送信されます。統計には、PDF の中身・読み取った文字・ファイル名・パスワード・指定したページの範囲は含まれません。統計の送信は、ページ下部の「処理の統計を送る」のスイッチで停止できます。
パスワード付きや、作成者が制限を付けた PDF も読み取れますか?
読み取れます。パスワード付きの PDF は、開くためのパスワードを入力すると開けます。作成者によって内容の変更か、コピー・抽出が禁止されている PDF は、権限パスワードを入力するまで読み取りません(テキストを重ねると、禁止された文字の取り出しができるようになるためです)。このツールはパスワードの推測をしないため、権限パスワードが分からないときは PDF の作成者に確かめてください。元の PDF の暗号化は、保存した PDF にもそのまま残ります。電子署名付きの PDF は、保存すると署名が無効になります。
縦書きや手書きの文字も読み取れますか?
横書きの印刷された文字を対象にしています。縦書きのページも読み取りますが、横書きより誤りが多く、句読点を読み落とすことがあります。手書きの文字は対象外です。
読み取った文字に誤りはありますか?
あります。文字の大きさ、スキャンの解像度、紙の汚れや傾きによって、誤って読み取る文字や読み落とす文字があります。表の中で文字の間を広く空けて並べた数字は、ほかの文字より誤りが多くなります。「文書の言語」で日本語を選んだときは、JIS 第 2 水準より外の文字や絵文字が、形の近い文字として読み取られることがあります。保存した PDF を使う前に、「読み取った文字を確かめる」で誤りの可能性が高い行を確かめてください。このツールには、読み取った文字を直す機能はありません。
サービス品質向上へのご協力のお願い
変換や圧縮が失敗したとき、そのときの状況を送っていただけると原因の特定に役立ちます。どの端末・どの形式で失敗しやすいのか、どれくらい時間がかかっているのかが分かれば、対応形式の見直しや不具合の修正に反映できます。差し支えなければ、このままオンにしていただけると助かります。
送信する情報
- 使ったツールと選んだ設定(出力形式・品質など)
- 端末の性能(GPU の有無・メモリ・コア数)
- 入力の形式とおおよそのサイズ
- 成功・失敗の件数と所要時間
- 失敗した場合のエラーの種類と内容
送信しない情報
- ファイルそのもの・ファイル名
- PDF の文字・書き換えた文字列・黒塗りした文字列・パスワード・フォント名・指定したページの範囲
- 読み取った文字・読み取った行の位置
- IP アドレス
送信先は当サイトのサーバーのみで、外部の事業者には提供しません。
ツールごとに送る内訳を含む全項目は、プライバシーポリシーの「処理の統計」をご覧ください。
このツールで送る内訳(数・時間・種類・有無だけ)
このツールでは、「送信する情報」に加えて次の内訳を送ります。
- PDF のツール(共通)
- ページ数の範囲、編集の禁止・権限パスワードの入力・電子署名・暗号化の有無。
- PDF の OCR
- 入力と出力の件数、読み取ったページ・読み取って文字がなかったページ・テキストがあって読み取らなかったページ・テキストと画像が混ざったページ・OCR のテキストがすでにあったページ・テキストが文字化けしていたページ・白紙のページ・テキストを重ねられなかったページ・向きを直したページ・元の内容の閉じていない区切りを閉じたページの数、読み取った行と字の数、既存の字や注釈と重なるため読み取らなかった箇所と文字の数、テキストを重ねる処理の回数(いずれも数の範囲)、縦書きの行と誤りの可能性が高い行の割合の範囲、1 ページの処理時間と AI モデルの読み込み時間の範囲、AI モデルの種類とバージョン・取得したか、描いた解像度の範囲と解像度を下げたか、文字を探すために画像を分けた数の範囲、所要時間の見込みが 15 分を超えたか、GPU が使えなくなったか、元の保護を付け直したか。