スキャンされた PDF はページ画像のコレクションです。書類のように見えますが、コンピュータから見ると写真のアルバムです。検索したり、テキストをコピーしたり、スクリーン リーダーで内容を読み上げたりすることはできません。スキャンを完全に検索可能な PDF に変換すると、各ページ画像の背後にテキスト レイヤーが追加され、元のスキャンされた外観を維持しながら、ドキュメントがデジタルで作成された PDF のように動作します。このプロセスは OCR (光学式文字認識) と呼ばれ、ブラウザベースのツールにより高速かつ正確になりました。
結果として得られる検索可能な PDF の品質は、元のスキャンの品質、OCR エンジンの精度、テキスト レイヤーを追加した後にファイルを最適化するかどうかという 3 つの要素によって決まります。 3 つすべてを正しく行うと、デジタル オリジナルと同様に検索可能な PDF が生成されます。これらのいずれかを間違えると、検索でコンテンツが欠落したり、文字化けした結果が返されたりする PDF が生成されます。
ネバダ大学のドキュメント AI 研究グループによる 2025 年のベンチマークによると、最新のクラウドベースの OCR エンジンは、印刷された英語テキストのクリーンな 300 DPI スキャンで 99 パーセントを超える文字精度を達成しており、10 年前の約 95 パーセントから上昇しています (ネバダ大学、「OCR Accuracy Benchmark Report」、2025)。このテクノロジーは、クリーン スキャンでの OCR エラーが一般的ではなく例外になるまで成熟しました。
最良の OCR 結果を得るためのスキャンの準備
OCR の精度は、OCR エンジンよりもスキャンの品質に大きく依存します。きれいに印刷されたテキストをまっすぐに、明るいところで 300 DPI スキャンすると、有能なエンジンであればほぼ完璧な精度で OCR されます。しわの寄った文書の曲がった、影のある低解像度の写真は、利用可能な最高のエンジンでも悪い結果をもたらします。 OCR を実行する前に、スキャン品質を確認してください。曲がったページの傾きを補正します。テキストが暗く、背景が明るくなるようにコントラストを調整します。テキストを含まない無関係な領域を切り取ります。
スキャン プロセスを制御できる場合は、テキスト ドキュメントの場合は白黒またはグレースケールで 300 DPI でスキャンします。カラー スキャンはテキストには不要であり、生成されるファイルが大きくなり、処理が遅くなります。 スキャン PDF の準備ステップには数分かかり、文字認識アルゴリズムを混乱させる視覚的なノイズを除去することで OCR の精度が直接向上します。
ブラウザベースのツールでの OCR の実行
スキャンした PDF をブラウザベースの OCR ツールにアップロードします。ツールが尋ねた場合は、ドキュメントの言語を選択します。多言語ドキュメントでは、利用可能な場合は自動検出言語設定を使用する必要があります。 OCR プロセスを開始します。このツールは各ページの画像を分析し、文字の形状を識別し、各画像の背後に透明なテキスト レイヤーを追加します。処理時間はページ数とサーバーの処理能力によって異なりますが、通常は 1 ページあたり数秒です。
WukongPDF の OCR PDF ツールは、スキャンされた文書を処理し、検索可能なテキスト レイヤーを追加します。ドキュメントの外観は変わりません。スキャンされたページは以前とまったく同じように見えますが、単語を検索したり、テキストをコピーしたり、スクリーン リーダーで文書を読み取ったりできるようになりました。テキストレイヤーは使用するまで表示されません。
OCR精度の検証
OCR 後、スキャンしたページに表示される単語を検索します。検索でそれらが見つかった場合は、OCR が機能したことになります。最初のページだけでなく、文書全体に散在するいくつかの用語を検索します。スキャン品質が異なると、OCR の精度がページごとに異なる場合があります。小さなテキスト、珍しいフォント、または背景パターンが含まれるページは、きれいな標準テキストが含まれるページよりも精度が低くなります。
PDF Converter スキャンから検索可能な PDF へのパイプラインは、すべてのページが正確な検索結果を返したときに完了します。一部のページが失敗した場合は、それらのページを高品質またはより良い照明で再スキャンし、再処理します。 OCR では、画像にない情報を作成することはできません。テキストレイヤーの正確さは、読み取ったスキャンの精度に依存します。
OCR出力ファイルの圧縮
OCR 処理後、テキスト レイヤーが各ページにデータを追加するため、ファイル サイズが増加する可能性があります。 OCR 処理されたファイルを圧縮して実行し、スキャンされた画像と新しいテキスト レイヤーの両方を保持しながらファイル サイズを削減します。圧縮は、テキストに影響を与えずに画像データを対象にする必要があります。 WukongPDF は、この OCR と圧縮を組み合わせたワークフローを 1 つのセッションで処理します。