5つのPDF→Word書式崩れ
——修正に何時間も費やす原因

OCRの落とし穴：なぜコンバーターは文書ではなく文字しか認識しないのか

このリストにあるすべての障害が発生する理由を理解するには、次のことを理解する必要があります。PDFとWordは、文書を根本的に互換性のない方法で表現しています。

PDFは基本的にデジタル印刷物です。文字、線、ロゴなど、すべての要素を2次元平面上の固定X/Y座標を持つオブジェクトとして保存します。PDFは、文字「H」が11ptのHelveticaで位置(124, 587)にあることを「認識」しています。しかし、「H」が見出しの最初の文字であること、その見出しがセクションに属していること、そのセクションが特定の情報階層を持つ文書内に存在することは認識しません。これらは人間の概念であり、PDFは設計上、それをエンコードしません。

あるRedditユーザーが述べているように、「PDFをWordに変換するのは、言語を翻訳するというより、焼き上がったケーキを小麦粉、卵、砂糖に戻そうとするようなものです」。

従来のOCR（光学文字認識）はこれをさらに悪化させます。OCRはページ上のピクセルを読み取り、既知の文字パターンと照合しようとしますが、座標上の文字しか認識しません。PDFからWordへの変換で書式が失われる理由についての概念はなく、そもそも文書を理解するようには設計されていません。OCRはナンバープレートやスキャンされた書籍のページを読むために設計されたものであり、「この段落は何を意味するのか？」という問いは問題領域に含まれていませんでした。

その結果、PDFからWordへの書式に関する苦情のほぼすべてを占める、5つの繰り返し発生する障害パターンが生じます。それぞれの内容、OCRが原因となる理由、そして根本的に異なるアプローチであるVision AIが根本原因をどのように排除するかを以下に示します。

障害1：フォントの喪失と置換

症状

美しく組版されたPDF（おそらくCalibriで太字のセクションヘッダーと斜体の財務数値が使われたクライアント向け提案書）を変換し、結果のWordファイルを開きます。文書全体がTimes New Romanになっています。さらに悪いことに、フォントサイズがわずかにずれているため、Wordのリフローエンジンが作動し、慎重にページ付けされた12ページの文書が、見出しがページ下部に取り残された14ページになってしまいます。

場合によっては、ほぼ正しいが完全ではないフォントになることもあります。サンセリフの本文がわずかに狭いサンセリフの代替フォントになり、すべての改行が1〜2語ずれます。文書は技術的には読めますが、その状態でクライアントに送ることはできないでしょう。

OCRが原因で起こる問題

OCRエンジンは文字の形を認識しますが、フォントは認識しません。OCRがPDFページを処理する際、既知のグリフ（様々な形の文字「a」など）に一致するピクセルパターンを認識し、対応するUnicode文字を出力します。フォントのメタデータ（使用された書体、太さ、スタイルセット）は、PDFのフォント辞書に保存されていてもOCRは無視するか、フォントがPDFに埋め込まれていない場合は完全に失われます。

Adobe自身のドキュメントでは、その後に何が起こるか説明されています。フォントが見つからないか埋め込まれていない場合、システムはMultiple Master書体（セリフ体の場合はAdobeSerifMM、サンセリフ体の場合はAdobeSansMM）で代替します。これらの代替フォントは「行やページの改行を維持するために伸縮します」が、「元の文字の形状に常に一致できるわけではありません」。その結果、構造は保持されるものの、視覚的には正しくないドキュメントが生成されます。

スキャンされたPDFの場合、問題はさらに深刻です。フォントのメタデータが存在しません。OCRエンジンはピクセルパターンから文字の正体を推測しており、フォント情報は単に復元できません。すべての文字は、コンバーターが割り当てるデフォルトのフォントになります。

Vision AIが解決する方法

Vision AIはフォント名を特定しようとはしません。代わりに、ドキュメントを視覚的に処理します。つまり、特定のテキストが周囲のテキストよりも大きく、太く、または薄く見えることを認識し、その視覚的な関係を出力に保持します。PDFで視覚的に大きく太い見出しは、Word出力でも大きく太い見出しとしてレンダリングされます。「Calibri Bold 16pt」であることを知る必要はなく、人間の読者が見る視覚的な重みの階層を再現すればよいのです。

これは根本的に異なる戦略です。OCRは「これは何のフォントか？」と問い、答えられないと失敗します。Vision AIは「このテキストは、ページ上の他のすべてのテキストと比べてどのように見えるか？」と問います。これは、人間の読者と同じ方法でドキュメントを処理するため、常に答えられる質問です。

障害2: 表構造の崩壊

症状

きれいに整形された表（四半期ごとの収益データが6列にわたり、セル結合や小計行がある）を含む財務報告書を変換すると、結果のWord文書では各セルの内容が独立した段落になり、列の関係が失われます。「第1四半期収益: 142,000ドル」が「第3四半期収益: 156,000ドル」のすぐ隣に表示され、もともと別の列だったことがまったくわかりません。元の表に非表示の枠線（プロの報告書ではよくあるデザイン）がある場合、コンバーターは表が存在したことすら検出できないことがよくあります。

この問題についてのRedditスレッドで、あるユーザーは「変換時に最初に壊れるのはたいてい表だ」と指摘しており、表の多い文書では、すべての書式を削除して最初から手動で表を再構築するのが最も確実な方法だというのが共通認識でした。それは解決策ではなく、敗北宣言です。

OCRが原因で起こる理由

すべてを説明する重要な技術的詳細は次のとおりです。PDFにはネイティブの「表」構造がありません。PDF内の表は、グリッド状に配置されたテキストオブジェクトの集合にすぎず、オプションで線描画コマンドによって可視の境界線が作成されます。「これらの6つのテキストオブジェクトは同じ行に属する」とか「このセルは2列にまたがる」といったメタデータは存在しません。

OCRベースのコンバーターは、視覚的な手がかりから表を逆解析する必要があります。つまり、整列したテキスト列を探し、罫線を検出し、どのセルが一緒に属するかを推測します。列の間隔が不規則な場合、セルが結合されている場合、境界線が非表示の場合、またはセルの内容が複数行にわたる場合、推測は失敗します。各セルは、隣接するセルとの関係を持たない独立したテキストブロックになります。

これが、スキャン文書を表を保持したままWordに変換することがこれほど困難な課題であった理由です。OCRパイプラインは、テキストストリーム用に設計されており、視覚的な座標のみから2次元のデータ構造を再構築するようには設計されていません。

Vision AI が解決する方法

Vision AI は人間と同じように表を処理します。つまり、ページを見てグリッド構造を理解します。整列したテキスト列、一貫した水平間隔、行ごとの繰り返しを検出すると、目に見える境界線の有無にかかわらず、表として認識します。個々のテキスト断片の座標だけでなく、表の視覚的な構造を理解するため、結合セル、列スパン、階層ヘッダーも保持します。

境界線のない表（事実上すべての OCR ベースの変換ツールを困難にする形式）に対して、Vision AI は特に効果的です。線検出のヒューリスティックではなく、視覚的なパターン認識に依存するため、コンテンツの配置と間隔のみから表構造を識別できます。

問題 3: 画像の位置ずれ

発生する現象

3 ページにグラフがあり、その周りに 2 段落の説明文がきれいに回り込んでいる PDF があるとします。Word に変換すると、グラフは 5 ページに移動し、無関係な本文の上に重なって表示されます。また、グラフの周りに回り込むはずだった 2 段落は、上に積み重なって乱雑なブロックになっています。さらに悪い場合、画像が単に消えてしまい、四半期業績グラフがあった場所には空白や画像切れのプレースホルダーが表示されます。

これは、マーケティング用パンフレット、図解入りの技術レポート、図とキャプションを含む学術論文など、画像の多いドキュメントで特に厄介です。必要なテキストは存在しますが、画像とその周囲のコンテンツとの関係というドキュメントの視覚的な論理が破壊されています。

OCR が原因となる理由

PDF では、画像とテキストは同じ座標空間を占有しますが、完全に別個のオブジェクトタイプとして保存されます。画像はその境界ボックスの座標とピクセルデータで定義され、周囲のテキストは独自のテキストランの座標で定義されます。「この画像はこの段落に固定されている」という明示的な関係はなく、ドキュメント作成者はその関係を意図していましたが、PDF 形式はそれをエンコードしません。

OCR はこれをさらに複雑にします。OCR エンジンはテキストを処理するように設計されており、画像は無視されるか、テキストフローにおける障害物として扱われます。コンバーターが Word ドキュメントを再構築する際、各画像をどこに配置するかを決定する必要があります。画像と近くのテキストとの空間的な関係を理解しないまま、画像を任意の位置に固定したり、配置ロジックが有効なアンカーポイントを見つけられない場合に画像を完全に削除したりすることがよくあります。

Vision AI が解決する方法

Vision AI は文書を全体的に処理します。「テキストチャンネル」と「画像チャンネル」を別々の処理ストリームとして扱い、後で調整する必要があるとは考えません。空間的な関係を持つ視覚要素が配置された1ページとして認識します。左側にテキストが回り込んだグラフは配置パズルではなく、「左側に2段組みテキストが回り込んだグラフ」という単一の視覚シーンとして理解します。

出力では、画像は周囲のコンテンツに対して正しい位置に保持されます。これは、モデルが文書を視覚的に理解するためです。まるで、見えない人にページレイアウトを説明するのと同じです。「右側に棒グラフがあり、テキストはその左側に回り込んでいます」というように。

失敗例4: 段落の結合

どのような現象か

これは最も厄介な失敗の一つです。ざっと見ただけでは見逃しやすいからです。契約書やレポートをPDFからWordに変換すると、一見すべてが正しく見えます。しかし、読み始めると問題に気づきます。段落区切りがあるべき場所に、途切れのないテキストの壁があります。本来2つか3つの論理的な段落が1つに結合され、段落区切り（Enterキー）ではなく、単なる改行（WordのShift+Enter）で区切られているだけです。インデントも消えています。議論、証拠、結論という文書の修辞的構造が、区別のないテキストの流れに平坦化されています。

法的文書ではこれは危険です。結合された段落は、条項とその例外の境界を曖昧にします。ビジネスレポートでは読みやすさを損ないます。どの文書でも、編集者は全文を読み直し、手動で段落区切りを再挿入する必要があります。これは文書を最初から打ち直すのとほぼ同じ時間がかかる作業です。

OCRが引き起こす理由

OCRは文字とその座標を記録します。段落の境界は記録しません。PDFの段落区切りは特殊文字ではなく、単に2行のテキスト間のより大きな垂直方向のギャップです。OCRエンジンはこれを「Y=540のテキスト行、Y=520のテキスト行、20単位のギャップ」として記録します。これは段落内の改行とまったく同じデータ構造で、Yオフセットがわずかに大きいだけです。

コンバーターは不可能な分類問題に直面します。18ポイントの垂直ギャップは段落区切りなのか、それとも単に行間が広いだけなのか。24ポイントのギャップとインデントは新しい段落なのか、それともセクション見出しなのか。テキストの意味を理解しないまま、コンバーターはヒューリスティックなしきい値（「ギャップがXより大きければ段落区切りを挿入」）を適用するしかありません。これは一部の文書では機能しますが、他の文書では壊滅的に失敗します。

マルチカラムレイアウトは問題を倍増させます。2つのカラムが並んでいるとき、OCRエンジンの行単位の左から右への読み取り順序は無意味な出力を生成します。カラムAの最初の行とカラムBの最初の行が連結され、次に各カラムの2行目が続きます。コンバーターはカラムを認識しません。2次元平面上の文字座標だけを認識します。

Vision AIが解決する方法

Vision AIは人間と同じようにページを読み取ります。つまり、カラムを認識し、インデントパターンを識別し、段落区切り（「一つの考えの終わり、別の考えの始まり」）と行の折り返し（「同じ考えだが、横のスペースが足りなくなった」）を区別します。また、文書レベルのパターン（新しい段落の始まりの一貫したインデント、セクション間の広い間隔、セクション見出しの配置）を特定し、これらの視覚的な手がかりを使って文書の論理構造を再構築します。

複数カラムの文書の場合、Vision AIは各カラムを個別の読み取りゾーンとして処理し、その後正しい順序（カラムAの全文、次にカラムBの全文）で結合します。異なるカラムの行が混在することはありません。

失敗例5: ヘッダー、フッター、ページ番号が消える

症状

変換されたWord文書を開きます。スクロールすると、何かがおかしいと感じるが、すぐには特定できません。そして気づきます。PDFのすべてのページにあった「Confidential — Q3 Internal Review」という柱がどこにもありません。ページ番号も消えています。文書参照コードが記載されたフッターも消えています。元の文書のすべてのページに一貫して表示されていたこれらの要素が、変換後の出力から単に消えてしまったのです。

別のケースでは、消えてはいないものの誤認識されています。ヘッダーテキストが1ページ目の本文にランダムな文章として挿入され、「Page 3 of 12」というページ番号が3ページの段落の途中に、まるで文の一部であるかのように不自然に配置されています。

OCRが原因となる理由

ヘッダーとフッターは、OCRエンジンが苦手とする空間領域を占めています。その理由は2つあります。第一に、ページの余白に位置しています。多くのOCRエンジンは、周辺領域を低優先度として扱い、テキスト抽出時に単にスキップし、余白のコンテンツを情報ではなくノイズと見なします。第二に、反復的であることです。同じテキストがすべてのページのほぼ同じ位置に表示されます。一部のコンバーターは、この反復を印刷のアーティファクトと解釈し、意図的に抑制します。

PDFには、「このテキストはヘッダーである」「このテキストは本文である」という構造的な区別はありません。どちらも特定の座標に配置されたテキストオブジェクトです。コンバーターは、どのテキストがWordのヘッダー/フッターセクションになり、どのテキストが本文に残るべきかを推測する必要があります。この推測は、位置（ページの上部/下部）と反復（複数ページで同じテキスト）に関する脆弱なヒューリスティックに依存しています。文書にセクションごとに固有のヘッダーがある場合や、本文テキストが誤ってヘッダーゾーンに配置されている場合など、これらのヒューリスティックが失敗すると、結果は予測不能になります。

Vision AIが解決する方法

Vision AIは、ヘッダーとフッターをその視覚的な役割で識別します。つまり、各ページの上部または下部の余白領域に一貫して配置され、ページをまたいで繰り返されるテキストです。「Confidential — Q3 Internal Review」がすべてのページで同じY座標に表示される場合、それはページ上部にたまたま存在する本文ではなく、連続ヘッダーであると認識します。ページ番号は、その内容パターン（ページをまたいで同じ位置にある増加する数字）と空間的なコンテキスト（通常はフッター領域にあり、「Page X of Y」というテキストを伴うことが多い）によって検出します。

出力では、これらをネイティブのWordヘッダーおよびフッターセクションとして保持します。これにより、すべてのページに正しく表示され、ページを追加または削除すると自動的に更新され、ヘッダーとフッターとして期待通りに動作します。

症状の修正を超えて：ツールよりもアプローチが重要な理由

一歩下がって、これら5つの障害モードに共通するものを見てみましょう。どのケースでも、根本原因は同じです。OCRは文書を文字座標として処理し、視覚情報として処理しません。フォントが失敗するのは、OCRが書体メタデータを識別できないからです。表が壊れるのは、OCRが1次元のテキストストリームから2次元構造を推測できないからです。画像がずれるのは、OCRが画像を要素ではなく障害物として扱うからです。段落が結合するのは、OCRが段落間隔と行間隔を区別できないからです。ヘッダーが消えるのは、OCRが空間的な繰り返しパターンを認識できないからです。

これらは、5つの個別の修正を必要とする5つの別々のバグではありません。1つのアーキテクチャ上の制限が5つの異なる方法で現れているのです。そして、その意味は重要です。OCRパイプラインの上にパッチやヒューリスティックをいくら追加しても、これは解決しません。段落間隔のしきい値を調整したり、テーブル検出アルゴリズムを改善したり、フォント置換ルールを追加したりしても、基盤となる処理パラダイム（文書理解を伴わない文字認識）が変わらない限り、失敗ケースは依然として発生します。

ここで、Vision AIと従来のOCRの違いが、単なる学術的な区別ではなくなります。Vision AIは、文字座標から文書構造を再構築しようとはしません。文書を視覚的に見て、人間の読者のようにレイアウトを理解します。段落は垂直方向のギャップのしきい値ではなく、視覚的なパターンで認識します。表は線検出アルゴリズムではなく、グリッド構造で識別します。フォントは書体名を調べるのではなく、視覚的なウェイト階層を再現することで保持します。

レイアウトを保持した文書からWordへの変換に関する完全ガイドでは、ワークフローは簡単です。文書をアップロードすると、Vision AIエンジンがテキスト、表、画像、ヘッダー、フッターを含むページ全体を単一の視覚シーンとして分析します。各要素が何であるか、そして他のすべての要素とどのように関連しているかを理解することで、座標データから推測するのではなく、編集可能なWord形式で文書を再構築します。

これはまた、同じエンジンがOCRパイプラインを完全に壊すエッジケースも処理できることを意味します。スクリーンショットから編集可能なWordへの変換 — PDFのフォントメタデータがまったくなく、ピクセルだけの場合 — や、手書きと印刷されたコンテンツが混在する文書などです。文書を視覚的に処理する場合、ソース形式はそれほど重要ではありません。特定のツールを比較している場合は、レイアウトを保持するWord変換ツールの比較で、さまざまなアプローチがこれらの5つの障害モードのそれぞれをどのように処理するかを詳しく説明しています。

よくある質問

PDFは完璧なのに、変換後のWord文書が乱れているのはなぜ？

PDFは固定レイアウト形式のため、すべての要素が正確な座標に固定され、見た目は完璧です。一方、Word文書が乱れるのは、コンバーターが生の座標データから段落や表、書式を再構築する必要があり、文字レベルのOCRでは本質的に情報が失われるからです。画面上で美しく見えるのは、元のPDFが優れていたからです。編集可能な形式に変換するには、文書の論理構造をゼロから再構築する必要があり、これは根本的に異なる課題です。

すべてのフォントをPDFに埋め込めば、フォント置換の問題は解決できますか？

フォントの埋め込みは、元のPDFがデジタルソース（Word文書をPDFとして保存しフォントを埋め込んだ場合など）から作成された場合に有効です。しかし、スキャンされたPDF、つまり紙の文書をデジタル化したものには、埋め込むフォントがありません。「テキスト」は画像の中のピクセルにすぎません。OCRは文字の形状を認識し、Unicode値に割り当てる必要がありますが、文書がスキャンされた時点でその情報は失われているため、元の書体情報を復元することはできません。このような場合、書体を特定しようとするのではなく、視覚的なウェイトの階層を保持するVision AIのアプローチが、適切にフォーマットされた出力を得るための唯一の実行可能な方法です。

特定の文書に対して、なぜオンライン変換ツールによって性能に差があるのですか？

変換ツールによって、使用するテーブル検出のヒューリスティック、段落間隔のしきい値、フォント置換ルールが異なります。余白の広いシングルカラムのレポート用に調整されたツールは、その文書タイプではきれいな出力を生成しますが、間隔の狭いマルチカラムのニュースレターでは完全に失敗します。これが、ツール間を行き来することになる理由です。各ツールは、異なる文書レイアウトの前提条件に合わせて調整されているのです。Vision AIアプローチは、レイアウト固有のヒューリスティックにまったく依存しないことで、この問題を回避します。

スキャン解像度を上げれば、PDFからWordへの変換の書式問題は解決しますか？

スキャン解像度を上げる（300 DPI以上）と、OCRの文字認識精度は向上します（「0」と「O」の混同が減るなど）。しかし、このリストにある構造的な失敗は解決しません。600 DPIのスキャンでも、段落の開始位置と終了位置、表のセル同士の関係、出力内でのヘッダーの配置場所をOCRに教えることはできません。解像度はテキストの精度を向上させますが、レイアウトの理解は向上させません。これらは別の能力であり、根本的に異なる処理アプローチを必要とします。

Wordに変換すべきですか、それとも構造化テーブルに変換すべきですか？

出力を何に使うかによります。元のレイアウトで文書を編集、レビュー、または転用する必要がある場合（修正が必要な契約書、内容更新が必要なレポート、テキスト変更が必要なパンフレットなど）は、Word出力が視覚的な文書を保持します。複数の文書にわたってデータを分析する必要がある場合（請求書の合計をスプレッドシートに抽出する、ベンダー見積もりを列で比較するなど）は、構造化テーブル出力（Excel/CSV）が適切なターゲットです。当社のWord変換 vs テーブル変換の判断フレームワークでは、具体的なユースケースに基づいた選択方法を説明しています。

Vision AIは複数カラムや複雑なレイアウトの文書を処理できますか？

はい — ここがOCRとVision AIの最大の差です。OCRは左から右へ一行ずつ読み取るため、複数カラム文書では異なるカラムのテキストが混ざり、意味不明な出力になります。Vision AIは各カラムを独立した視覚ゾーンとして処理し、正しい順序で並べるため、元の読みやすさを保ちます。画像の周りにテキストが流れる文書、サイドバー、コールアウトボックスなど、非線形レイアウトにも同様に対応できます。