Tesseract OCRのセットアップ方法
初心者向けインストールガイド＆よくある落とし穴

Tesseract OCRとは（できること・できないこと）

Tesseractは、1980年代にヒューレット・パッカードで開発され、2006年からGoogleがメンテナンスしているオープンソースの光学文字認識エンジンです。スキャンした文書やページの写真など、テキストを含む画像を受け取り、文字単位でテキストを抽出します。

得意なことは一つだけです。きれいな印刷テキストの文字認識。300DPIでスキャンしたタイプ文書なら95〜99%の精度で単語を返します。スマホで撮ったレシートの写真では精度が落ちます。手書きの書類では実質的に使い物になりません。

この境界を理解することが重要です。なぜなら、多くの初心者は「OCRが悪い」と決めつけますが、実際は適切なツールを間違った問題に使っているだけだからです。Tesseractは文字を読み取ります。文書構造は理解しません。どの数字が請求書の合計で、どの数字が明細の小計なのか区別できず、表も認識せず、意味フィールドの概念もありません。フラットなテキスト出力はバグではなく仕様です。Tesseractと最新のAI抽出の比較については、OCRとはの解説と最高のオープンソースOCRツール比較をご覧ください。

TesseractはApache 2.0ライセンスで配布されています。無料で使用、変更、再配布が可能です。

インストール：3つのOS、それぞれ1つのコマンド

TesseractにはGUIインストーラーウィザードは付属していません（WindowsのNSISインストーラーを除く）。LinuxとmacOSではシステムのパッケージマネージャー、Windowsではサードパーティのインストーラーを使ってインストールします。重要なのは、エンジン本体と必要な言語データの両方をインストールすることです。

以下の表は各OSの主なインストール方法です。インストール後は必ずtesseract --versionで確認してください。

Windowsで重要な注意点：バージョンによっては、インストーラーが自動的にシステムPATHにTesseractを追加しません。インストールディレクトリ（通常はC:\Program Files\Tesseract-OCR）をシステムPATHに追加するか、TESSDATA_PREFIX環境変数をtessdataフォルダーに設定する必要があります。これは初心者が最もよく陥るミスであり、以下の注意点のセクションで詳しく説明します。

初めての抽出：Python + pytesseract

Tesseractはコマンドラインから直接使えますが、多くの開発者はPythonから呼び出したいでしょう。pytesseractライブラリは、TesseractバイナリのクリーンなPythonラッパーを提供します。

Pythonパッケージをインストールします：

pip install pytesseract pillow

活字がはっきりした画像（タイプライターで打たれた手紙、スキャンした書類、きれいなレシート写真など）を用意し、作業ディレクトリにsample.pngとして保存します。次に以下を実行します：

from PIL import Image
import pytesseract

img = Image.open('sample.png')
text = pytesseract.image_to_string(img)
print(text)

すべて正しくインストールされていれば、抽出されたテキストがターミナルに表示されます。TesseractNotFoundError: tesseract is not installed or it's not in your PATHが表示された場合は、下の注意点のセクションに進んでください。それが注意点その1で、修正は簡単です。

Windowsでは、pytesseractにTesseract実行ファイルの場所を指定する必要がある場合もあります：

import pytesseract
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

実際に使う5つのコマンド

Tesseractのコマンドラインインターフェースには数十のオプションがあります。実際には、日常的に使うのはほんの一部です。チートシートはこちら：

tesseract scan.png stdout

tesseract scan.png stdout -l deu

tesseract receipt.png stdout --psm 4

tesseract scan.png output pdf

for file in *.jpg; do tesseract "$file" "${file%.jpg}"; done

PSMモードを理解する：最も重要な設定

Tesseractには14のページセグメンテーションモード（PSM 0～13）があります。デフォルトはPSM 3（完全自動ページセグメンテーション）です。実際の文書では自動モードが誤った判断をすることが多く、この設定を変更することが最も効果的な調整です。

実際に使用するモードの実践的なガイドは以下の通りです。

PSMモードの感覚を掴む最も簡単な方法は、1つの画像を各モードで実行し、出力を比較することです。PSM 3で文字化けするレシートも、PSM 4ではクリーンで読みやすい出力が得られることがよくあります。間違ったPSMモードは、初心者が「Tesseractは使えない」と結論付ける最も一般的な原因です。実際には正常に動作しているのに、誤ったレイアウトの想定を使用しているだけなのです。

Tesseractの出力を向上させる画像前処理の詳細ガイドについては、OCR精度を向上させる方法の記事をご覧ください。

言語パック：英語以外の言語を追加する

Tesseractは100以上の言語に対応していますが、基本インストールに含まれるのは英語のみです。追加の言語は.traineddataファイルとして配布され、Tesseractのtessdataディレクトリに配置します。

traineddataファイルの公式リポジトリは3つあり、適切なものを選ぶことが重要です：

• tessdata_fast — 速度最適化されたLSTMモデル。tessdata_best比で約2～3倍高速、精度低下は最小限。ほとんどのユーザーにおすすめ。
• tessdata_best — 最も高精度なLSTMモデル。約2～3倍低速。精度が最優先で処理速度が問題にならない場合に使用。
• tessdata（レガシー） — レガシーエンジンモデルとLSTMモデルの両方を含む。OEMモード0または2（レガシーエンジン）を使用する場合に必要。

言語を手動で追加するには、tessdata_fastリポジトリから.traineddataファイルをダウンロードし、tessdataディレクトリに配置します：

# Linuxのデフォルトtessdataの場所
sudo cp ~/Downloads/deu.traineddata /usr/share/tesseract-ocr/5/tessdata/

# macOS（Homebrewデフォルト）
cp ~/Downloads/deu.traineddata /opt/homebrew/share/tessdata/

# Windows
# C:\Program Files\Tesseract-OCR\tessdata\ にコピー

Ubuntu/Debianでは、言語パッケージを直接インストールする方法が簡単です：ドイツ語はsudo apt install tesseract-ocr-deu、フランス語はtesseract-ocr-fraなど。macOSでは、brew install tesseract-langですべての言語パックを一度にインストールできます。

よくある3つの落とし穴（とその修正方法）

様々な環境でTesseractをセットアップしてきた経験上、初心者の問題の約80%は以下の3つに集約されます。

from PIL import Image, ImageEnhance, ImageFilter
import pytesseract

img = Image.open('sample.jpg')
# グレースケール変換とコントラスト強調
img = img.convert('L')
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# しきい値適用
img = img.point(lambda x: 0 if x < 140 else 255)
text = pytesseract.image_to_string(img, config='--psm 4')

Tesseractだけでは不十分な場合

Tesseractは、印刷されたテキストの画像を限界費用ゼロで機械可読な文字に変換するという点で優れています。しかし、ワークフローで構造化データ（請求書番号、日付、合計金額、明細項目をスプレッドシートの名前付きフィールドとして抽出すること）が必要な場合、Tesseractはエンジンからテキストが出力された時点で適切なツールではなくなります。

Tesseractユーザーは皆、いつかこの壁にぶつかります。テキストは得られても、それを解析、ラベル付け、構造化する必要があります。請求書の表は、行と列の関係がない文字の連続した壁として出力されます。明細項目と金額はそこにありますが、ヘッダーやフッターのテキストと区別がつきません。そのフラットなテキスト出力を構造化データに変換するには、広範な後処理（正規表現、あいまいマッチング、レイアウト再構築）か、まったく別のアプローチが必要です。

最新のAI搭載ドキュメント抽出ツールは、別のレベルでこの問題を解決します。文字を読むのではなく、ドキュメントのセマンティクスを読み取ります。請求書番号と支払期日の違いを、それらがどのように見えるかではなく、何を意味するかで理解できます。表、マルチカラムレイアウト、フォーマットのバリエーションを、ベンダーごとの設定なしで処理します。ドキュメントに表、手書き文字、スマートフォン写真が含まれていたり、生のテキストではなく構造化データの抽出が必要な場合、AI抽出はTesseractの上層に位置し、Tesseractが元々カバーするように設計されていなかったギャップを埋めます。

よくある質問

初心者にはTesseractとEasyOCRのどちらが良いですか？

Tesseractは高速（CPUで毎分約25ページ vs EasyOCRの8ページ）で、フットプリントもはるかに小さい（約10MB vs 約500MB）。EasyOCRは曲線や回転したテキストをより適切に処理し、前処理の必要性が低い。ドキュメントがきれいな印刷テキストなら、Tesseractから始めてください。曲線テキストや混在スクリプトを含む写真を扱う場合、EasyOCRの方が初期状態で良い結果を出す可能性があります。どちらもフラットなテキスト出力を生成します。構造化データ抽出を提供するものはありません。

Tesseractは手書き文字を読めますか？

精度は低いです。Tesseractは活字認識用に設計されており、そのLSTMエンジンによる筆記体の認識精度は約45%で、半数以上の単語を誤認識します。手書き文書処理には、文書を意味的に読み取るAIビジョンモデル（精度ガイドで解説）が実用的な代替手段です。

TesseractはPDFに直接対応していますか？

直接は対応していません。Tesseractは画像ファイル（PNG、JPEG、TIFF）を処理します。PDFをOCRするには、まず各ページを画像に変換する必要があります。pdftoppm（Linux/macOS）などのツールを使うか、Pythonでpdf2image（内部でpdftoppmまたはpopplerを呼び出します）を使用します。あるいは、OCRmyPDFを使えば、この一連の処理をocrmypdf input.pdf output.pdfという単一のコマンドで実行できます。

クラウドOCR APIが多数ある中、2026年でもTesseractは使えますか？

構造化が不要な大量の活字文書のデジタル化という特定の用途においては、はい。Tesseractの無料でCPUのみで動作する特性は、図書館のアーカイブや数百万の文書の検索インデックス作成といった大量処理のシナリオで依然として比類がありません。構造化された出力（名前付きフィールド、表、スプレッドシートの行）が必要なシナリオでは、クラウドAI APIやImageToTable.aiのように意味的に抽出するツールの方が実用的です。これらは、Tesseractベースのパイプラインの総コストの大部分を占める後処理のエンジニアリング時間を排除できるからです。

Tesseractを独自のデータで学習させることはできますか？

可能ですが、手順は複雑です。TesseractはLSTMのファインチューニングをサポートしていますが、これには各学習画像の.boxファイルの生成（正解ラベル付け）、学習パイプラインの実行、カスタム.traineddataファイルの作成が必要です。ほとんどの実用的なシナリオでは、汎用AIビジョンモデルをファインチューニングするか、学習なしでフォーマットに適応した抽出をサポートするツールを使用する方が効率的です。