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（そしてそうでないもの）

Tesseractは、1980年代にHewlett-Packardで開発され、2006年以降はGoogleがメンテナンスを担当しているオープンソースの光学文字認識エンジンです。スキャンしたドキュメントやページの写真など、テキストを含む画像を受け取り、そこから文字を一文字ずつ抽出します。

Tesseractが得意とするのは1つのことだけです：きれいな印刷テキストの文字認識です。300 DPIでスキャンしたタイプ済みのページを渡せば、95〜99%の精度で単語を返します。スマートフォンで撮影したレシートの写真を渡すと、精度は低下します。手書きのフォームを渡すと、実質的に使い物になりません。

この境界線を理解することが重要なのは、ほとんどの初心者が「OCRが悪い」と非難するケースが、実際には正しいツールを間違った問題に適用しているだけだからです。Tesseractは文字を読み取ります。ドキュメント構造は理解しません。どの数字が請求書の合計で、どの数字が明細項目の小計なのかはわかりませんし、テーブルも認識せず、意味論的なフィールドの概念もありません。そのフラットなテキスト出力は、バグではなく機能です。Tesseractが最新のAI抽出とどう違うのかを詳しく知りたい方は、OCRとは何かの解説と、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ライセンスの下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インストーラーの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製インストーラーを使用してインストールします。重要なのは、エンジン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をまとめたものです。インストール後は、必ずtesseract --versionで確認してください。

Windowsでの重要な注意点：一部のバージョンでは、インストーラーがTesseractをシステムのPATHに自動的に追加しません。インストールディレクトリ（通常はC:\Program Files\Tesseract-OCR）をシステムのPATHに追加するか、tessdataフォルダーを指すTESSDATA_PREFIX環境変数を設定する必要があります。これは初心者が最もよく陥るエラーの原因であり、以下の落とし穴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。多くの実用的なドキュメントでは、自動モードは誤った判断をすることがあり、この設定を変更することが最も効果の高い調整です。

実際に使用するモードの実践的なガイドは次のとおりです：

PSMモードの直感を養う最も簡単な方法は、1つの画像を各モードで実行して出力を比較することです。PSM 3で文字化けするレシートは、PSM 4ではきれいで読みやすい出力になることがよくあります。間違ったPSMモードは、初心者が「Tesseractは機能しない」と結論づける最も一般的な理由ですが、実際には正常に機能しています — ただ誤ったレイアウトの想定を使用しているだけです。

Tesseractの出力を改善する画像前処理の詳細なガイドについては、OCR精度を向上させる方法に関する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')
# グレースケールに変換し、コントラストを強調
img = img.convert('L')
enhancer = ImageEnhance.Contrast(img)
img = enhancer.enhance(2.0)
# しきい値を適用
img = img.point(lambda x: 0 if x < 140 else 255)
text = pytesseract.image_to_string(img, config='--psm 4')

Tesseractでは不十分な場合

Tesseractは、印刷されたテキストの画像をゼロコスト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、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など）が必要な場合、Tesseractはテキストがエンジンから出力された時点で適切なツールではなくなります。

Tesseractユーザーは誰でもいつかこの壁にぶつかります。テキストは得られるものの、それを解析し、ラベル付けし、構造化する必要がまだあるのです。請求書の表は、行と列の関係がない文字の連なりとして出力されます。明細項目と価格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、ファジーマッチング、レイアウト再構築）か、まったく異なるアプローチが必要になります。

最新のAI搭載ドキュメント抽出ツールは、この問題を別のレベルで解決します。文字を読むのではなく、ドキュメントの意味を読むのです。請求書番号と支払期日の違いを、それらのフィールドがどのように見えるかではなく、何を意味するかを理解することで見分けられます。表、複数列レイアウト、フォーマットのバリエーションにも、ベンダーごとの設定なしで対応します。ドキュメントに表、手書き文字、スマートフォンで撮影した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の上に重なるレイヤーであり、Tesseractがそもそも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。

FAQ

初心者にはTesseractとEasyOCRのどちらが良いですか？

Tesseractの方が高速で（CPUで毎分約25ページ vs EasyOCRの8ページ）、フットプリントもはるかに小さいです（約10 MB vs 約500 MB）。EasyOCRは曲線テキストや回転テキストの処理に優れており、前処理の必要性も低くなります。ドキュメントがきれいな印刷テキストであれば、Tesseractから始めてください。曲線テキストや複数スクリプトが混在する写真を扱う場合は、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が、構造化データ抽出機能はどちらにもありません。

Tesseractは手書き文字を読み取れますか？

精度は低いです。Tesseractは印刷文字の認識用に設計されており、そのLSTMエンジンは筆記体の手書き文字に対して約45%の精度しか達成できません。つまり、単語の半分以上が誤読されることになります。手書き文書の処理には、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）で動作します。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を使用します（内部でpdftoppmまたはpopplerを呼び出します）。あるいは、OCRmyPDFを使えば、この一連のワークフローをocrmypdf input.pdf output.pdfという単一のコマンドにまとめられます。

クラウドOCR APIが多数ある中、2026年でもTesseractは依然として有用ですか？

構造化が不要な大量の印刷テキストのデジタル化という特定のユースケースに関しては、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ドキュメントの検索インデックス作成など、大量処理のシナリオでは今も匹敵するものがないでしょう。構造化された出力（名前付きフィールド、テーブル、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。Tesseractベースのパイプラインでは、後処理のエンジニアリング時間が総コストの大部分を占めるため、それを排除できるからです。

Tesseractを自分のデータでトレーニングできますか？

できますが、手順は複雑です。TesseractはLSTMのファインチューニングに対応しています。各トレーニング画像の.boxファイルの生成（グラウンドトゥルースのアノテーション作業）、トレーニングパイプラインの実行、カスタムの.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、トレーニング不要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。