KakaoTalk支払いスクリーンショット：
金額（금액）と銀行口座番号（계좌번호）を抽出

カカオトークの支払いカードに実際に表示されるもの

カカオトークの会話に支払い関連情報が表示される一般的な方法は2つあり、視覚的にはかなり異なります。そのため、これらを単なる「チャットのスクリーンショット」として扱うのは本質を見逃しています。

シナリオ1：KakaoPay送金カード（송금 카드）。 誰かがカカオトークで送金すると、アプリはチャットスレッドに埋め込まれた視覚的なカードを生成します。そこには、韓国ウォンでの金額（금액）、送信者（보낸분）と受取人（받는분）の名前、そして取引時間が表示されます。カードの下には「受取」ボタンがあり、受取人はそれを使ってKakaoPay残高に送金を受け取ることができます。このカードは、周囲のテキストメッセージから明確に区別された、独自の背景と角丸を持つ自己完結型の視覚コンポーネントです。

シナリオ2：チャットに入力された銀行口座情報。 もう1つの一般的なシナリオは、銀行情報をメッセージに直接入力する場合です。典型的な例："은행명: 국민은행 / 예금주: 김철수 / 계좌번호: 123456-78-901234"（銀行：KB国民銀行 / 口座名義人：金チョルス / 口座番号：123456-78-901234）。構造化されたカードも、強調されたフィールドもなく、会話の中の単なるプレーンテキストです。金額は同じメッセージに含まれるか、別途合意されます。口座番号は韓国の銀行規則に従い、ハイフン付きの10〜14桁で、銀行名はほぼ常に併記されます。

どちらのシナリオも、取引を記録しようとする人にとって同じ根本的な問題を抱えています。情報がスクリーンショットの中に閉じ込められているのです。KakaoPayカードはダウンロード可能な領収書ではなく、チャットがスクロールすると画面から消えてしまうチャットコンポーネントです。銀行口座メッセージは、長い会話に埋め込まれた単なるテキストの1行です。どちらの場合も、実際に記録できるのは画面上でキャプチャしたものだけです。

チャットのスクリーンショットにOCRとは異なるアプローチが必要な理由

従来のOCRツールは、文書のレイアウトが予測可能な場合にうまく機能します。請求書では合計金額が右下に、レシートでは日付が上部に配置されています。OCRエンジンはすべての文字を読み取り、固定座標に基づいてどのテキストがどのフィールドに属するかを判断します。KakaoTalkのスクリーンショットには、そのような予測可能性はありません。支払いカードは、毎回長さが異なるチャットスレッドの途中に表示されます。銀行口座メッセージは、会話の2番目のメッセージかもしれないし、50番目かもしれません。絵文字、スタンプ、プロフィール名、タイムスタンプなどの周囲のテキストは、座標ベースのシステムではフィルタリングできない視覚的なノイズを生み出します。

実際の失敗例は次のようになります。OCRツールが、₩50,000と表示された支払いカードと「5명」(5人)と記載されたテキストメッセージの両方を含むKakaoTalkのスクリーンショットをスキャンします。両方の数値が返され、ユーザーはどちらが金額かを判断する必要があります。同じ問題は口座番号にも当てはまります。電話番号の隣にある11桁の文字列は、OCRがどちらの文字列が何を意味するのかを理解しないため、区別できません。

視覚言語モデルは、同じスクリーンショットに異なるアプローチで取り組みます。座標によってすべての文字を読む代わりに、VLMは完全な視覚的コンテキストを処理します。「₩50,000」は、明確な背景を持つ角丸カードの中にあり、プロフィール写真と「請求」ボタンに挟まれています。AIはこれを支払い金額として認識します。「123456-78-901234」は「은행명: 국민은행」の隣に表示されます。AIはこれを口座番号として識別します。違いは意味理解です。AIは「この文字はどの座標にあるのか？」ではなく「これはどのような種類の情報か？」を問います。

この違いは、支払いが視覚的に豊かなチャット環境内で行われるため、KakaoTalkにとって特に重要です。スタンプ、プロフィール画像、Kakao Friendsの絵文字、チャットバブルの色は、テンプレートベースのシステムでは事前にプログラムできない多様性を生み出します。VLMは目に見えるものは何でも読み取ります。

金額と口座番号の取得

ワークフローは次のとおりです。KakaoTalkのスクリーンショットを撮り、カスタム列抽出に対応したツールにアップロードします。2つの列を定義します：金額と銀行口座番号。これだけです。テンプレートも、トレーニングサンプルも、領域指定も不要です。AIがスクリーンショットをスキャンし、送金金額（₩または韓国語の「원」の接尾辞が付く）と口座番号（ハイフン付きの10〜14桁で、多くの場合「계좌번호」の前に表示）を識別します。両方の値が出力テーブルの同じ行に配置されます。

複数のKakaoTalkスクリーンショットがある場合（1か月間に複数のクライアントからの支払い確認など）、それらをすべて一度にアップロードします。各スクリーンショットが1行になります。AIは、すべてのスクリーンショットで口座番号が同じ位置に表示されることに依存しません。あるスクリーンショットでは3番目のメッセージ、別のスクリーンショットでは1番目のメッセージになる可能性があるからです。AIはラベルと視覚的なコンテキストに依存します。これは、情報が会話のどこに表示されても機能するアプローチです。グループ購入のコーディネーターはこのバッチ問題に最も悩まされます。1つのKakaoTalkグループ購入スクリーンショットスレッドに、購入者全員分の支払い確認が含まれることがあるからです。

明確に述べておくべきいくつかの制限事項があります。スクリーンショットでKakaoPayカードの一部が切れている場合（たとえば、金額が表示されている上半分だけで完全な確認が表示されていない場合）、口座番号や受取人名が画像に含まれていない可能性があり、AIは表示されているものだけを抽出できます。チャットに入力された銀行口座番号の場合、精度はスクリーンショットがラベル（계좌번호または계좌）と数字の両方を捉えているかどうかに依存します。数字の文字列だけがコンテキストなしで表示されている場合、AIはそれを数値シーケンスとして識別できますが、電話番号ではなく口座番号であるという確信度は低くなります。これらは抽出方法ではなく、ソース素材の制約です。

さまざまなアプリの支払いスクリーンショットの比較（KakaoTalkの支払いカードとLINEのLINE Payカードの類似点を含む）については、LINEチャット支払い抽出の比較をご覧ください。また、支払い会話に付随することが多い住所や注文詳細については、KakaoTalkの住所・注文詳細ガイドで、チャットスクリーンショットに通常含まれるもう半分の内容を説明しています。

この2つの数値がシートに入ると何ができるか

金額と銀行口座番号がスプレッドシートの行に入っていると、思った以上に役立ちます。この2つのフィールドだけで、最も一般的な下流のニーズをカバーできるからです。

受け取った支払いの記録。 韓国のフリーランサーや小規模事業主は、KakaoPayで支払いを受け取り、その後、将来の送金用にクライアントの口座番号が記載されたメッセージを受け取ることがよくあります。両方のフィールドが抽出されていれば、毎回チャット履歴を探すことなく、請求書と照合できます。

共有費用の分割（n빵）。 KakaoTalkは、グループでの食事代、旅行費用、共有購入の精算の場です。誰かが支払い、合計をグループチャットに送り、他の全員が自分の分を送金します。複数のグループでの外出で誰がいくら支払ったかを追跡している場合、抽出された金額が入ったスプレッドシートがあれば、すべてのチャットメッセージを読み返すことなく合計を集計できます。ここでは口座番号の重要性は低いですが、金額は重要なフィールドです。

税務・経理のための支払い記録の作成。 韓国のギグエコノミーで一般的な、KakaoTalkを通じて活動するフリーランサーにとって、各クライアントの銀行口座と照合した月次の受取金額ログは、検証可能な収入の証跡となります。これは税務上の領収書ではありません（韓国では公式の控除には세금계산서（税務計算書）が必要です）が、受け取った税務計算書と照合するための生データとなります。

これらすべてのシナリオに共通するのは、量です。スクリーンショット1枚なら手動で簡単に処理できます。しかし、月に10枚や20枚になると、異なるクライアント、グループでの外出、金額が混在し、摩擦が大きくなります。各スクリーンショットでは、画像を開き、数値を読み取り、スプレッドシートに入力し、口座番号の数字を書き間違えていないか確認する必要があります（韓国の銀行口座番号形式にはダッシュが含まれるため、これは実際に起こり得るリスクです）。抽出ワークフローは、この転記ステップを完全に排除します。

LINEが支払い確認をどのように処理しているか（支払方法や取引IDを含む日本式の支払いカードを含む）を比較するには、LINEチャット支払いスクリーンショットガイドをご覧ください。また、メッセージングアプリの支払いスクリーンショットを構造化データとして抽出するというより広い概念については、WeChat Payの記事でハブレベルの議論を扱っています。支払いスクリーンショットは領収書ではありませんが、金額はきれいに抽出されます。

FAQ

スクリーンショットが完全に韓国語の場合、抽出はまだ機能しますか？

はい。視覚言語モデルは、表示されている言語に関係なくテキストを処理します。韓国語の文字（ハングル）は、別のOCRパイプラインではなくネイティブに処理されます。金額フィールドは₩記号または韓国語の「원」接尾辞付きの数値として表現され、銀行口座番号は数値文字列です。どちらも言語に依存しないフィールドであり、AIは視覚的なコンテキストと周囲のラベルによって識別します。銀行名（은행명）と預金者名（예금주）は韓国語のまま抽出されます。これは記録管理にまさに必要なものであり、翻訳は不要です。

KakaoPayカードと銀行詳細が記載されたテキストメッセージでは、抽出の動作は異なりますか？

根本的な仕組みは同じですが、視覚的な手がかりが異なります。KakaoPayカードの場合、AIはカードの特徴的な視覚コンテナ（角丸長方形と色付きヘッダー）によって金額を識別します。これは周囲のチャットメッセージから分離されています。テキストで入力された銀行口座詳細の場合、AIは数字の前に付くラベル（계좌번호、은행명）に大きく依存します。どちらのアプローチも座標ではなく意味理解を使用するため、情報がチャットのどこに表示されていても機能します。テキストメッセージから抽出する場合、スクリーンショットにラベルと番号の両方が一緒に含まれるようにすると、AIに最も強いシグナルが与えられます。

これはすべての韓国の銀行で機能しますか？

はい。韓国の銀行口座番号は、銀行に関係なく一貫した形式に従います。通常は10〜14桁で、ハイフンが1つまたは2つ含まれます。口座がKB Kookmin、Woori、Shinhan、Hana、NongHyup、KakaoBankのいずれであっても、数値構造は類似しており、銀行名はほぼ常にチャットメッセージ内の口座番号と一緒に含まれています。AIは口座がどの銀行に属しているかを知る必要はありません。番号の長さ、数字のグループ化パターン、およびその前のラベルによって、文字列を口座番号として識別します。

複数のKakaoTalkスクリーンショットを一度に処理できますか？

はい。支払いカード、銀行口座メッセージ、またはその両方をすべてアップロードすると、AIが各スクリーンショットにつき1行を単一の出力テーブルに作成します。口座番号のない支払いカードのみを含むスクリーンショットでは、そのセルは空のままになります。これは、月末に1か月分のKakaoTalk支払いスクリーンショットを照合や記録保持のためにまとめる際に特に便利です。

これは単にトレーニングが改善されたOCRですか？

いいえ。従来のOCRは表示されているすべてのテキストを読み取り、それをブロックとして出力します。各フィールドの位置を示すテンプレートがなければ、金額と電話番号を区別できません。視覚言語モデルはスクリーンショットを全体として読み取り、フィールドが表示される場所ではなく、その意味によって識別します。そのため、セットアップなしでKakaoTalkの支払いカードで機能するのです。意味理解はチャットスクリーンショットの便利機能ではなく、必須要件です。