光学文字認識（OCR）とは？

最終確認日：2026-08-08 · 対象：文書自動化 / データ抽出 / コンピュータビジョン

光学文字認識（OCR）は、印刷・手書き・タイプされたテキストの画像を機械可読なテキストに変換する技術です — スキャンした文書、写真、PDFの内容を、手作業で打ち直すことなく、コンピュータで検索・編集・処理できるようにします。

OCRの仕組み

OCRは4つの段階で動作します。まず、スキャナまたはカメラが文書を画像として取り込みます — 明暗を記録するピクセルの格子です。次に、前処理がその画像を整えます：傾き補正（斜めにスキャンされたページをまっすぐにする）、ノイズや斑点の除去、コントラストの補正、そしてテキストが背景から明確に分離するようにすべてを白黒に変換します。第三に、認識エンジンが各形状を既知の文字パターンまたは特徴ルールと照合して分析します。最後に、後処理が辞書と文脈を使用して明らかな誤りを修正します — 生の一致結果「cl0ud」を「cloud」に戻すのは、辞書の単語がゼロで始まることがないためです。

認識段階の内部には、2つの古典的なアルゴリズムがあります（IBM Think）。パターン認識（パターンマッチング）は、スキャンした各文字を、既知のすべてのグリフの保存済みテンプレートと比較します — 「グリフ」とは、文字の固有の形状・サイズ・フォントの組み合わせのことです — そして最も近い一致を返します。トレーニングされたフォントでは高速かつ正確ですが、未知のフォントでは失敗します。特徴認識（特徴抽出）は、代わりに文字の構造に関するルールを適用します — 斜線、交差、ループ、曲線の数など、「A」が水平バーで結合された2本の対角線であるといった情報です — これにより、これまで見たことのないフォントも認識できます。最新のシステムは両方を組み合わせ、その後、文法と単語頻度の文脈を使用して残りの誤りを修正する言語モデルにテキストを渡します。

重要な違い：OCRは意味のないテキストを生成します。ページ上にどの文字があるかはわかりますが、文書が何を意味するかはわかりません。従来のOCRエンジンは「INVOICE TOTAL: $1,250.00」を文字列「INVOICE TOTAL: $1,250.00」に変換します — しかし、これが請求書であることや、$1,250.00が合計金額であることは理解しません。認識されたテキストを構造化フィールドに変換するこの理解層は、AI時代になって初めて実用化された別の技術です。

OCRが重要な理由

OCRは、事実上すべての文書自動化ワークフローにおける取り込み層です。市場もそれを反映しています。世界のOCR市場は2025年に158億ドルと評価され、2034年までに481億ドルに達すると予測されています（IMARC Group、2025年）。OCR登場以前は、スキャンされた請求書、フォーム、契約書はすべて画像にすぎず、検索も編集もできず、人間にしか読めませんでした。米国議会図書館のChronicling Americaプログラムは、OCRが実現する規模を示しています。1,600万ページ以上の歴史的な米国新聞（1789〜1963年）が、機械可読なOCRテキスト層付きでデジタル化され、2世紀分の新聞を誰でもキーワード検索できるようになりました（米国議会図書館）。

OCRが重要な2つ目の理由は、精度の主張があいまいになりがちな領域であり、ベンダーがそのあいまいさを利用することが多い点です。欧州データ保護会議（EDPB）の技術ガイダンスは、きれいな印刷文書では95〜99%のOCR精度が一般的に達成可能であり、100%の精度を提供するシステムは存在しないと指摘しています。正確性を保証する唯一の方法は人間によるレビューです（EDPB、2024年）。「99%の精度」という主張は、何を測定したのかが分かって初めて意味を持ちます。きれいな印刷物の文字なのか、それとも実際の複雑な文書のフィールドなのか。これらは大きく異なる数値です（精度評価の主張に関するFAQは以下を参照）。

OCRの歴史と進化

OCRの起源は1914年に遡ります。物理学者のエマニュエル・ゴールドバーグが、文字を読み取って標準的な電信コードに変換する機械を製作しました。これは、文書化された最古のテキスト読み取り装置の1つです。1920年代後半から1930年代にかけて、彼はこれをマイクロフィルムアーカイブ検索用の「統計機械」へと改良し、1931年に米国特許第1,838,389号を取得しました。この特許は後にIBMが買収しました（Wikipedia）。IBM自身は1959年にこの用語を正式に確立し、1966年には手書き数字を読み取れる初の商用スキャナーであるIBM 1287を発表しました（RPA Technologies）。

転換点となったのは1974年です。レイ・カーツワイルがカーツワイル・コンピュータ・プロダクツを設立し、事実上あらゆるフォントで印刷されたテキストを認識できる初のオムニフォントOCRを開発しました。1976年にはこれを視覚障害者向けの読み上げ装置として製品化し、全米盲人連盟とともに発表しました。商用版は1978年に続き、1980年にはゼロックスが同社を買収しました（Veriff）。1990年代から2000年代にかけて、OCRは大規模デジタル化の原動力となりました。全米デジタル新聞プログラムと米国議会図書館はOCRを基盤にChronicling Americaを構築し、数千万ページの検索可能な新聞を実現しました。また、米国国立標準技術研究所（NIST）は1989年から1998年にかけて、米国内国歳入庁（IRS）および米国国勢調査局と連携して独自のOCR研究プログラムを実施し、1990年と2000年の国勢調査を直接支援しました（NIST）。

2010年代には深層学習が登場し、ニューラルネットワークが手作業による特徴ルールに取って代わり、印刷テキストの認識精度は90%台後半にまで向上し、手書き文字認識も実用化されました。2020年代には視覚言語モデル（VLM）が登場しました。これは視覚的理解と言語理解を組み合わせたマルチモーダルAIシステムで、単一のモデルでテキストを読み取るだけでなく、文書の構造や意味も理解できます。GPT-4Vの学術的評価では、ラテン文字のテキスト認識と表構造の理解に優れた性能を示す一方、多言語対応や複雑なレイアウトには限界があることも明らかになり、VLMがOCRの役割を単に置き換えるのではなく、再定義しつつあることが示されています（SCUT-DLVCLab、2023年）。

OCRの種類

OCRは単一の技術ではなく、最もシンプルなものから最も高度なものまで、4つの認識アプローチのファミリーです。IBMとCourseraはどちらも同じ4つの分類を説明しています（IBM Think；Coursera）：

シンプルOCR

保存されたフォントテンプレートに対する文字単位のパターンマッチング。クリーンで既知のフォントや標準的な印刷文書では高速かつ信頼性が高い一方、学習していないもの（珍しいフォント、劣化したスキャン、手書き文字など）には対応が困難です。

光学マーク認識（OMR）

文字ではなくマークを検出します。塗りつぶされた丸、チェックボックス、レ点など、フォーム上の定義済みマークを認識します。標準化テスト、アンケート、投票用紙の集計などで使用され、重要なのは領域が塗りつぶされているかどうかであり、その内容ではありません。

インテリジェント文字認識（ICR）

固定テンプレートではなく例から学習し、手書きの活字体（分離した文字）をグリフ単位で読み取るOCRの機械学習バリアントです。人間の手書き文字の自然なばらつきに対応できますが、文字の境界が曖昧になる筆記体は依然として困難です。

インテリジェント単語認識（IWR）

孤立した文字ではなく、単語やフレーズ全体を単位として文脈を利用して読み取ります。個々の文字の境界が曖昧でも単語全体は認識可能な筆記体に特に有効です。4つのアプローチの中で最も高度です。

実際の文書処理スタックのほとんどはハイブリッド型です。OMRがチェックボックスを処理し、シンプルOCRがクリーンな印刷物を処理し、ICR/IWR（または最新のAIモデル）が手書きフィールドを処理します。多くの場合、これらは同じフォーム内で組み合わせて使用されます。

OCRが使われる分野

OCRは、他のどの認識技術よりも多くの業界で利用されています。最も重要な5つの応用分野は次のとおりです。

買掛金/財務：OCRは仕入先請求書、発注書、経費領収書をデジタル化し、自動抽出を可能にします。1枚の請求書あたり数時間かかっていた手入力を数秒に短縮し、再入力エラーを削減します。
医療：患者受付フォーム、診療記録、処方箋、保険請求書がOCRでスキャン・読み取られ、再入力なしで電子カルテや請求システムに情報が流れ込みます。
法務：契約書レビューや電子情報開示（eDiscovery）は、スキャンした証拠文書を検索可能にするためにOCRに依存しています。数百万ページにわたるキーワード検索は、すべてのページに機械可読なテキスト層が存在して初めて可能になります。
物流：配送ラベル、追跡番号、ナンバープレート、コンテナコードは輸送中にOCRで読み取られ、人間には到底かなわないベルト速度で荷物を処理する仕分け・追跡システムにデータを供給します。
銀行：携帯電話で預け入れされる小切手は、OCRによって口座番号・銀行ルーティング番号・金額がすべて読み取られます。これがモバイル小切手預入の仕組みです。KYC（本人確認）の書類検証にも同じ技術が使われています。
政府アーカイブ：国勢調査記録、不動産文書、新聞は大規模にデジタル化されています。Chronicling AmericaだけでもOCR処理済みの新聞ページは1,600万ページを超え、数世紀にわたる歴史がオンラインで検索可能になっています。
アクセシビリティ：OCRは、視覚障害者やロービジョンのユーザー向けテキスト読み上げの読み取り層です。1976年にカーツワイルが最初の読書機を構築したときと同じ技術が、現在もスクリーンリーダーや読書アプリの基盤となっています。

よくある誤解

誤解：「OCRはAIであり、文書を理解している。」
現実：OCRは文字を認識するものであり、意味を理解するものではありません。従来のOCR出力は文脈のないテキストであり、「$1,250.00」とページに記載されていることはわかっても、それが請求書の合計額であることはわかりません。読み取りと理解は別々の能力であり、理解層（構造化抽出）こそが、現代のAIシステムがOCRの上に追加するものです（IBM Think）。
誤解：「精度99%とは、文書の99%が完璧に処理されることを意味する。」
現実：「99%」という数値は、通常、鮮明な印刷テキストに対する文字レベルの精度です。文書には多くの文字が含まれるため、文字精度が99.9%でも、文字数の多いページには複数のエラーが含まれる可能性があります。また、文書抽出では、請求書番号や金額の1文字の誤りが、フィールド全体を無効にします。EDPBのガイダンスは明確です。100%の精度を達成するOCRシステムは存在せず、唯一の保証は人間によるレビューです（EDPB、2024年）。
誤解：「OCRは手書き文字も印刷文字と同じように読み取れる。」
現実：従来のOCRは印刷文字やタイプ文字を対象としており、手書き文字は別の問題クラスであり、ICR（分離した手書き文字）やIWR（筆記体）が必要ですが、これらも印刷文字の精度には及びません。ベンダーの印刷文書の精度数値は、手書きフォームの処理能力については何も示していません。
誤解：「OCRは最近のAIの発明である。」
現実：OCRの歴史は100年以上に及びます。エマニュエル・ゴールドバーグのテキスト読み取り機は1914年に遡り、1950年代には商用OCRシステムが存在していました。新しいのは、深層学習によって実際のワークフローを自動化できるほど正確になったことであり、技術自体は現代のコンピューティングより古いものです（Wikipedia）。

よくある質問

OCRとは何の略ですか？

OCRは光学文字認識（OCR）の略で、印刷、手書き、またはタイプされたテキストの画像を機械読み取り可能なテキストに変換する技術です。「テキスト認識」と呼ばれることもあります。

OCRとICRの違いは何ですか？

OCRは印刷およびタイプされたテキストを読み取り、ICR（インテリジェント文字認識）は手書き文字を読み取ります。OCRは保存されたフォントテンプレートに対して文字を照合しますが、ICRは機械学習を使用して人間の手書き文字の自然なばらつきを解釈します。ただし、ICRは分離された手書き活字体にのみ対応し、筆記体には対応していません。筆記体の場合、関連するIWR（インテリジェント単語認識）アプローチが、文脈に基づいて単語全体を読み取ります。

OCRの精度はどのくらいですか？

鮮明な印刷文書の場合、EDPBの技術ガイダンスによると、OCR精度は95〜99%が一般的に達成可能です。ただし、100%に達するシステムはありません。唯一の保証は人間によるレビューです（EDPB、2024年）。精度は、スキャン品質、特殊なフォント、手書き文字、複雑なレイアウトによって大幅に低下します。鮮明な印刷物での文字レベル精度は、実際の文書でのフィールドレベル精度と同じではありません。請求書の合計金額で1文字を誤読すると、99%の文字が正しくてもフィールド全体が間違った値になります。

OCR精度の主張はどのように評価すればよいですか？

精度の数値を信頼する前に、3つの質問をしてください。（1）どのレベルが測定されたか？文字レベル、単語レベル、フィールドレベルのいずれかです。99%の文字精度の主張は、80%のフィールド抽出率を隠している可能性があります。なぜなら、エラーは最も重要な数字やコードに集中するからです。（2）どのような文書がテストされたか？鮮明なデジタルPDFと、しわくちゃになった感熱紙レシートでは、結果が大きく異なります。精度の主張は、ご自身の文書タイプに基づいている必要があります。（3）どのような条件下でテストされたか？EDPBは、解像度、傾き、コントラスト、ノイズを精度の決定要因として挙げています（EDPB、2024年）。また、ベンダーが信頼度スコア（文字単位・フィールド単位の確信度評価）を公開しているかどうか、低信頼度の結果をどのように処理しているかを確認してください。レビュー対象としてフラグが付けられた出力は、黙って誤った出力よりも信頼性が高いためです。

OCRはAIと同じですか？

いいえ。従来のOCRは認識技術であり、パターンマッチングや特徴ルールに基づくもので、現代のAIより数十年早く登場しました。AI時代に変わったのは、機械学習（そして最近では視覚言語モデル）によって、手書き文字や複雑なレイアウトといった難しい入力に対するOCRの精度が飛躍的に向上し、認識したテキストを構造化データに変換する理解レイヤーが追加されたことです。OCRは構成要素であり、AIによる文書理解はその上に構築されます。

OCRは現在どのような用途で使われていますか？

OCRは文書自動化の取り込みレイヤーであり、請求書、領収書、フォーム、契約書などの画像を、検索可能で編集可能な機械可読テキストに変換します。具体的には、銀行でのモバイル小切手入金、法務での電子情報開示（eDiscovery）検索、医療や政府機関での記録のデジタル化（Chronicling Americaの1,600万ページ以上の新聞）、物流での配送ラベル読み取り、アクセシビリティのためのテキスト読み上げなどに利用されています。

出典

IBM Think —「光学文字認識（OCR）とは」。IBM公式の解説記事：定義、パターン認識と特徴認識のアルゴリズム、前処理パイプライン、および4種類のOCRについて説明しています。定義と仕組みの内訳の主要な情報源です。
Wikipedia —「光学文字認識」。OCRの定義、歴史（ゴールドバーグ1914年、カーツワイル1974年、ゼロックス1980年）、および4つのタイプ分類に関する引用付きの概要です。歴史の年表とタイプ分類の主要な情報源です。
欧州データ保護会議（EDPB）—「AIの潜在的なリスクと緩和策：光学文字認識」（2024年）。EU公式の技術ガイダンス：印刷文書で一般的に達成可能な精度95〜99%、100%の精度を達成するシステムは存在しないこと、信頼度スコアの仕組み、精度に影響を与える要因について説明しています。すべての精度に関する主張の主要な情報源です。
米国議会図書館 — Chronicling Americaコレクション。全米デジタル新聞プログラムのアーカイブ：機械可読なOCRテキストレイヤーを備えた1,600万ページ以上のデジタル化された新聞ページを収録。デジタル化規模に関する主張の主要な情報源です。
米国国立標準技術研究所（NIST）— 光学文字認識（OCR）研究プログラム。米国政府の研究史：IRSおよび米国国勢調査局と協力した1989年から1998年までのNISTのOCRおよび手書き文字認識の取り組み。NISTのOCRへの関与に関する主要な情報源です。
SCUT-DLVCLab —「大規模マルチモーダルモデルにおけるOCRの隠された謎について」（2023年）。シーンテキスト、手書き文字、表構造、文書抽出にわたるGPT-4VのOCR機能の査読付き評価。視覚言語モデル時代の主張の主要な情報源です。
IMARC Group — 光学文字認識市場レポート（2025年）。市場調査：2025年の市場規模158億ドル、2034年までに481億ドルに達すると予測。市場規模に関する主張の主要な情報源です。
Veriff —「光学文字認識（OCR）とは」。ゴールドバーグ1914年、1931年の特許、カーツワイル1974年、1976年の読書機を網羅した歴史解説。Wikipediaの歴史年表を裏付けています。
Coursera —「光学文字認識とは」。4つのタイプ分類（シンプルOCR、OMR、ICR、インテリジェント単語認識）を確認できる教育用解説記事。IBMのタイプ分類を裏付けています。
RPA Technologies —「OCRテクノロジー：電信コードからAIインテリジェンスへ」。1959年のIBMによるOCRの命名と、手書き数字を読み取る最初の商用スキャナーとしてのIBM 1287（1966年）を確認できる歴史解説。初期のIBMの歴史に関する主張を裏付けています。