光学文字認識(OCR)とは?
最終確認日:2026-08-08 · 対象:ドキュメント自動化 / データ抽出 / コンピュータビジョン
別名: 「テキスト認識」や「ドキュメントのデジタル化」と呼ばれることもあります。
光学文字認識(OCR)は、印刷・手書き・タイプされた文字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、手作業で入力し直すことなく、コンピュータが検索・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、スキャナーやカメラが文書を画像として取り込みます — 明暗を記録したピクセルの格子です。次に、前処理で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)、斑点やノイズの除去、コントラストの補正、そしてすべてを白黒に変換してテキストが背景からきれいに分離されるようにします。3番目に、認識エンジンが各形状を既知の文字パターンや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って明らかな誤りを修正します — 生の照合結果「cl0ud」を「cloud」に戻すのは、ゼロで始まる辞書語が存在しないからです。
認識段階の内部には、2つの古典的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、スキャンされた各文字を、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、ある文字の1つの固有の形状・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。学習済みのフォントに対しては高速で正確ですが、見慣れないものには対応できません。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、交差点、ループ、曲線がいくつあるか、たとえば「A」は横棒でつながれた2本の斜線である、といった具合です — 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。現代のシステムは両者を組み合わせ、さらに文法と語頻度の文脈を使って残存する誤りを修正する言語モデルにテキストを通します。
重要な違い:OCRは意味のないテキストを生成します。それはページにどの文字があるかを伝えるのであって、その文書が何を意味するかではありません。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されたフィールドに変えるこの理解の層は、AI時代になって初めて実用的になった別の技術です。
OCRが重要な理由
OCRは、ほぼすべてのドキュメント自動化ワークフローにおける取り込み層であり、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)。OCR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であり、検索も編集もできず、人間だけが読めるものでした。米国議会図書館のChronicling Americaプログラムは、OCRが解き放つ規模を示しています。歴史的な米国新聞(1789年〜1963年)の1,600万ページ以上が、機械可読なOCRテキストレイヤー付きでデジタル化され、2世紀分の新聞が誰でもキーワード検索できるようになりました(Library of Congress)。
OCRが重要な第2の理由は、精度の主張が曖昧になりやすい領域であり、ベンダーがその曖昧さを日常的に利用していることです。欧州データ保護会議(EDPB)の技術ガイダンスによると、きれいな印刷ドキュメントでは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されています。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)。「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、乱雑な実世界のドキュメントのフィールドなのか。これらはまったく異なる数値です(精度の主張を評価する方法については、以下のFAQを参照してください)。
OCRの歴史と進化
OCRの起源は1914年にさかのぼります。物理学者エマニュエル・ゴールドバーグが文字を読み取り、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も初期の文字読み取り装置の一つです。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「Statistical Machine」へと改良し、1931年に米国特許第1,838,389号を取得、後にIBMがこれを買収しました(Wikipedia)。IBM自身は1959年にこの用語を正式化し、1966年にIBM 1287を提供しました。これは手書き数字を読み取れる最初の商用スキャナーでした(RPA Technologies)。
転換点は1974年、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、最初のオムニフォントOCRを構築したときに訪れました。これは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システムでした。1976年、彼はそれを全米盲人連盟とともに発表した視覚障害者向け読書機として製品化しました。商用版は1978年に続き、1980年に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エンジンとなりました。全米デジタル新聞プログラムと米国議会図書館はOCR上にChronicling Americaを構築し、数千万ページの検索可能な新聞ページに到達しました。また、米国国立標準技術研究所(NIST)は1989年から1998年まで米国内国歳入庁(IRS)および米国国勢調査局と提携して独自のOCR研究プログラムを運営し、1990年と2000年の10年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ました。ニューラルネットワークが手作業で構築された特徴ルールに取って代わり、印刷文字の精度を90%台後半まで押し上げ、手書き文字認識を実用可能にしました。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、単一のモデルがテキストを読み取るだけでなく、ドキュメントの構造と意味を理解できるようにします。GPT-4Vの学術的評価では、ラテン文字テキストの認識と表構造の理解において高い性能が示される一方、多言語や複雑なレイアウトにおける限界も明らかになりました。これは、VLMがOCRを単純に置き換えるのではなく、その役割を再形成していることを示しています(SCUT-DLVCLab, 2023)。
OCRの種類
OCRは単一の技術ではなく、最も単純なものから最も高度なものへと並ぶ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ドキュメント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——塗りつぶされたバブル、チェックボックス、ティックボックス、その他フォーム上の事前定義されたマークです。マークシート試験、アンケート、投票用紙の集計を支えており、重要なのは領域が塗りつぶされているかどうかであり、何が書かれているかではありません。
インテリジェント文字認識(ICR)
OCRの機械学習版で、手書きの活字体(分離した文字)を1グリフずつ読み取り、固定テンプレートではなく事例から学習します。人間の手書き文字の自然な変動に対応しますが、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読み取り、文脈を活用します——特に筆記体の手書き文字に有効で、個々の文字の境界は曖昧でも単語全体は認識できます。4つのアプローチの中で最も高度です。
実際のドキュメント処理スタックのほとんどはハイブリッドです。OMRがチェックボックスを処理し、シンプルOCRがクリーンな印刷文字を処理し、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、同じフォーム内で。
OCRが使われる場面
OCRは、ほぼあらゆる認識技術の中で最も多くの業界に広がっています。特に重要な5つの応用分野は次のとおりです。
- 買掛金/財務: OCRは仕入先の請求書、発注書、経費の領収書をデジタル化して自動抽出し、請求書1件あたり数時間かかっていた手入力を数秒に短縮し、再入力によるエラーを削減します。
- 医療: 患者の受付フォーム、診療記録、処方箋、保険請求書をスキャンしてOCRで読み取り、再入力なしで電子カルテや請求システムに情報を流し込めるようにします。
- 法務: 契約レビューや電子情報開示(eDiscovery)では、スキャンした証拠書類を検索可能にするためにOCRが欠かせません。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あっ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、コンテナコードを輸送中にOCRで読み取り、人間には到底まねでき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: スマートフォンで預け入れた小切手は、口座番号、ルーティング番号、金額までOCRでエンドツーエンドに読み取られます。これが遠隔小切手預け入れの仕組みであり、KYC(本人確認)書類の検証も同じ技術を使っています。
- 政府アーカイブ: 国勢調査の記録、不動産書類、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が1,600万ページを超え、何世紀もの歴史がオンラインで検索できるようになりました。
- アクセシビリティ: OCRは、視覚障害や低視力のユーザー向け音声読み上げの読み取り層です。1976年にレイ・カーツワイルが最初の読書機を築いたのと同じ技術が、今日のスクリーンリーダーや読書アプリの基盤であり続けています。
よくある誤解
- 誤解:「OCRはAIであり、ドキュメントを理解している」
- 現実:OCRは文字を認識しますが、意味を理解しているわけではありません。従来のOCRの出力は文脈のないテキストです。ページに「$1,250.00」と書かれていることは分かっても、それが請求書の合計金額であることは分かりません。読むことと理解することは別の能力であり、理解の層(構造化抽出)こそが、現代のAIシステムがOCRの上に加えるものです(IBM Think)。
- 誤解:「99%の精度とは、99%のドキュメントが完璧に処理されるという意味だ」
- 現実:「99%」という数字は通常、きれいな印刷テキストに対する文字レベルの精度です。ドキュメントには多くの文字が含まれるため、文字精度が99.9%であっても、文字が密集したページには複数の誤りが含まれ得ます。そしてドキュメント抽出では、請求書番号や金額の1文字が誤っているだけで、そのフィールド全体が無効になります。EDPBのガイダンスは明快です。100%の精度を達成するOCRシステムは存在しないため、唯一の保証は人による確認です(EDPB, 2024)。
- 誤解:「OCRは印刷文字と同じくらい手書き文字も読める」
- 現実:従来のOCRは印刷・タイプされたテキストを対象としており、手書き文字は別の課題分類であり、ICR(分離された手書き文字)やIWR(筆記体)が必要です。そしてそれらでさえ、印刷テキストの精度には及びません。ベンダーの印刷ドキュメントの精度数値は、手書きフォームをどう扱うかについては何も示しません。
- 誤解:「OCRは最近のAIの発明だ」
- 現実:OCRの歴史は1世紀以上に及びます。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年にさかのぼり、商用OCRシステムは1950年代までに存在していました。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の精度が実現したことであり、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(Optical Character Recognition)の略で、印刷・手書き・タイプされた文字の画像を機械可読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・タイプされた文字を読み取り、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は文字を保存されたフォントテンプレートと照合しますが、ICRは機械学習を用い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、対象は分離された手書き活字であり、筆記体には対応しません。筆記体には、関連するIWR(インテリジェント単語認識)のアプローチが文脈に沿っ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?
きれいな印刷ドキュメントであれば、EDPBの技術ガイダンスによると、95~99%のOCR精度が一般的に達成可能です。そして100%に到達するシステムは存在しません。唯一の保証は人による確認です(EDPB, 2024)。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急激に低下します。きれいな印刷物での文字レベルの精度は、実際のドキュメントでのフィールドレベルの精度とは異なります。請求書の合計金額で1文字読み違えるだけで、文字の99%が正しくてもフィールド全体が誤りとなります。
OCRの精度の主張を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) どのレベルで測定されましたか?文字レベル、単語レベル、フィールドレベルか — 文字で99%という主張は、80%のフィールド抽出率を隠している可能性があります。なぜなら誤りは最も重要な数値やコードに集中するからです。(2) どのドキュメントでテストされましたか?きれいなデジタルPDFとしわくちゃの感熱レシートでは、まったく異なる数値になります。主張はあなたのドキュメント種別に結びつけられるべきです。(3) どのような条件ですか?EDPBは解像度、傾き、コントラスト、ノイズを精度の要因として挙げています(EDPB, 2024)。また、ベンダーが信頼度スコア(文字ごと/フィールドごとの確実性評価)を公開しているか、低信頼度の結果をどう扱っ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立てられた出力は、黙って誤った出力よりも信頼できるからです。
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と特徴ルールに基づくもので、現代のAIより数十年も前から存在します。AI時代に変わったのは、機械学習(そして近年では視覚言語モデル(VLM))によって、手書き文字や乱雑なレイアウトといった難しい入力でもOCRの精度が劇的に向上し、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加わったことです。OCRは構成要素の一つであり、AIによるドキュメント理解はその上に成り立っています。
現在、OCRは何に使われていますか?
OCRはドキュメント自動化の取り込みレイヤーです。請求書、領収書、フォーム、契約書を画像から検索可能で編集可能な機械可読テキストに変換します。実際には、銀行のモバイル小切手預け入れ、法務分野の電子情報開示(eDiscovery)検索、医療・政府機関における記録のデジタル化(Chronicling Americaの1,600万ページ以上)、物流における送り状の読み取り、アクセシビリティのためのテキスト読み上げなどに使われています。
出典
- IBM Think —「光学文字認識(OCR)とは?」。IBM公式解説: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、4種類のOCR。 定義と「仕組み」解説の主要情報源。
- 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)、4種類の分類を概説。 歴史年表と種類分類の主要情報源。
- 欧州データ保護会議(EDPB)—「AIの潜在的リスクと緩和策: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95~99%の精度、100%のシステムは存在しないこと、信頼スコアの仕組み、精度に影響する要因。 すべての精度に関する主張の主要情報源。
- 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テキスト層を備えた1,600万ページ以上のデジタル化新聞。 デジタル化規模の主張の主要情報源。
- 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:1989~1998年のIRSおよび米国国勢調査局とのNISTのOCR・手書き文字研究。 NISTのOCR関与の主要情報源。
- 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」(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能力に関する査読済み評価。 視覚言語モデル時代の主張の主要情報源。
- IMARC Group — 光学文字認識市場レポート(2025年)。市場調査:2025年の市場規模は$15.8B、2034年までに$48.1Bに達すると予測。 市場規模の主張の主要情報源。
- 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年の読書機を扱う歴史的叙述。 Wikipediaの歴史年表を裏付ける。
- Coursera —「光学文字認識とは?」。4種類の分類(シンプルOCR、OMR、ICR、インテリジェント単語認識)を確認する教育解説。 IBMの種類分類を裏付ける。
- RPA Technologies —「OCR技術:電信符号からAIインテリジェンスまで」。IBMが1959年にOCRと命名したこと、および手書き数字を読み取る初の商用スキャナであるIBM 1287(1966年)を確認する歴史的叙述。 IBM初期の歴史に関する主張を裏付ける。
関連記事: ABBYYの従来型OCRと最新AI OCRの比較 · AIによる手書き文字対応とテンプレートベースOCRの違い · 手書き文書向けのAI OCR