OCR - PDFを検索可能にする

いいえ。スキャン画像はバイト単位で元のまま残ります。追加されるのはその上の見えないテキストレイヤーで、スキャナーソフトが検索可能なPDFを作るときと同じ仕組みです。検索、選択、コピーができるようになり、印刷結果は変わりません。

オープンソースのOCRの多くで使われているTesseract 5のニューラルエンジンを、WebAssemblyとしてブラウザー内で動かしています。印刷された文字を300 dpiできれいにスキャンしたものなら、ほぼ一字一句正確に認識されます。傾いた、薄い、あるいは撮影したページでは精度が下がるので、先に傾き補正ツールでまっすぐにしてください。エンジンが確信を持てなかった単語も配置されるので検索では見つかり、その数もツールがお知らせします。

ハンガリー語、英語、ドイツ語、フランス語、イタリア語、スペイン語、ポーランド語、ルーマニア語、スロバキア語、チェコ語、クロアチア語、スロベニア語、セルビア語（ラテン文字とキリル文字）、ウクライナ語、ロシア語、ブルガリア語、ギリシャ語、トルコ語、デンマーク語、スウェーデン語、ノルウェー語、フィンランド語、オランダ語、ポルトガル語、インドネシア語、ベトナム語、リトアニア語、ラトビア語、エストニア語、マレー語、ラテン語、アラビア語、ペルシア語、ヘブライ語、中国語（簡体字と繁体字）、日本語、韓国語、そして戦前のブラックレター印刷用のドイツ語フラクトゥールに対応し、自由に組み合わせられます。2か国語の契約書なら2言語で読み取れます。言語ごとに個別にダウンロードされ、その後はブラウザーが保持します。

何もアップロードされません。ファイルはブラウザー内で開いて処理され、お使いのデバイスから外に出ることはありません。タブを閉じればすべて消えます。OCRエンジンと言語ファイルもこのサイトから配信されるので、どの言語を選んだかさえどこにも送信されません。

初期設定ではテキストレイヤーがまだないページだけです。デジタルで作成されたページにはすでにレイヤーがあり、2つ目があると検索結果がすべて二重になるためです。以前のOCRの品質が低かった場合は「すべてのページ」に切り替えてください。新しいレイヤーは古いレイヤーの下に入ります。

ここにあるどのツールよりも時間がかかります。認識は本格的な処理なので、高速なマシンでも1ページごとに少し時間がかかります。長いスキャンは開始したらそのまま任せておくのがおすすめです。初回は認識エンジンと言語データ（数メガバイト、CDNではなくこのサイトから）も取得します。以降はブラウザーにキャッシュされ、ボタンにはページごとの進み具合が表示されます。

はい。.docx、.xlsx、.pptxファイルや画像（JPG、PNG、WebPなど）をドロップすると、追加した時点でブラウザー内でPDFに変換され（画像はA4ページに配置）、その後はほかのPDFと同じように処理されます。何もアップロードされません。変換は独自のものなので、Office自体のPDF書き出しとは結果が少し異なることがあります。フォントが置き換えられたり、グラフが省かれたりする場合があります。何かを引き継げなかったときは、ファイル一覧に警告が表示されます。