OCR は、レシートの写真を、プログラムが検索、保存、照合できるテキストに変える工程です。
仕組み
従来の OCR エンジンは、ページ上の文字領域を見つけて行に分け、各行の文字を認識します。最もよく知られたオープンソースエンジンの Tesseract は、バージョン 4 で行全体を認識する LSTM ニューラルネットワークを追加し、そのままで “recognize more than 100 languages”(訳:100 以上の言語を認識)できます。出力はプレーンテキスト、hOCR(HTML)、PDF、透明テキスト付き PDF、TSV、ALTO、PAGE に対応しているので、単語の位置も得られます。
従来の OCR は文字までで止まります。どの数字が合計で、どの行が仕入先名かを知るには、ルールや 2 つ目のモデルを追加します。
視覚言語モデルは別のアプローチを取ります。Hugging Face の image-text-to-text タスクのページは、文書質問応答を “an OCR-free approach”(訳:OCR を使わないアプローチ)と説明しています。文書の画像をそのまま視覚言語モデルに渡し、モデルが読んで答えます。項目を直接求めて、構造化出力として受け取ることもできます。
| 従来の OCR(例:Tesseract) | ビジョン LLM | |
|---|---|---|
| 出力 | 文字と位置 | 回答、要約、JSON の項目 |
| レイアウトの理解 | 限定的で、ルールが必要 | 表やラベルを文脈の中で読む |
| 実行環境 | ローカル、呼び出しごとの料金なし | 通常は API で、トークン単位の課金 |
| リスク | 文字の誤読 | 文字の誤読と、値の捏造 |
なぜ重要か
- コスト。 LLM API に送った画像は入力トークンとして課金されます。ローカルの OCR は呼び出しごとの料金はありませんが、サーバーと保守が必要です。
- 精度の確認。 ビジョンモデルは、ページにないもっともらしい合計を返すことがあります。元のテキストを引用させ、合計はコードで検算してください。
- アラビア語。 右から左に書く文字、つながった字形、アラビア数字とラテン数字の混在が難しさを増します。どのエンジンやモデルでも、自社のスキャンでテストしてください。
BroadNet Inference の場合
BroadNet は独立した OCR エンドポイントを記載していません。ドキュメントでは、画像を data: URL として、モデル行に画像またはビジョンが記載されたチャットモデル(DeepSeek V4.1 Flash、BroadNet Gemma 4 VL 26B や Qwen3.8 27B など)に送り、請求書を読む方法を示しています。従量課金のキーでは、画像はモデルの入力単価で入力トークンとして数えられ(Gemma では 100 万トークンあたり $0.10)、大きな画像ほど多くのトークンを使います。手順はアラビア語請求書のガイドで確認でき、従来の OCR のほうが適している場面については記事「ビジョン LLM によるアラビア語 OCR」を参照してください。