---
title: "OCR とは？光学文字認識とビジョン LLM の違い | BroadRouter"
description: "OCR は、画像やスキャンの中の文字を機械で読める文字に変換します。従来の OCR エンジンの仕組み、ビジョン LLM が OCR なしで文書を読む方法、テストすべき点を解説します。"
url: https://broadrouter.com/ja/glossary/ocr/
lang: ja
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

このページは英語の原文を AI の支援を受けて翻訳したものです。 [英語の原文を読む](https://broadrouter.com/glossary/ocr/) (2026-11-16 更新).

# OCR（光学文字認識）

更新日 2026-11-16

OCR（光学文字認識）とは、画像、スキャン、PDF 内の印刷文字や手書き文字を検出し、機械で読める文字に変換する技術です。従来の OCR は文字とページ上の位置を出力し、視覚言語モデルは文字を読んでその内容についての質問に直接答えられます。

別名： OCR、光学文字認識、文字認識、画像からテキスト、文書 OCR、スキャン文書のテキスト抽出、AI OCR、optical character recognition、text recognition、image to text、document OCR、scanned text extraction

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](https://broadrouter.com/ja/glossary/vision-language-model/)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](https://broadrouter.com/ja/glossary/structured-output/)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](https://broadrouter.com/ja/glossary/token/)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](https://broadrouter.com/ja/models/deepseek-v4.1-flash/)、[BroadNet Gemma 4 VL 26B](https://broadrouter.com/ja/models/gemma-4-vl-26b/) や [Qwen3.8 27B](https://broadrouter.com/ja/models/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](https://broadrouter.com/ja/guides/read-arabic-invoices-with-vision/)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](https://broadrouter.com/ja/blog/arabic-ocr-vision-llm/)」を参照してください。

## よくある質問

### OCR とビジョン LLM の違いは何ですか？

OCR は見つけた文字とその位置を返します。ビジョン LLM は画像を読み、「請求書の合計はいくらか」のような質問に答えたり、指定した項目を JSON で返したりできます。

### BroadNet に OCR エンドポイントはありますか？

独立した OCR エンドポイントはドキュメントに記載されていません。画像を /v1/chat/completions 上のビジョン対応チャットモデルに送り、必要なテキストや項目を求めてください。

### 従来の OCR はまだ使う価値がありますか？

はい。きれいな印刷ページを大量に処理し、テキストと位置だけが必要な場合に向いています。ローカルで動き、呼び出しごとの料金はかかりません。生の文字ではなく、項目、表、回答が必要な場合はビジョンモデルのほうが適しています。

## 関連項目

-   [視覚言語モデル（VLM、vision-language model）](https://broadrouter.com/ja/glossary/vision-language-model/) (用語)
-   [マルチモーダル AI（multimodal AI）](https://broadrouter.com/ja/glossary/multimodal/) (用語)
-   [構造化出力（Structured Outputs）](https://broadrouter.com/ja/glossary/structured-output/) (用語)
-   [トークン（token）](https://broadrouter.com/ja/glossary/token/) (用語)
-   [Unicode 正規化（Unicode normalization）](https://broadrouter.com/ja/glossary/unicode-normalization/) (用語)
-   [画像トークン（image tokens）](https://broadrouter.com/ja/glossary/image-tokens/) (用語)
-   [ビジョンモデルでアラビア語の請求書とレシートを読み取る](https://broadrouter.com/ja/guides/read-arabic-invoices-with-vision/) (ガイド)
-   [アラビア語 OCR と Vision LLM：アラビア語の文書と請求書を読み取る](https://broadrouter.com/ja/blog/arabic-ocr-vision-llm/) (記事)
-   [ビジョン LLM で請求書・領収書・帳票のデータを JSON に抽出する](https://broadrouter.com/ja/blog/extract-data-from-documents-with-vision-llm/) (記事)

実際のワークロードで試してください。 新規アカウントには US$5 の初回クレジットがあり、Gemma、文字起こし に使えます。DeepSeek、GLM、Qwen3.8 はチャージが必要です。

[始める](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-ocr&utm_content=page-cta) ·

**出典**

-   [Tesseract OCR、公式 GitHub リポジトリ（2026-11-16 確認）](https://github.com/tesseract-ocr/tesseract)
-   [Hugging Face Tasks、image-text-to-text（OCR 不要の文書質問応答）（2026-11-16 確認）](https://huggingface.co/tasks/image-text-to-text)
-   [BroadNet Inference API リファレンス、画像付きチャット（2026-11-16 確認） （英語）](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ja-glossary-ocr&utm_content=sources)
