Google は AI 技術を使用して、コンテンツをご希望の言語に翻訳しています。AI 翻訳には誤りが含まれる場合があります。

Enterprise Document OCR

Enterprise Document OCR は、Document AI の一部として使用して、さまざまなドキュメントからテキストとレイアウト情報を検出して抽出できます。構成可能な機能を使用すると、特定のドキュメント処理要件を満たすようにシステムを調整できます。

概要

Enterprise Document OCR は、アルゴリズムや ML に基づくデータ入力、データ精度の向上と検証などのタスクに使用できます。Enterprise Document OCR を使用して、次のようなタスクを処理することもできます。

テキストのデジタル化: 検索、ルールベースのドキュメント処理パイプライン、カスタムモデルの作成のために、ドキュメントからテキストとレイアウトのデータを抽出します。
大規模言語モデルアプリケーションの使用: LLM のコンテキスト理解と OCR のテキストとレイアウトの抽出機能を使用して、質問と回答を自動化します。データから分析情報を引き出し、ワークフローを効率化します。
アーカイブ: 紙のドキュメントを機械で読み取り可能なテキストに変換して、ドキュメントのアクセシビリティを向上させます。

ユースケースに最適な OCR の選択

ソリューション	プロダクト	説明	ユースケース
Document AI	Enterprise Document OCR	ドキュメントのユースケースに特化したモデル。上級者向け機能には、画像の品質スコア、言語ヒント、回転補正などがあります。	ドキュメントからテキストを抽出する場合におすすめします。ユースケースには、PDF、スキャンした画像、Microsoft DocX ファイルなどがあります。
Document AI	OCR アドオン	特定の要件に対応するプレミアム機能。Enterprise Document OCR バージョン 2.0 以降とのみ互換性があります。	数式を検出して認識する必要がある、フォントスタイル情報を受け取る必要がある、またはチェックボックスの抽出を有効にする必要がある。
Cloud Vision API	テキスト検出	Google Cloud 標準 OCR モデルに基づくグローバルに利用可能な REST API。デフォルトの割り当ては 1 分あたり 1,800 リクエストです。	低レイテンシと高容量が求められる一般的なテキスト抽出のユースケース。
Cloud Vision	OCR Google Distributed Cloud（非推奨）	GKE Enterprise を使用して任意の GKE クラスタにコンテナとしてデプロイできる Google Cloud Marketplace アプリケーション。	データ所在地またはコンプライアンスの要件を満たすため。

検出と抽出

Enterprise Document OCR は、PDF や画像からブロック、段落、行、単語、記号を検出できるほか、ドキュメントの歪みを補正して精度を高めることもできます。

サポートされているレイアウトの検出と抽出の属性:

印刷されたテキスト	手書き入力	段落	ブロック	ライン	Word	シンボルレベル	ページ番号
デフォルト	デフォルト	デフォルト	デフォルト	デフォルト	デフォルト	構成可能	デフォルト

構成可能な Enterprise Document OCR 機能には、次のものがあります。

デジタル PDF から埋め込みテキストまたはネイティブテキストを抽出する: この機能では、回転したテキスト、極端なフォントサイズやスタイル、部分的に隠れたテキストなど、原本のドキュメントに表示されているとおりにテキストや記号が抽出されます。
回転補正: Enterprise Document OCR を使用してドキュメント画像を前処理し、抽出の品質や処理に影響する可能性のある回転の問題を修正します。
画質スコア: ドキュメントのルーティングに役立つ品質指標を取得します。画質スコアは、ぼやけ、通常より小さいフォントの有無、グレアなど、8 つの項目においてページ単位での品質指標を提供します。
ページ範囲を指定: OCR の入力ドキュメントのページ範囲を指定します。これにより、不要なページでの費用と処理時間を節約できます。
言語検出: 抽出されたテキストで使用されている言語を検出します。
言語と手書きのヒント: データセットの既知の特性に基づいて OCR モデルに言語または手書きのヒントを提供することで、精度を向上させます。

OCR 構成を有効にする方法については、OCR 構成を有効にするをご覧ください。

OCR アドオン

Enterprise Document OCR には、必要に応じて個々の処理リクエストで有効にできるオプションの分析機能があります。

安定版の pretrained-ocr-v2.0-2023-06-02 バージョンと pretrained-ocr-v2.1-2024-08-07 バージョン、リリース候補版の pretrained-ocr-v2.1.1-2025-01-31 バージョンでは、次のアドオン機能を利用できます。

Math OCR: LaTeX 形式のドキュメントから数式を特定し、抽出します。
チェックボックスの抽出: チェックボックスを検出し、Enterprise Document OCR レスポンスでそのステータス（マーク付き/マークなし）を抽出します。
フォントスタイルの検出: フォントの種類、フォントスタイル、手書き、太さ、色など、単語レベルのフォントプロパティを特定します。

一覧表示されたアドオンを有効にする方法については、OCR アドオンを有効にするをご覧ください。

サポートされているファイル形式

Enterprise Document OCR は、PDF、GIF、TIFF、JPEG、PNG、BMP、WebP のファイル形式をサポートしています。詳しくは、サポートされているファイルをご覧ください。

Enterprise Document OCR は、同期で最大 15 ページ、非同期で最大 30 ページの DocX ファイルもサポートしています。割り当て増加リクエスト（QIR）を行うには、割り当ての調整をリクエストするの手順に沿って操作します。DocX のサポートは限定公開プレビュー版です。アクセス権のリクエストについては、Google アカウントチームにお問い合わせください。

高度なバージョニング

高度なバージョニングはプレビュー版です。基盤となる AI/ML OCR モデルのアップグレードにより、OCR の動作が変更されることがあります。厳密な整合性が必要な場合は、フリーズされたモデルバージョンを使用して、動作を最大 18 か月間、以前の OCR モデルに固定します。これにより、同じ画像から OCR 機能の結果が得られます。プロセッサバージョンに関する表をご覧ください。

プロセッサバージョン

この機能は、次のプロセッサバージョンと互換性があります。詳細については、プロセッサバージョンの管理をご覧ください。

バージョン ID	リリースチャンネル	説明
`pretrained-ocr-v1.2-2022-11-10`	Stable	フリーズされたモデルバージョン v1.0: コンテナイメージで最大 18 か月間フリーズされたバージョンスナップショットのモデルファイル、構成、バイナリ。
`pretrained-ocr-v2.0-2023-06-02`	Stable	ドキュメントユースケースに特化したプロダクションレディモデル。すべての OCR アドオンへのアクセスが含まれます。
`pretrained-ocr-v2.1-2024-08-07`	Stable	v2.1 の主な改善点は、印刷されたテキストの認識の向上、チェックボックスの検出精度の向上、読み取り順序の精度向上です。
`pretrained-ocr-v2.1.1-2025-01-31`	リリース候補	v2.1.1 は V2.1 と同様で、`US`、`EU`、`asia-southeast1` を除くすべてのリージョンで利用できます。