スキャンした書類や表、スクリーンショットの文字が正しく読めてこそ、その先の質問応答が成立します。版面解析、多言語認識、PDF の構造化出力と、PaddleOCR や HunyuanOCR の選び分けを扱います。
AI経費精算ツールの本当の差は、領収書1枚の読み取り精度ではなく、誰が使い、どの国の財務制度で動き、どの承認・会計システムにつながるかです。出張が多い人、小さなチーム、財務管理が厳しい会社では、必要なものがまったく違います。 まず自分のタイプを知る 出張が多い人の悩みは領収書の散らかりです。ホテル、...
PaddleOCRは、百度の飛桨（PaddlePaddle）チームが維持するオープンソースの OCR ツールキットで、PDF や画像の中の文字を版面構造ごと抽出し、機械が使えるデータに変えるために作られています。GitHub で長く注目される理由は目新しさではなく、多くのチームが知識ベース、請求書処...
AI辞書ペンは、印刷された一行をなぞるだけで、訳と発音と意味を小さな画面にすぐ表示します。有道や科大訊飛の現行モデルは文単位の翻訳やオフライン利用にも対応し、価格はおおむね数千円台から二万円前後です。買うかどうかは一つの問いで決まります。紙で読む機会が本当に多いのか、それとも読書はもうスマホの中なの...
MinerUは、この2年で文書解析の分野で避けて通れないオープンソースになりました。複雑なレイアウトのPDFをきれいなMarkdownやJSONに変換し、数式はLaTeX、表はHTMLに、スキャン文書は自動でOCRへ回す。大規模モデルの学習やRAGの知識ベースが最も必要とする高品質コーパスに、ちょう...
Doclingが解くのは、PDFを大規模モデルへ渡す前に最も過小評価されがちな関門、レイアウトです。普通の抽出ツールはPDFを文字の順番で吐き出すため、二段組は行をまたいで読まれ、表は崩れ、見出しと本文が混ざります。下流のモデルが賢くても、乱れたテキストから推測するしかありません。Doclingはま...
AI の画像認識が文字を読み間違えるのは、多くの場合モデルが賢くないからではなく、入力する画像の種類に処理方法が合っていないからです。モデルを変える前に、まず画像を写真・スクリーンショット・スキャン文書の3種類に分け、それぞれに合った方法で処理しましょう。認識精度はすぐに大きく上がります。 ケース1...
WorkBuddyはPDF、Excel、Wordを読むことができません。最も一般的な理由はファイルの破損ではなく、モデルが入力タイプをサポートしていない、対応する文書処理スキルがない、またはタスクが一度にファイル数が多すぎることです。まず、ファイル入力やビジュアル入力をサポートするモデルに切り替え、...
OCRはOptical Character Recognitionの略称で、中国語では一般的に光学文字認識と呼ばれます。 その操作は非常にシンプルで、画像の中の言葉、スキャン中の言葉、スクリーンショットをテキストに変換し、機械が処理を続けられるようにします。 多くの人は、AIがPDFを理解できるのは...
