紙を写真に収めるのは簡単だ。その中の一段を書き出すところから難しくなる。

画素をふたたび文字にする

取り込むか撮るかして保存すれば、しまうのは楽になり、使うのは難しくなる。画像の中の文字は選べないので、一節を引くには打ち直すしかない。契約、請求書、撮った本のページで同じ問題が繰り返す。こうした資料に要るのは保存ではなく、文字として扱えることだ。

光学文字認識が埋めるのはその一段だ。Tesseract はこの分野では古参で、公式の文書は一行でこう書く。光学文字認識の芯である、と。差し出すのは認識そのもので、出来上がった道具ではない。画面は呼び出す側の道具が持つので、同じ芯でも包んだ道具によって見た目はまるで違う。

下の層として、最もよく現れるのは他の道具の中だ。公式の置き場によれば、命令行からも使え、部品として他の道具に組み込むこともできる。だから気づかれない。認識の機能を持つ道具を使ったことのある人の多くは、その下にこれが座っていることを知らない。計画は早い時期に HP の研究室で始まり、その後は共同体が手入れを続け、Apache-2.0 で配布される。

結果を決めるもの

第一の変数は言語の資料だ。認識は別に導入する言語の資料によって多くの言語を扱う。使う言語の分だけ入れる。ただの導入の手順に見えて、実際の影響は大きい。組み合わせを誤れば、普通の文まで意味不明の記号になる。二つの言語が混ざる資料には、両方を同時に読み込む用法がある。

方式も関係する。認識は神経の網を用いた方法で実装されており、字形の特徴を一つずつ照合した初期のやり方に比べ、書体の違い、わずかな傾き、取り込みの雑音に対して安定する。それでも入力の質には敏感だ。解像度が低い、光が偏る、ページが明らかに歪む、といった場合にはどんな芯でも正確にはならず、事前の画像の手当てのほうが後からの修正より役に立つ。

資料がどこへ行くかも見ておきたい。認識は手元で完結し、網は必ずしも要らない。契約や証明のような資料では、この点が認識率より重いことが多い。画像も結果も自分の機器に残り、どこかへ先に送る必要がない。

版と組み込み方

現在の版は 5.5.3。配布のページは原作の圧縮包みと主な環境向けの構築物を並べ、同じ系列の中の更新は不具合の修正が中心だ。大きな版をまたぐ前に説明を一読したい。Windows、macOS、Linux のいずれにも構築と導入の案内があり、多くの Linux 配布の倉庫にもそのまま入っている。

入り口は二つ。命令行はまとめて処理する流れに向き、千枚の画像を一度に走らせられ、出力の形もいくつか選べる。部品として組み込むのは、認識を自分の道具に収め、各段を細かく制御したい場合に向く。芯はどちらも同じで、選ぶのは仕事の進め方であり、出来の差ではない。

認識の上限は、たいてい写真を撮った瞬間に決まっている。

実務の覚え書き。撮るときはページに正対し、光を均一にし、解像度は本文が読める線を下限にする。後から設定をいじるより効く。内容の言語に合う資料を入れ、二言語が混ざる資料では二つとも読み込む。命令行でまとめて処理する前に、いくつか見本で走らせ、出力の形が次の工程と噛み合うのを確かめてから全体にかける。形式の食い違いは、まとめてかける前に見本で潰しておくと、やり直しが減る。