本文へスキップ

AI運用の判断と根拠を引く

Enterprise AI運用辞典

トップへ戻る

OSS OCRスタック比較

判断・選択判断・選択公式仕様のみ公式仕様のみ現行現行として扱う

記事状態: 公開 · 最終確認: 2026-10-04

要点

OCRは文字認識、layout・表処理、PDF再生成の役割を分けて選定します。文字の存在だけで読み順や数値を正しいと判断せず、モデルと設定を固定し、業務素材のgoldenへ照合します。

現在の判断

対象役割と採用時の境界
TesseractOCRエンジン。言語パック、ページセグメンテーション、および前処理を固定します。jpn/jpn_vertモデルの所在と、実際のランタイムへの導入状態は別物です。
PaddleOCR方向補正、歪み除去、検出・認識などの一連の処理。現在の一般的なOCRドキュメントにはv3からv6が含まれます。v5における日本語の縦書きに関する作成者の報告を、全世代やOCR-VLへ外挿することはありません。
OCRmyPDF検索可能なPDFとOCRテキストレイヤーを作成する一連の処理。Tesseractと言語パックに依存しており、独立した認識エンジンの比較対象とはしません。PDFの再生成と、文字・表の意味保持については個別に検証します。
Surya現在の世代はOCR/layout/読み順/tableを扱うVLM系です。vllmまたはllama.cpp backend、codeとモデルの利用条件を別確認します。旧分岐の条件を現在のへ転用しません。

どこまで当てはまるか

OSS OCRスタック比較

詳しく理解する

分析と推論

出典 hash、engine/package/モデル/hash、language、前処理、PSM、device/backend、layout/order/table、raw output、CER/WER・numeric・順序edge・PDF差分、warnings/time/RSS、ACL、overrideを受入記録に残す設計を提案します。共通標準や実装済み制御ではありません。

利用できる条件

日本語/縦書きの必要モデル、採用generation、hardware/実行環境、依存・モデル license、素材送信可否、業務閾値を確定します。PaddleOCR、Surya、OCRmyPDFは本候補では実行していません。GPU要否はengine名で一括判断せず、選んだモデル/backendで確認します。

セキュリティとプライバシー

PDFは複雑な入力です。OCRmyPDFの作者による資料でも、それがサニタイザー（無害化ツール）ではないと説明されています。低権限のプロセス、CPU/RSS/タイムアウト/ページ数/画像のベクトルの次元数の上限、およびエグレス（外部送信）とモデルへの供給を制御します。本文の命令をツールの権限へ移さず、加工せず中継するプロキシ（raw image）や個人を特定できる情報（PII）を不要にログへ残しません。出典と出力されるPDF/テキスト/構造のアクセス制御リスト（ACL）を一致させます。

出典

確認日: 2026-10-04。リポジトリのmain/現在のドキュメントは変更される可能性があります。

確認できていること

  • 対象役割と採用時の境界
    TesseractOCRエンジン。言語パック、ページセグメンテーション、および前処理を固定します。jpn/jpn_vertモデルの所在と、実際のランタイムへの導入状態は別物です。
    PaddleOCR方向補正、歪み除去、検出・認識などの一連の処理。現在の一般的なOCRドキュメントにはv3からv6が含まれます。v5における日本語の縦書きに関する作成者の報告を、全世代やOCR-VLへ外挿することはありません。
    OCRmyPDF検索可能なPDFとOCRテキストレイヤーを作成する一連の処理。Tesseractと言語パックに依存しており、独立した認識エンジンの比較対象とはしません。PDFの再生成と、文字・表の意味保持については個別に検証します。
    Surya現在の世代はOCR/layout/読み順/tableを扱うVLM系です。vllmまたはllama.cpp backend、codeとモデルの利用条件を別確認します。旧分岐の条件を現在のへ転用しません。

よくある失敗・反証

  • Tesseract5.3.4 eng、OEM1、PSM3/6、DejaVu Sansを使用して生成した英語のPNG3素材を用いた限定的な試験を行いました。NFCおよび空白除去後のCER（文字誤り率）において、大文字・句読点・数字の差異を残しています。これは実業務、日本語、または他のエンジンを用いたベンチマークではありません。

    素材PSM3 CERPSM6 CER結果の範囲
    単段4行00生成した既知の文字と数字は一致
    二段0.4230770.423077左段全文→右段全文のgolden順序に不一致
    6度の傾き0.1346150.115385123.45が123-45に変化

    process完了を内容品質の全PASSと扱いません。数字変化と読み順崩れは、OCR出力を業務値へ無照合で渡せない反証です。CERはこの素材・モデル・設定だけの観測です。blankは空出力が正解でしたが、非空素材の空出力と区別します。jpnはpack欠落errorで、日本語・縦書きは未実測です。

  • 傾き・汚れ・低解像度、日英混在・縦書き、複数段、罫線・merged/multi-page table、数式、empty output、missing-language、backend/モデル依存、text layerの座標ずれを評価します。作者の異なるdataset/評価指標/deviceの数値を揃えず横断順位にしません。PDF/Aやrepairを原文同一・署名保持・安全化の保証と扱いません。

  • 日本語・縦書き、他engineとの同一検索対象の文書群精度、PDF/A・署名・座標差分、実業務latency/RSS、採用モデル条件、組織閾値は未確認です。役割比較と再現可能な限定実測までを研究範囲とし、本番の順位・推奨は確定していません。

切り分け・実務での使い方

  • 出典 hash、engine/package/モデル/hash、language、前処理、PSM、device/backend、layout/order/table、raw output、CER/WER・numeric・順序edge・PDF差分、warnings/time/RSS、ACL、overrideを受入記録に残す設計を提案します。共通標準や実装済み制御ではありません。

  • 日本語/縦書きの必要モデル、採用generation、hardware/実行環境、依存・モデル license、素材送信可否、業務閾値を確定します。PaddleOCR、Surya、OCRmyPDFは本候補では実行していません。GPU要否はengine名で一括判断せず、選んだモデル/backendで確認します。

  • PDFは複雑な入力です。OCRmyPDFの作者による資料でも、それがサニタイザー（無害化ツール）ではないと説明されています。低権限のプロセス、CPU/RSS/タイムアウト/ページ数/画像のベクトルの次元数の上限、およびエグレス（外部送信）とモデルへの供給を制御します。本文の命令をツールの権限へ移さず、加工せず中継するプロキシ（raw image）や個人を特定できる情報（PII）を不要にログへ残しません。出典と出力されるPDF/テキスト/構造のアクセス制御リスト（ACL）を一致させます。

まだ確認できていないこと

  • EA-216-UNKNOWN-01

    日本語・縦書き、他engineとの同一検索対象の文書群精度、PDF/A・署名・座標差分、実業務latency/RSS、採用モデル条件、組織閾値は未確認です。役割比較と再現可能な限定実測までを研究範囲とし、本番の順位・推奨は確定していません。

根拠資料

  • 研究資料研究資料

    [Tesseract](

    原資料を開く

    確認上の限界

    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。

  • 研究資料研究資料

    [Tesseract quality](

    原資料を開く

    確認上の限界

    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。

  • 研究資料研究資料

    [Tessdata](

    原資料を開く

    確認上の限界

    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。

  • 研究資料研究資料

    [PaddleOCR 処理工程](

    原資料を開く

    確認上の限界

    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。

  • 研究資料研究資料

    [PP-OCRv5](

    原資料を開く

    確認上の限界

    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。

  • 研究資料研究資料

    [OCRmyPDF](

    原資料を開く

    確認上の限界

    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。

  • 研究資料研究資料

    [OCRmyPDF PDF security](

    原資料を開く

    確認上の限界

    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。

  • 研究資料研究資料

    [Surya](

    原資料を開く

    確認上の限界

    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。

更新履歴

  1. EA-216-GAP-FIRST-20261004: 正式な監査/公開の紐付け

出典ID・検証情報・機械可読データ

根拠の種類と情報の鮮度は、ラベルとアイコンで確認できます。

記事ID
EA-216
最終確認日
2026-10-04
提供元・モデル・プラン・利用環境
—
対象地域
—
元資料の全文と収録照合記録
PUBLIC_CLAIM

OCRは文字認識、layout・表処理、PDF再生成の役割を分けて選定します。文字の存在だけで読み順や数値を正しいと判断せず、モデルと設定を固定し、業務素材のgoldenへ照合します。

ESTABLISHED
対象役割と採用時の境界
TesseractOCR engine。language packとpage segmentation、前処理を固定します。jpn/jpn_vertモデルの所在と実runtimeの導入状態は別です。
PaddleOCRorientation/unwarping/検出・認識等のpipeline。current general OCR docsはv3〜v6を含みます。v5の日本語・縦書きの作者報告を全世代やOCR-VLへ外挿しません。
OCRmyPDF検索可能PDFとOCR text layerを作るpipeline。Tesseractとlang packに依存し、独立した認識engineの比較枠にはしません。PDF再生成と文字・表の意味保持を別検証します。
Suryacurrent世代はOCR/layout/読み順/tableを扱うVLM系です。vllmまたはllama.cpp backend、codeとmodelの利用条件を別確認します。旧forkの条件をcurrentへ転用しません。
LOCAL_OBSERVATION_AND_COUNTEREVIDENCE

Tesseract5.3.4 eng、OEM1、PSM3/6、DejaVu Sansで生成したEnglish PNG3素材の限定試験を行いました。NFC＋空白除去後のCERで、大文字・句読点・数字差を残しています。これは実業務・日本語・他engineのbenchmarkではありません。

素材PSM3 CERPSM6 CER結果の範囲
単段4行00生成した既知の文字と数字は一致
二段0.4230770.423077左段全文→右段全文のgolden順序に不一致
6度の傾き0.1346150.115385123.45が123-45に変化

process完了を内容品質の全PASSと扱いません。数字変化と読み順崩れは、OCR出力を業務値へ無照合で渡せない反証です。CERはこの素材・model・設定だけの観測です。blankは空出力が正解でしたが、非空素材の空出力と区別します。jpnはpack欠落errorで、日本語・縦書きは未実測です。

INFERENCE

source hash、engine/package/model/hash、language、前処理、PSM、device/backend、layout/order/table、raw output、CER/WER・numeric・順序edge・PDF差分、warnings/time/RSS、ACL、overrideを受入記録に残す設計を提案します。共通標準や実装済み制御ではありません。

FAILURE_ENVELOPE

傾き・汚れ・低解像度、日英混在・縦書き、複数段、罫線・merged/multi-page table、数式、empty output、missing-language、backend/model依存、text layerの座標ずれを評価します。作者の異なるdataset/metric/deviceの数値を揃えず横断順位にしません。PDF/Aやrepairを原文同一・署名保持・安全化の保証と扱いません。

AVAILABILITY_GATES

日本語/縦書きの必要model、採用generation、hardware/runtime、依存・model license、素材送信可否、業務閾値を確定します。PaddleOCR、Surya、OCRmyPDFは本候補では実行していません。GPU要否はengine名で一括判断せず、選んだmodel/backendで確認します。

SECURITY_PRIVACY_AUDIT_OPERABILITY

PDFは複雑な入力です。OCRmyPDFの作者資料もsanitizerではないと説明しています。低権限process、CPU/RSS/timeout/page/画像dimension上限、egressとmodel供給を制御します。本文命令をtool authorityへ移さず、raw image/PIIを不要にlogへ残しません。sourceと出力PDF/text/構造のACLを揃えます。

UNKNOWN_AND_STOP_CONDITION

日本語・縦書き、他engineとの同一corpus精度、PDF/A・署名・座標差分、実業務latency/RSS、採用model条件、組織閾値は未確認です。役割比較と再現可能な限定実測までを研究範囲とし、本番の順位・推奨は確定していません。

SOURCES

確認日: 2026-10-04。repo main/current docsは可変です。

  • EVD-EA-216-URL-B32F7DB38A9B研究資料研究資料根拠の出所: SOURCE_PACKET_REFERENCE

    [Tesseract](

    裏付ける内容
    —
    確認日
    —
    出典・実験ID
    SRC-EA-216-URL-B32F7DB38A9B
    検証箇所
    SOURCES · - [Tesseract](https://github.com/tesseract-ocr/tesseract
    適用範囲
    SOURCES
    出典・来歴
    SOURCE_PACKET_REFERENCE_PROJECTED
    限界
    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。
  • EVD-EA-216-URL-63804C21C767研究資料研究資料根拠の出所: SOURCE_PACKET_REFERENCE

    [Tesseract quality](

    裏付ける内容
    —
    確認日
    —
    出典・実験ID
    SRC-EA-216-URL-63804C21C767
    検証箇所
    SOURCES · - [Tesseract quality](https://tesseract-ocr.github.io/tessdoc/ImproveQuality.html
    適用範囲
    SOURCES
    出典・来歴
    SOURCE_PACKET_REFERENCE_PROJECTED
    限界
    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。
  • EVD-EA-216-URL-FC9637520597研究資料研究資料根拠の出所: SOURCE_PACKET_REFERENCE

    [Tessdata](

    裏付ける内容
    —
    確認日
    —
    出典・実験ID
    SRC-EA-216-URL-FC9637520597
    検証箇所
    SOURCES · - [Tessdata](https://github.com/tesseract-ocr/tessdata
    適用範囲
    SOURCES
    出典・来歴
    SOURCE_PACKET_REFERENCE_PROJECTED
    限界
    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。
  • EVD-EA-216-URL-ACFE04B68940研究資料研究資料根拠の出所: SOURCE_PACKET_REFERENCE

    [PaddleOCR pipeline](

    裏付ける内容
    —
    確認日
    —
    出典・実験ID
    SRC-EA-216-URL-ACFE04B68940
    検証箇所
    SOURCES · - [PaddleOCR pipeline](https://github.com/PaddlePaddle/PaddleOCR/blob/main/docs/version3.x/pipeline_usage/OCR.en.md
    適用範囲
    SOURCES
    出典・来歴
    SOURCE_PACKET_REFERENCE_PROJECTED
    限界
    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。
  • EVD-EA-216-URL-E4F8125543A0研究資料研究資料根拠の出所: SOURCE_PACKET_REFERENCE

    [PP-OCRv5](

    裏付ける内容
    —
    確認日
    —
    出典・実験ID
    SRC-EA-216-URL-E4F8125543A0
    検証箇所
    SOURCES · - [PP-OCRv5](https://github.com/PaddlePaddle/PaddleOCR/blob/main/docs/version3.x/algorithm/PP-OCRv5/PP-OCRv5.en.md
    適用範囲
    SOURCES
    出典・来歴
    SOURCE_PACKET_REFERENCE_PROJECTED
    限界
    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。
  • EVD-EA-216-URL-1DB235ADAAE4研究資料研究資料根拠の出所: SOURCE_PACKET_REFERENCE

    [OCRmyPDF](

    裏付ける内容
    —
    確認日
    —
    出典・実験ID
    SRC-EA-216-URL-1DB235ADAAE4
    検証箇所
    SOURCES · - [OCRmyPDF](https://github.com/ocrmypdf/OCRmyPDF
    適用範囲
    SOURCES
    出典・来歴
    SOURCE_PACKET_REFERENCE_PROJECTED
    限界
    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。
  • EVD-EA-216-URL-C519E58D07CF研究資料研究資料根拠の出所: SOURCE_PACKET_REFERENCE

    [OCRmyPDF PDF security](

    裏付ける内容
    —
    確認日
    —
    出典・実験ID
    SRC-EA-216-URL-C519E58D07CF
    検証箇所
    SOURCES · - [OCRmyPDF PDF security](https://github.com/ocrmypdf/OCRmyPDF/blob/main/docs/pdfsecurity.md
    適用範囲
    SOURCES
    出典・来歴
    SOURCE_PACKET_REFERENCE_PROJECTED
    限界
    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。
  • EVD-EA-216-URL-2B6D5708B4B6研究資料研究資料根拠の出所: SOURCE_PACKET_REFERENCE

    [Surya](

    裏付ける内容
    —
    確認日
    —
    出典・実験ID
    SRC-EA-216-URL-2B6D5708B4B6
    検証箇所
    SOURCES · - [Surya](https://github.com/datalab-to/surya
    適用範囲
    SOURCES
    出典・来歴
    SOURCE_PACKET_REFERENCE_PROJECTED
    限界
    元の監査済み資料に記載された参照先です。URLの復元は、資料の最新性や全主張の支持を新たに検証したことを意味しません。
  • EA-216-R11-RESEARCH研究資料研究資料根拠の出所: AUDITED_CANONICAL_RESEARCH_PACKET

    EA-216 監査済みresearch / canonical revision binding

    裏付ける内容
    |対象|役割と採用時の境界| |---|---| |Tesseract|OCR engine。language packとpage segmentation、前処理を固定します。jpn/jpn_vertモデルの所在と実runtimeの導入状態は別です。| |PaddleOCR|orientation/unwarping/検出・認識等のpipeline。current general OCR docsはv3〜v6を含みます。v5の日本語・縦書きの作者報告を全世代やOCR-VLへ外挿しません。| |OCRmyPDF|検索可能PDFとOCR text layerを作るpipeline。Tesseractとlang packに依存し、独立した認識engineの比較枠にはしません。PDF再生成と文字・表の意味保持を別検証します。| |Surya|current世代はOCR/layout/読み順/tableを扱うVLM系です。vllmまたはllama.cpp backend、codeとmodelの利用条件を別確認します。旧forkの条件をcurrentへ転用しません。|
    確認日
    2026-10-04
    出典・実験ID
    EA-216-GAP-FIRST-20261004
    検証箇所
    EA-216-GAP-FIRST-20261004 · content/staging/EA-216.md
    適用範囲
    監査済みEA本文・canonical revision・既存Source Graph relationの範囲。欠損currentnessは推測で閉じない。
    出典・来歴
    AUDIT_PASS_CANONICAL_BINDING
    限界
    canonical監査・revision bindingの存在を示す。外部ソースcurrentnessが本文またはcontrol-planeで確定していない場合は、currentnessをUNKNOWNのまま保持する。
  • EA-216-R11-WEB-READBACK実装資料実装資料根拠の出所: IMPLEMENTATION_READBACK

    EA-216 Web body identity / canonical readback

    裏付ける内容
    canonical staging bodyのSHA-256一致とR9 canonical ledger readbackをProduction projectionの入力として検証する。
    確認日
    2026-10-04
    出典・実験ID
    WEBBODY-EA0216-R8-85558413
    検証箇所
    WEBBODY-EA0216-R8-85558413 · content/staging/EA-216.md · EA-216-GAP-FIRST-20261004
    適用範囲
    R9/R10 canonical readback後のProduction生成時body identity。
    出典・来歴
    CANONICAL_READBACK_BODY_HASH_MATCH
    限界
    body identity/readbackは本文claim自体の真偽や外部ソースの最新性を追加保証しない。
出典ID
EA-216-GAP-FIRST-20261004, SRC-EA-216-URL-B32F7DB38A9B, SRC-EA-216-URL-63804C21C767, SRC-EA-216-URL-FC9637520597, SRC-EA-216-URL-ACFE04B68940, SRC-EA-216-URL-E4F8125543A0, SRC-EA-216-URL-1DB235ADAAE4, SRC-EA-216-URL-C519E58D07CF, SRC-EA-216-URL-2B6D5708B4B6, WEBBODY-EA0216-R8-85558413
追跡中のUNKNOWN ID
EA-216-UNKNOWN-01
再確認のきっかけ
正式な 改訂版/publication 状態 change · 本文 成果物 hash change · 出典 現行性 change · new contradiction or 実装 結果の照合

機械検査: 通過 — 機械検査の結果です。情報の正確性や実行の承認を保証するものではありません。

    同じ記事IDの機械可読データです。