OCRでスキャンしたPDFを翻訳する方法

スキャンPDFの問題点

紙の書類をスキャンしてPDFとして保存すると、そのファイルにはページの画像しか含まれません — 選択やコピーができるテキストはありません。テキストがピクセルとしてしか存在しないため、通常の翻訳ツールはまったく機能しません。

これは、公証済みの契約書、政府発行の証明書、歴史的記録、FAX印刷物、そして紙で届いた後にデジタル化されたあらゆる書類など、非常に幅広い文書に影響します。2026年になっても、スキャンされた文書は企業が翻訳する必要のあるファイルの大きな割合を占めています。

OCR + AI翻訳の仕組み

解決策は2段階のパイプラインです。光学文字認識(OCR)の後にニューラル機械翻訳が続きます。

1. OCR解析 — エンジンが各ページをピクセル単位でスキャンし、文字の形状を識別してテキストレイヤーを再構築します。最新のOCRはラテン文字、アラビア文字、キリル文字、CJK(中国語、日本語、韓国語)、デーヴァナーガリー文字など、100種類以上の文字体系に対応しています。
2. レイアウト検出 — 段組み、表、ヘッダー、フッターを識別してマッピングし、翻訳結果を同じ位置に配置できるようにします。
3. テキスト抽出 — 再構築されたテキストはクリーニングされます。ハイフネーションの痕跡、改行によるノイズ、スキャンの不完全な部分が翻訳前に修正されます。
4. AI翻訳 — クリーニングされたテキストは、文書コンテキスト向けに調整されたニューラル翻訳モデルに渡され、段落と文の境界が保持されます。
5. フォーマット再構築 — 翻訳されたテキストは元の文書構造にレイアウトされ、PDFとしてエクスポートされます。

画像品質の要件

OCRの精度はスキャン品質に直接左右されます。以下の条件で最良の結果が得られます。

• 解像度 — 300 DPI以上。150 DPIでも大きな文字なら許容範囲ですが、100 DPI未満では精度が大きく低下します。
• 向き — ページはまっすぐである必要があります。自動傾き補正は約10°までの傾きを補正できますが、それ以上の傾きは結果を悪化させます。
• コントラスト — 明るい背景に暗い文字。色あせたインク、色付きの背景、透かしは精度を低下させます。
• 手書き不可 — 印刷された文字は高精度で認識されますが、手書きの注釈は判読可能な場合のみ抽出され、不確実としてフラグが付けられます。
• ファイル形式 — PDF、JPG、PNG、TIFFがすべて対応しています。複数ページのPDFはページごとに処理されます。

ステップバイステップ:スキャンしたPDFを翻訳する

1. スキャンしたPDFをアップロード — ドラッグ&ドロップするか、ファイルのURLを貼り付けます。システムはそれがスキャンされた(画像ベースの)文書であることを自動的に検出します。
2. 元の言語を選択(任意) — 自動検出は一般的な文字体系のほとんどに対応しています。まれな言語や複数の文字体系が混在する文書では手動で設定してください。
3. 翻訳先の言語を選択 — 100以上の言語が利用可能です。
4. まずOCRが実行されます — テキストが抽出され、認識された内容のプレビューが表示されます。続行する前に明らかな誤りがないか確認してください。
5. AI翻訳が実行されます — 文書全体のコンテキストを維持したまま、抽出されたテキストが翻訳されます。
6. 翻訳済みPDFをダウンロード — 出力ファイルは元のスキャンと同じページサイズと段組みレイアウトを保持します。

よくあるスキャン文書の種類

• 公証済みの契約書 — 署名と押印がされた文書で、再入力すると真正性が失われるもの
• 政府発行の証明書 — 公的機関発行の出生証明書、婚姻証明書、学歴証明書、職業証明書
• 裁判記録と法的書類 — 過去の事件記録、保管された判決書
• 医療記録 — 患者ファイル、検査報告書、旧式の医療システムからの紹介状
• 財務諸表 — 従来の銀行明細書、デジタルアーカイブ以前に印刷された監査報告書
• 技術マニュアル — 印刷版のみを提供していたメーカーの製品ドキュメント