OCR PDF — テキスト抽出 スキャン文書をすぐに変換

OCR（光学文字認識）はPDFの各ページを画像として扱い、複数段階のパイプラインを実行します：傾き補正・ノイズ除去・コントラスト正規化、そしてピクセルパターンをUnicode文字にマッピングするディープラーニング文字認識モデル。再構成されたテキストは元の視覚コンテンツ上に不可視の層として埋め込まれ、元のレイアウトを1ピクセルも変えることなく文書を完全に検索・コピー可能にします。

テキストのスキャン画像を含むPDF — フラットベッドスキャナの文書・PDFとして保存されたカメラ写真・ファックス・印刷フォーム・アーカイブマイクロフィルムスキャン — はすべてOCRの恩恵を受けます。PDFにすでに選択可能なテキストが含まれている場合（単語をハイライトできる場合）、それはネイティブPDFであり、OCRは不要です。

300 DPI以上のクリーンで高解像度のスキャンでは、標準的なラテン文字の文書で98〜99%の文字精度を達成します。精度はスキャン品質によって異なります：ぼやけた・低コントラスト・ひどく歪んだ画像はスコアが低くなります。手書きテキストは部分的にサポートされていますが、印刷テキストより大幅に難しいです。

プライバシーはSmallPDF.usの構築における基本です。すべてのアップロードはTLS 1.3暗号化を経由します。ファイルはジョブ完了直後に破棄される分離された使い捨てコンテナで処理されます。無料プランのファイルは1時間以内に完全削除され、有料プランのファイルは24〜72時間以内に削除されます。文書の内容を読んだりインデックス化したり共有・販売・保持することは一切ありません。

OCRエンジンは英語・スペイン語・フランス語・ドイツ語・イタリア語・ポルトガル語・オランダ語・ロシア語・アラビア語・中国語（簡体字・繁体字）・日本語・韓国語・ヒンディー語など100以上の言語をサポートしています。言語はページのサンプルから自動検出されますが、有料ユーザーは手動で言語を指定することもできます。

無料プランユーザーはOCRジョブあたり最大2ページを処理できます。ProおよびAgencyプランユーザーは1回のジョブで無制限ページ数のPDFをOCRでき、バッチOCRで最大10ファイルを一度に送信できます。

無料ユーザーは検索可能なPDF（Ctrl+F検索・コピー＆ペースト・アクセシビリティツールを可能にする不可視テキスト層付き）を受け取ります。ProおよびAgencyユーザーは、書式付き.docx Wordドキュメントまたはデータパイプライン・翻訳ツール・CMSに対応した.txtファイルとしてエクスポートすることもできます。

光学文字認識は計算集約的で、各ページには前処理と推論のためにかなりのGPU時間が必要です。すべてのユーザーに対してサービスを高速で信頼性高く維持するために、1日1回の無料OCRを提供しています。無制限のOCR実行・優先キュー・大きなファイルサポート・バッチ処理のためにProにアップグレードしてください。