Tesseract

Tesseract は、もともと HP で開発され、現在は Google とコミュニティのコントリビューターによってメンテナンスされているオープンソースの光学文字認識(OCR)エンジンです。コマンドラインプログラムとライブラリ(libtesseract)の両方として提供されており、新しい LSTM ニューラルネットワークベースの認識エンジン(Tesseract 4 以降のデフォルト)と、互換性のために残された Tesseract 3 のパターンマッチングベースのレガシーエンジンの両方をサポートしています。

PNG、JPEG、TIFF などの一般的な画像形式を読み込み、Unicode/UTF-8 サポートにより標準で100を超える言語のテキストを認識でき、プレーンテキスト、検索可能な PDF、hOCR、TSV などの構造化形式で出力できます。ただし、どの OCR エンジンでも同様ですが、認識結果の品質は入力画像の品質に大きく左右されます。

Tesseract は、スキャンされた文書、撮影されたフォーム、画像からテキストを抽出してデータパイプラインに組み込む必要があるチームに向いています。紙の書類のデジタル化、スキャンされたアーカイブのインデックス作成、LLM や RAG パイプラインへのテキスト供給などが例です。(カタログにもある) PDF.js を補完する存在で、PDF.js はすでにテキストレイヤーを含む PDF をレンダリング・解析するものであり、ピクセルからテキストを認識するものではありません。