日本語OCR · PDF文字起こし

日本語PDFをMarkdown（マークダウン）へ変換

デジタルPDFやスキャンPDFを、日本語OCRで構造化Markdownへ変換します。見出し、表、数式を保ち、縦書きやふりがなの実際の制約を理解したうえで、検索やRAGに使える確認可能なテキストを作れます。

Chromeに追加 日本語PDFを変換
短い回答

日本語OCRを選び、重要な箇所を確認します

日本語PDFには、実際のテキスト、ページ画像、またはその両方が含まれます。変換ツールは信頼できるテキストレイヤーを読み、画像のみのページにはOCRを適用します。OCR言語で日本語を選ぶと、適切な認識モデルが使われます。本番検証では、標準のMinerUが日本語スキャンでより高い精度を示しました。Doclingはシンプルで整った文書を比較する場合に利用できます。出力は通常のMarkdownなので、プレビュー、コピー、ダウンロード、元PDFとの照合ができます。

4ステップ

Web変換ツールで日本語PDFを変換

無料のブラウザ変換ではアカウントは不要です。OCR言語は変換ごとに適用され、端末内に記憶されます。

1

PDFを追加

Web変換ツールを開き、ファイルをアップロード、ドラッグ＆ドロップ、またはPDFの直接URLを貼り付けます。デジタル文書、混在文書、画像のみの文書も同じ操作です。

2

OCR言語で日本語を選択

OCR言語を日本語にします。画像のみのページには自動でOCRが適用されます。選択できるテキストがあっても文字化け、誤字、欠落がある場合はOCRを強制してください。

3

まずMinerUで変換

MinerUは日本語検証用サンプルで精度が高く、複雑なスキャンにも強いため標準です。整ったデジタル文書で結果に違和感がある場合は、Doclingの結果とも比較できます。

4

確認して書き出す

レンダリング済み表示とRaw表示で、固有名詞、日付、金額、表、縦書き、ルビを確認します。その後、Markdownをコピーするか.mdファイルをダウンロードします。

日本語PDFの特徴

単語間に空白がないのは正常、誤った空白は修正対象です

日本語の組版は英語と異なる方法で構造を表します。不自然な空白や文字幅をすべてOCRエラーと決めつけず、元の表記と変換上の問題を分けて確認します。

単語境界がありません

日本語の文では通常、漢字、ひらがな、カタカナの間に空白を入れません。英語のような見た目にするための空白追加は不要です。

PDF由来の誤った空白

文字の座標、OCRの認識枠、行の再構成によって、固有名詞や複合語の途中に空白が入る場合があります。英数字や意図されたレイアウトを確認しながら除去します。

全角と半角

元文書では全角・半角の両方に意味がある場合があります。NFKCは検索の統一に便利ですが、可逆な修復ではなく後処理の選択肢です。

複数の文字種

商品コード、URL、英字の略語、算用数字が日本語本文に混在します。整形時に必要な空白や記号まで削除しないよう注意します。

密度の高い表

請求書や官公庁資料には狭い列と反復ラベルがあります。本文が正確でも、行の対応と合計値は確認してください。

小さな注釈

ふりがなや脚注記号は本文より大幅に小さく、参考情報として重要である一方、OCRで最も不安定な要素の一つです。

検証済みの期待値

日本語OCRの実測で確認できたこと

EP-070の本番検証では、両方の変換プールで画像のみの日本語サンプルを使用しました。結果は管理された検証の所見であり、すべてのフォント、スキャン、歴史的文書を保証するものではありません。

横書きの日本語

MinerU：検証用サンプルでは漢字とかなをほぼ正確に認識し、少数の文字欠落だけでした。標準エンジンとして利用します。
Docling：読むことはできますが精度は低く、サンプルでは複数の漢字を取り違えました。シンプルなデジタルレイアウトの比較には利用できます。

縦書きとふりがな

読み順：縦書きサンプルは一貫した文章になり、MinerUは正しい順序で列を読みました。単純な左から右の読取りにはなりませんでした。
制約：句読点、改行、一部の文字が失われる場合がありました。ふりがなは安定した認識を確認できていないため、元ページとの照合が必要です。

元文書を根拠として残してください。 契約書、請求書、固有名詞、日付、金額など判断に影響する情報は、PDFとMarkdownを並べて確認します。

検索・RAG向けの整形

唯一の原本ではなく、コピーを正規化します

OCR出力は後から検証できる状態で残す必要があります。元のMarkdownを先に保存し、検索、embeddings、全文検索に使う派生コピーを整形します。これにより検索一致率を改善しながら、変換結果を隠さずに確認できます。

1

未加工の変換結果を保存

ダウンロードしたMarkdownを、元ファイル名と変換日とともに保存します。破壊的な整形後のファイルだけを残さないでください。

2

NFKCを目的に応じて適用

検索でＡＢＣ１２３とABC123を一致させたい場合は文字幅を正規化します。互換記号、丸数字、法的・編集上の意味を持つ表記が変わらないか確認してください。

3

誤った空白を慎重に修正

明らかな日本語複合語の途中にある空白は結合し、英単語、型番、URL、単位の周囲に必要な空白は保持します。すべてのASCII空白を削除するより、言語対応のtokenizerが安全です。

4

文書構造でchunking

固定トークン数より先に、見出し、段落、表の境界を利用します。文書種別、日付、ページ範囲、出典URLをメタデータに入れると、RAGの回答から原本を参照できます。

# 請求書

## 請求先
株式会社サンプル

| 項目 | 数量 | 金額 |
| --- | ---: | ---: |
| API利用料 | 1 | ¥12,000 |

出典: invoice-2026-08.pdf / page 1
文書と自動化

一般的な日本語文書を同じ流れで変換

請求書、契約書、論文、官公庁資料はいずれも検索可能なテキストが役立ちますが、確認する箇所は異なります。請求書では合計と表の行、契約書では固有名詞、日付、条番号、論文では数式、参考文献、複数段組の読み順、官公庁資料では密度の高い表、和暦、縦書き、古い字体を重点的に確認します。

ブラウザで変換

対話的に確認する場合は無料のWeb変換ツールを使います。以前に別の言語を保存していなければ、日本語ページではOCR言語が日本語になります。書き出す前にレンダリング済みとRawの両方を確認してください。

REST APIで変換

ジョブごとのoptionsにocr_langを渡します。使用できる言語コードはru、en、ja、es、pt、de、frです。省略するとサーバーの初期設定を維持します。

curl -X POST https://pdf2md.dev/api/v2/jobs \
  -H "Authorization: Bearer p2m_…" \
  -H "Content-Type: application/json" \
  -d '{
    "url": "https://example.com/japanese-report.pdf",
    "options": {"ocr_lang": "ja", "engine": "mineru"}
  }'

この設定はリクエストごとに適用されます。アカウントの初期設定は変更せず、ocr_langを送らない旧クライアントは従来と同じ動作を続けます。

日本語PDFを変換しますか？

ブラウザで開始するか、同じ日本語OCRをコードやAIエージェントから利用できます。

Web変換ツール REST API AI・RAG向け
FAQ

日本語PDF OCRのよくある質問

スキャンした日本語PDFをMarkdownへ変換できますか？

はい。OCR言語で日本語を選びます。管理された検証では、MinerUが漢字とかなをほぼ正確に認識し、少数の文字欠落だけでした。結果はスキャン品質、フォント、レイアウト、文書の年代によって変わります。

日本語の単語内に空白が入るのはなぜですか？

日本語では通常、単語間に空白を入れません。PDFの文字位置やOCRの分割で誤った空白が入る場合があります。英字、数字、単位、URLの周囲に意図された空白は残してください。

日本語OCRは縦書きに対応していますか？

制約付きで対応します。MinerUは縦書き検証用サンプルで正しい読み順と一貫した文章を保ちましたが、句読点、改行、一部の文字が失われる場合がありました。元文書と照合してください。

ふりがなは保持されますか？

安定した保持は保証できません。小さなルビは本文へ混ざる、対応する漢字から離れる、または欠落する場合があります。人名、特殊な読み、学習教材は手作業で確認してください。

日本語ではMinerUとDoclingのどちらを使いますか？

まずMinerUを使います。日本語OCR検証で精度が高く、標準エンジンです。Doclingは複数の漢字を取り違えましたが、シンプルなレイアウトの比較結果として利用できます。

日本語OCRは無料プランで利用できますか？

はい。無料・有料の両方の変換プールで検証に合格したため、有料限定にはしていません。無料プランの上限は3スロット、最大10 MB、処理時間枠15分、保存期間1時間です。