画像から文字起こし

写真・スクリーンショット・スキャン画像の中の文字を、コピー・検索・編集できるテキストに変えます。画像を選ぶかドロップして(スマホならカメラで直接撮影もできます)、言語を確認し、「文字を抽出」を押してください。文字の読み取りはこのブラウザのタブの中で動くオープンソースのエンジンが行うので、画像が端末の外に出ることはありません。日本語(横書き・縦書き)、韓国語、英語に対応し、各言語のデータは初めて使うときに一度だけダウンロードされます。

画像から文字を抽出する方法

  1. 上の枠に画像をドロップするか、枠をクリックして選んでください。Ctrl+Vで貼り付けることもできます上の枠をタップして画像を選ぶか、「カメラで撮影」で直接撮影してください。JPG・PNG・WebP・HEIC・AVIFを開けます。
  2. 「文字の言語」を確認します。最初はこのページの言語に英単語と数字を加えた設定になっているので、日本語・日本語(縦書き)・英語に切り替えてください。「言語データ」で、初回に何をどのくらいダウンロードするかが分かります。
  3. 「文字を抽出」を押します。初回は言語データのダウンロード状況が進行バーで表示されます(1言語あたり1〜2MB)。2回目以降はすぐに始まります。スマホで撮った写真なら通常は数秒です。
  4. 結果はテキスト欄で確認し、間違いはその場で直せます。「認識した行を画像の上に表示」をオンにすると、各行がどこから読み取られたか分かり、自信のない行は赤で表示されます。
  5. 「コピー」でクリップボードに入り、「.txtで保存」でファイルとして保存できます。

実際に測った結果

自作のテスト画像をこのページで読み取り、正しく読めた文字数を数えました。実際の写真よりきれいなものなので、保証ではなく、条件が良い場合の数字として見てください。

画像言語設定正しく読めた文字所要時間
韓国語のスクリーンショット(700 × 300 px)韓国語 + 英語95.2%1.4秒
同じスクリーンショットのダークモード韓国語 + 英語91.2%2.0秒
スマホで撮ったような日本語の印刷物の写真(1800 × 2400 px)日本語 + 英語97.7%3.7秒
同種の写真に濃い影を入れたもの(明るさ補正オン)日本語 + 英語96.9%3.3秒
影の写真(明るさ補正オフ)日本語 + 英語11.6%4.5秒
日本語の縦書き(900 × 700 px)日本語(縦書き)96.8%2.6秒
英語のレシート(460 × 760 px)英語100%2.1秒

時間にはエンジンの起動が含まれ、言語データはすでに端末に保存済みの状態です。初回はこれに1〜3MBのダウンロードが加わります。手書き・表・暗い写真はこのテストに含めておらず、より読みにくくなります。

影のテストは、「明るさとコントラストをそろえる」がある理由を示しています。エンジンだけでは片側が暗いページをほとんど読めませんでしたが、明るさをそろえるとほぼ完全に読めました。きれいなスクリーンショットでは、この設定による差はあまりありません。

どの言語を選ぶか

設定使う場面初回のダウンロードサイズ
韓国語ハングル。初期設定で英単語と数字もあわせて読みます1.1MB
日本語横書きの日本語(漢字・ひらがな・カタカナ)1.5MB
日本語(縦書き)縦書きの行を右から左へ読むとき2.0MB
英語英語などアルファベットの文字1.9MB

サイズは、このサイトが配信する圧縮ファイルのものです。言語データは、その言語を使うときだけダウンロードされます。中国語には対応していません。

知っておきたいこと

  • カメラは紙と平行に構え、影のない均一な明るさで、文字が画面の大半を占めるように撮ってください。傾いた写真や影が入った写真は、平らで明るい写真より明らかに誤読が増えます。
  • 横向きや逆さまの文字は読み取れません。写真が横を向いているときは、先に「画像トリミング・回転」で正しい向きにしてから読み取ってください。
  • 必要な部分だけを切り抜いて使いましょう。文字の周りのロゴ・枠線・写真・印鑑は余計な文字を増やすだけで、画像が小さいほど速く読み取れます。
  • 紙の写真やダークモードのスクリーンショットでは「先に明るさとコントラストをそろえる」をオンにしておきます。きれいな白背景のスクショでかえって少し読みにくくなる場合はオフにしてみてください。
  • 数字・名前・金額は必ず画像と見比べてください。本当に困る誤りはそこで起こりやすく、0とO、1とlの取り違えがとくに多くなります。
  • 文字に合った言語を選んでください。韓国語を日本語として、またはその逆で読むと、無関係な文字が出てしまいます。

文字を読み取るしくみ

文字認識エンジン

文字はオープンソースの認識エンジンTesseractが読み取ります。ブラウザ上でWebAssemblyとして動くtesseract.jsという版を使っています。言語モデルはtessdata_fastプロジェクトの「fast」モデルで、精度をわずかに譲る代わりにダウンロードサイズがずっと小さくなっています。Tesseract、tesseract.js、tessdata_fastはいずれもApache License 2.0で公開されています。読み取る前に画像はグレースケールに変換され、小さければ拡大されます。言語の選択や修正など、そのほかはすべてこのページの中で行われます。

よくある質問

ファイルはサーバーにアップロードされますか?

いいえ。文字認識エンジンはこのブラウザのタブの中でWebAssemblyとして動きます。エンジンのプログラムも言語データも他社のサーバーではなくhanji.page自身から配信され、開いた画像やPDFがどこかに送られることはありません。一度使うと言語データが端末に保存されるので、ページを読み込んだあとは機内モードにしても動き続けます。

どのくらい正確ですか?

言語よりも、画像の状態にずっと大きく左右されます。自作のテスト画像(韓国語のスクリーンショット、印刷された日本語ページの写真、英語のレシート)では、文字の91〜100%を正しく読み取れました。測定した数値は上の項目にあります。鮮明な印刷文字やピントの合った写真はよく読めますが、ぼけ・影・暗い照明・極端に小さい文字では精度が一気に落ちるので、大事な内容は必ず確認してください。

手書き文字・表・暗い場所で撮った写真も読めますか?

印刷された文字は読めますが、ほかは一部にとどまります。手書きは、とても丁寧な楷書でもない限りほとんど認識できません。表は行単位で読むため、列が横に並んだり読み順に混ざったりして、セルや罫線の構造は残りません。暗い場所、ピンぼけ、曲がった紙面、急な角度で撮った写真は誤りが多くなります。「明るさとコントラストをそろえる」は影には効きますが、カメラが捉えていない細部までは戻せません。装飾の多い書体、高さ約20ピクセルより小さい文字、模様のある背景の上の文字も苦手です。

初回は何をダウンロードし、保存されますか?

文字認識エンジン本体(数MB)と、使う言語ごとの言語データです。韓国語1.1MB、日本語1.5MB、英語1.9MB、日本語(縦書き)2.0MBです。ダウンロードの前後には、正確なサイズと進行バーが画面に表示されます。ファイルはブラウザ自身の保存領域(IndexedDB)に保管され、次回からはすぐに始まります。ブラウザでこのサイトのデータを消すと一緒に消えますが、必要になったときに再ダウンロードされます。HEIC写真を開くときだけ、約3MBの変換プログラムが追加で読み込まれます。

縦書きの日本語も読めますか?

はい。「日本語(縦書き)」を選び、縦の行が1つのまとまりになっている画像を読み取ると、右の行から左へ向かって読みます。そのまとまりだけを切り抜いて使うと、いちばん正確に読めます。横書きと縦書きが混在したページや、縦書きの中に英単語が混ざる場合はうまく処理できないので、部分ごとに分けて読み取ってください。

スマホでも使えますか?カメラで直接撮った写真も読めますか?

はい。スマホでは、カメラを開く「カメラで撮影」ボタンが表示され、ギャラリーの写真(iPhoneのHEICを含む)も読み取れます。写真は読み取る前に、長辺が3,200ピクセル以下になるよう縮小します。文字を読むには十分で、スマホのメモリ不足も防げます。文字がびっしり詰まった1ページで通常は数秒、古いスマホではもう少しかかります。

あわせて読みたいガイド

関連ツール