Google Document AI OCRの機能
Enterprise Document OCRは、Google CloudのDocument AIに含まれるプロセッサの1つです。PDFまたは画像(PDF、GIF、TIFF、JPEG、PNG、BMP、WebP。DOCXは非公開プレビュー)を送信すると、テキスト、ページ、ブロック、行、トークンとその位置を含む Document オブジェクトがJSONで返されます。印刷文字と手書き文字を読み取り、デジタルPDFに埋め込まれたテキストとOCR結果を統合でき(ネイティブPDF解析)、各ページの画像品質を0〜1でスコア化します。スコアが0.5未満の場合は、ぼやけ、反射、テキストの途切れなど、考えられる不具合を一覧表示します。Googleによると、200を超える言語に対応しており、そのうち12言語(ヘブライ語、タイ語、タミル語、テルグ語など)では手書き文字が非対応とされています。
セットアップはGoogle Cloudの通常の手順です。プロジェクトを作成し、Document AI APIを有効にし、リージョン(US、EUなど)にEnterprise Document OCRプロセッサを作成して、REST APIまたはクライアントライブラリから呼び出します。オンライン(同期)リクエストは最大15ページ、40 MBまで(イメージレスモードでは30ページ)で、バッチリクエストは1ドキュメントあたり最大500ページ、1ファイルあたり1 GB、1リクエストあたり5,000ファイルまで処理できます。安定版のモデルバージョンは pretrained-ocr-v2.0-2023-06-02 と pretrained-ocr-v2.1-2024-08-07 で、US・EU以外ではv2.1.1がリリース候補となっています。
