スキャンした文書の翻訳：OCR + AIの解説

世界中には、スキャンや写真としてのみ存在する文書が数百万件あります。ファイリングキャビネットに埋もれた古い契約書。1990年代の研究論文で、デジタル化されなかったもの。政府の証明書、手書きの手紙、色あせた領収書、撮影したホワイトボード。これらはすべて、ほとんどの翻訳ツールが単純に読み取れない形式に閉じ込められています。

その理由は明白です：スキャンしたPDFはテキスト文書ではありません。それは画像です。そして、単語を入れ替えることで画像を翻訳することはできません — コンピュータが見つけるべき単語が存在しないからです。ここでOCRが登場します。現代のAI翻訳と組み合わせることで、任意の言語のスキャンした文書から画像内のすべての単語を抽出し、それを翻訳し、ターゲット言語でクリーンでフォーマットされた文書を生成することが可能になりました — 多くの場合、2分以内で。

このガイドでは、そのプロセスがどのように機能するか、結果の質に影響を与える要因、スキャンした文書から最高の翻訳を得る方法を正確に説明します。

目次

1. OCRとは何か、翻訳に必要な理由
2. OCR翻訳が必要な文書の種類
3. OCR + AI翻訳の仕組み
4. ステップバイステップ：Doclingoでスキャンした文書を翻訳する
5. OCR翻訳の質：精度に影響を与える要因
6. スキャンした文書を翻訳するための代替手段
7. 一般的なOCR翻訳の課題と解決策
8. FAQ

OCRとは何か、翻訳に必要な理由

OCRは光学文字認識を意味します。これは、スキャン、写真、またはスクリーンショットからのテキストの画像を、ソフトウェアが実際に処理できる機械可読のテキストに変換する技術です。

こう考えてみてください。スキャンしたPDFを見ると、ページ上に単語が見えます。しかし、コンピュータはピクセルのグリッドを見ています — 行に配置された色付きの点です。文字、単語、文の概念はありません。OCRは、ピクセルパターンを分析し、文字の形を認識し、テキストを再構築することで、そのギャップを埋めます。

OCRがなければ、スキャンした文書は翻訳不可能です。翻訳エンジンが処理するためのテキストが文字通り存在しません。スキャンしたPDFからコピー＆ペーストを一日中行っても — 何も得られないか、せいぜい意味不明な文字列が得られるだけです。

現代のOCRは、2000年代初頭の不格好でエラーの多いシステムから大きく進化しました。今日のAI駆動のOCRエンジンは、数十のスクリプトにわたる数百万の文書で訓練された深層学習モデルを使用しています。クリーンで印刷された文書では、精度率は99％を超えます。中程度のノイズを含む文書 — わずかな傾き、軽いシミ、古い書体 — でも高い信頼性で処理できます。

スキャンした文書を翻訳するためのパイプラインは次のようになります：

スキャンした文書 --> OCR（テキスト抽出） --> 構造分析（表、列、ヘッダー） --> AI翻訳 --> フォーマットされた出力

各ステージは重要です。悪いOCRは翻訳者にとって意味不明な入力を生成します。構造分析が欠けていると、表が崩れ、列が統合されます。弱い翻訳は不自然な出力を生み出します。そして、フォーマットの再構築がなければ、元のものに似たものではなく、単なるプレーンテキストの壁が得られます。最高のツールは、すべての5つのステージを単一の統合されたワークフローで処理します。

OCR翻訳が必要な文書の種類

すべてのPDFがOCRを必要とするわけではありません。PDFからテキストを選択してコピーできる場合、それはネイティブ（デジタル作成）PDFであり、OCRは不要です。しかし、テキストを選択できない場合や、「コピー」が意味不明なものを生成する場合、翻訳の前にOCRが必要な画像ベースの文書を扱っています。

最も一般的な種類は次のとおりです：

スキャンした契約書や法的文書。 法律事務所、政府機関、企業は、アーカイブのために署名された紙の契約書を頻繁にスキャンします。これらを翻訳する必要がある場合 — 国際的な紛争、規制遵守、またはパートナーのレビューのために — OCRは不可欠な最初のステップです。

古い印刷された本や学術記事。 図書館やアーカイブは数百万ページをデジタル化していますが、多くの古いスキャンは画像のみのPDFです。異なる言語で作業する研究者は、これに常に直面しています。

政府のフォームや証明書。 出生証明書、結婚証明書、移民書類、学業成績証明書 — これらはほとんど常に紙のオリジナルからスキャンされます、特に外国政府によって発行された場合。

ファックス文書。 はい、2026年にもファックスは存在します。特に医療、法律、日本のビジネス文化では。PDFとして保存されたファックス文書は、デフォルトで画像ベースです。

撮影した文書。 時にはスキャナーがないこともあります。レストランのメニュー、街の標識、製品ラベル、掲示板の電話写真 — これらはすべて、翻訳の前にOCRが必要な画像です。

歴史的文書やアーカイブ。 古い原稿、百年の新聞、戦時中の通信を研究する研究者は、これらの脆弱でしばしば劣化したソースからテキストを解放するためにOCRが必要です。

手書きのメモ。 これは最も難しいカテゴリーです。現代のOCRは、特に整然とした一貫した印刷体の手書きを処理できますが、印刷されたテキストと比較して精度は大幅に低下します。草書体の手書きは、すべてのOCRシステムにとって大きな課題です。

OCR + AI翻訳の仕組み

スキャンした文書を翻訳する従来のアプローチは、複数の切り離されたステップを必要としました：OCRツールを実行し、テキストをエクスポートし、それを翻訳者に貼り付け、出力を手動で再フォーマットします。各ステップはエラーを引き起こし、コンテキストを失いました。

Doclingoのような現代のAI駆動プラットフォームは、これらのすべてのステージを単一のパイプラインに統合しています。スキャンしたPDFをアップロードすると、裏で何が起こるかは次のとおりです：

ステージ1：画像前処理

OCRが始まる前に、システムは画像を準備します。これには、傾いたページを真っ直ぐにする（デスキュー）、コントラストと明るさを調整する、ノイズや斑点を取り除く、解像度を正規化することが含まれます。これらの前処理ステップは、特に低品質のスキャンに対してOCRの精度を劇的に向上させます。

ステージ2：AI駆動のOCR

OCRエンジンは、前処理された画像を分析し、個々の文字、単語、テキストの行を特定します。現代のシステムは、ラテン文字やキリル文字から中国語、日本語、韓国語、アラビア語、デーヴァナーガリー、タイ語まで、90以上の言語スクリプトを認識する畳み込みニューラルネットワークとトランスフォーマーモデルを使用しています。

文字ごとに動作する古いOCRツールとは異なり、AIベースのOCRはコンテキストを理解します。文字が曖昧な場合（それは「l」か「1」か？）、モデルは周囲のテキストを使用して正しい判断を下します。

ステージ3：文書構造分析

生のOCR出力は単なるテキストのストリームです。しかし、文書には構造があります — 見出し、段落、表、列、脚注、ページ番号。AI構造分析は、これらの要素を特定し、それらの間の空間的関係をマッピングします。

このステップは表にとって重要です。スキャンした文書では、表は単にページ上のテキストと線です。AIは、どのテキストがどのセルに属するかを認識し、行と列の境界を特定し、マージされたセルとヘッダーを検出する必要があります。

ステージ4：AI翻訳

クリーンで構造化されたテキストを手に入れたら、翻訳エンジンが作業を開始します。Doclingoは、言語ペアや文書の種類に応じて異なる強みを持つ複数のAIエンジン — GPT-4o、Claude、Gemini、DeepSeek — を提供しています。

翻訳は文ごとではなく、コンテキスト内で行われます。AIは、文書全体、ドメイン（法的、医療、技術）、文の間の関係を考慮して自然で正確な出力を生成します。

ステージ5：フォーマット再構築

最終ステップでは、翻訳されたテキストを元のレイアウトに似た文書に再構築します。ヘッダーはヘッダーのままです。表のセルには翻訳されたテキストが埋め込まれます。列はその位置を維持します。フォントサイズやスタイルは、翻訳されたテキストに合わせて保存または調整されます。

結果：元の文書に似た翻訳されたPDFが得られますが、異なる言語で。

ステップバイステップ：Doclingoでスキャンした文書を翻訳する

実践的な手順は次のとおりです。

ステップ1：スキャンした文書をアップロード

doclingo.aiにアクセスし、スキャンしたPDFまたは画像ファイルをアップロードエリアにドラッグします。サポートされているフォーマットにはPDF、JPG、PNG、TIFFが含まれます。プラットフォームは、文書がスキャンされたものかネイティブなものかを自動的に検出し、それに応じてOCRを有効にします。

ステップ2：言語を選択

ソース言語を選択するか、「自動検出」に設定します — OCRエンジンが言語スクリプトを自動的に識別します。次に、ターゲット言語を選択します。Doclingoは90以上の言語ペアをサポートしています。

ステップ3：AIエンジンを選択

異なるAIモデルは、言語ペアによって異なるパフォーマンスを発揮します：

• GPT-4o — ビジネスや技術コンテンツに特に優れたオールラウンドな選択
• Claude — ニュアンスのある、コンテキストが豊富な文書や長文に強い
• Gemini — 多言語コンテンツやアジア言語ペアで良好に機能
• DeepSeek — 中国語ペアや学術テキストに最適化

迷った場合は、GPT-4oが堅実なデフォルトです。

ステップ4：バイリンガル出力を有効にする（オプション）

翻訳を元の文書と照らし合わせて確認したい場合は、バイリンガルの並列出力を有効にします。これにより、元のテキストと翻訳されたテキストが一緒に表示され、特にOCRエラーが翻訳に影響を与える重要なスキャン文書の正確性を確認しやすくなります。

ステップ5：翻訳してダウンロード

翻訳をクリックします。OCR処理と翻訳は通常、文書の長さやスキャンの複雑さに応じて30〜120秒で完了します。完了したら：

• ブラウザで翻訳された文書を直接プレビュー
• フォーマットが保持された翻訳されたPDFをダウンロード
• 必要に応じてオンラインエディタを使用して手動調整
• バイリンガル版を有効にした場合はダウンロード

これが完全なプロセスです — スキャンした画像が入力され、翻訳された文書が出力されます。

関連: PDF翻訳：完全ガイド (2026)では、ネイティブPDFの非OCRアプローチを含むすべての翻訳方法をカバーしています。

OCR翻訳の質：精度に影響を与える要因

OCR翻訳の質は、OCRがテキストをどれだけうまく抽出するか、AIがそれをどれだけうまく翻訳するかの2つの要因に依存します。最も重要な要因は次のとおりです。

スキャン解像度

これは最も大きな要因です。300DPI（ドット毎インチ）以上のスキャンは、OCRエンジンが文字を信頼性高く区別するために十分なピクセルデータを提供します。150DPIでは、精度が著しく低下します。100DPI未満では、頻繁にエラーが発生することを期待してください。

推奨: 常に300DPIでスキャンしてください。電話で文書を撮影する場合は、テキストが鮮明でフレームのほとんどを占めるようにしてください。

画像品質

解像度を超えて、全体的な画像品質も重要です。主な考慮事項：

• コントラスト: 白い背景に黒いテキストが理想的です。低コントラストの文書（オフホワイトの紙に灰色のテキスト）は、より多くのエラーを生じます。
• シャープネス: ぼやけた画像 — カメラの揺れ、動き、または焦点が合っていないことから — はOCRの精度を急速に低下させます。
• 傾き: わずかに傾いたスキャンは自動的に修正できますが、重度に傾いたページ（10〜15度以上）は問題を引き起こす可能性があります。
• ノイズ: シミ、コーヒーの輪、ペンの跡、ハイライター、その他のアーティファクトはOCRエンジンを混乱させます。

フォントタイプ

標準の印刷フォント（Times New Roman、Arialなど）は、ほぼ完璧な精度で認識されます。装飾的なフォント、非常に小さなテキスト（8pt未満）、圧縮または重なった文字は難しいです。手書きのテキストは最も難しいままです — 現在のOCRシステムは整然とした印刷体の手書きを適度に処理できますが、草書体は依然として信頼性がありません。

言語スクリプト

ラテン文字の言語（英語、フランス語、ドイツ語、スペイン語）は、ほとんどのモデルがこれらのスクリプトで大きく訓練されているため、最高のOCR精度を享受します。CJK文字（中国語、日本語、韓国語）は十分にサポートされていますが、これらのスクリプト専用に訓練されたモデルが必要です。アラビア語やヘブライ語は、右から左へのテキスト方向や接続された文字形式のために複雑さを加えます。あまり一般的でないスクリプト（チベット語、クメール語、ミャンマー語）は、精度が低い可能性があります。

文書の状態

オリジナルの物理的状態も重要です。黄ばんだページ、色あせたインク、折れたまたは折りたたまれた紙、破れた端、そして水害はすべてOCRの精度を低下させます。重要な歴史的文書の場合、OCR翻訳を試みる前に専門的なデジタル化を行うことを検討してください。

スキャンした文書を翻訳するための代替手段

Doclingoはフルパイプラインを1つのツールで処理しますが、知っておくべき他のアプローチもあります。

Google翻訳 + Google Lensは、撮影したテキストの迅速で非公式な翻訳のための無料オプションです。Google Lensは画像のOCRを実行し、Google翻訳がテキストを処理します。結果は機能的ですが、すべてのフォーマットと構造が失われます。

Adobe Acrobat OCR + DeepLは、すでにAcrobat Proにサブスクリプションがある場合に機能します（$22.99/月）。AcrobatでOCRを実行して検索可能なPDFを作成し、その後DeepLを使用して翻訳します。これにより、良好なOCR品質と強力な欧州言語翻訳が得られますが、プロセス中に複雑なフォーマットが失われ、DeepLは33言語のみをサポートします。

ABBYY FineReaderは、優れた精度を持つ専用のOCRツールです。ただし、翻訳は行わないため、OCRテキストをエクスポートし、別の翻訳ツールを使用する必要があります。これは、高ボリュームのスキャン文書を処理し、自社の翻訳ワークフローを持つ組織にとってプロフェッショナルグレードのオプションです。

Doclingoのような統合プラットフォームの主な利点は、ステップ間のギャップを排除することです。OCRツールからテキストファイル、翻訳ツール、フォーマットソフトウェアへの各ハンドオフは、コンテキストの喪失、構造の破損、エラーの累積の可能性を引き起こします。

関連: PDFを翻訳して元のレイアウトを保持する方法では、フォーマット保持について詳しく説明しています。

一般的なOCR翻訳の課題と解決策

最高のツールを使用しても、特定の状況には特別な注意が必要です。最も一般的な問題とその対処法は次のとおりです。

ぼやけたまたは低解像度のスキャン

問題: OCRの精度は200DPI未満で急激に低下し、翻訳エンジンが処理できない意味不明なテキストを生成します。

解決策: オリジナルの文書を300DPI以上で再スキャンします。オリジナルの紙が利用できない場合は、画像強化ソフトウェアを使用してスキャンをシャープにし、コントラストを上げてからアップロードします。Doclingoを含むいくつかのツールは自動画像前処理を適用しますが、より良いスキャンから始めることが常により良い結果を生み出します。

1つの文書に混在する言語

問題: 文書に2つ以上の言語のテキストが含まれています — 例えば、英語と中国語の条項を含むバイリンガル契約書や、複数の言語での引用を含む研究論文。

解決策: DoclingoのOCRは、文書内の複数の言語を自動的に検出します。翻訳エンジンは、各言語セグメントを適切に処理し、主要言語を翻訳しながら副次的な言語要素を賢く扱います。

スキャンした文書の表

問題: 表は正しくOCRするのが最も難しい構造要素です。セルの境界、マージされたセル、整列した列は、抽出エンジンを混乱させる可能性があります。

解決策: AI駆動の構造検出は、ほとんどの標準的な表形式を処理します。最良の結果を得るためには、スキャンが高コントラストで明確に見えるグリッド線を持っていることを確認してください。非常に複雑な表（ネストされたヘッダー、不規則なマージセル）は、翻訳後に少し手動で修正する必要があるかもしれません。

手書きのテキスト

問題: 手書きの認識は印刷されたテキストのOCRよりもはるかに精度が低いです。草書体、一貫性のない文字形、個人の書き方スタイルは、現在のAIモデルにとってすべて挑戦です。

解決策: 重要な手書き文書の場合、まずテキストを手動で転写し、その後転写されたテキストを翻訳します。手書きが整然として印刷されている（草書体でない）場合、現代のOCRはそれを適切に処理できるかもしれませんが、翻訳を信頼する前に抽出されたテキストを常に確認してください。

異常なフォントの歴史的文書

問題: 19世紀以前の文書は、現代のOCRモデルが訓練されていないフォント、文字形、またはタイポグラフィの慣習を使用している可能性があります。ゴシック/フラクターのスクリプト、古風な綴り、廃止された文字はすべて課題を引き起こします。

解決策: 結果は大きく異なります。まず画像品質を向上させることから始めてください — コントラストを上げ、背景ノイズを取り除き、ページを真っ直ぐにします。重要な歴史的文書の場合、翻訳の前にTranskribusのような専門的な歴史的OCRツールを使用することを検討してください。

関連: 引用を失うことなく研究論文を翻訳する方法では、スキャンしたソース資料を含む学術文書の取り扱いについて説明しています。

FAQ

文書の写真を翻訳できますか？

はい。文書を電話で撮影した場合、その画像を直接Doclingoにアップロードできます。OCRエンジンが写真からテキストを抽出し、翻訳します。サポートされている画像フォーマットにはJPG、PNG、TIFF、PDFが含まれます。

OCR翻訳の精度はどのくらいですか？

印刷されたテキストのクリーンで高解像度のスキャンの場合、OCRの精度は99％を超え、全体の翻訳精度（OCR + AI翻訳の組み合わせ）は通常95％以上です。低品質のスキャン、異常なフォント、または手書きは精度を低下させます。重要な文書 — 法的契約、医療記録、公式な提出物 — については、出力を手動で確認するか、専門家に検証してもらうことを常にお勧めします。

OCRは手書きに対応していますか？

それは場合によります。整然とした印刷体の手書き（ブロック文字）は、適度な精度で処理できます。草書体の手書きは、すべての現在のOCRシステムで信頼性がありません。手書きの文書を翻訳する必要がある場合、最良の方法は、まず手動で転写し、その後AI翻訳ツールを使用してタイプされたテキストを翻訳することです。

サポートされている画像フォーマットは何ですか？

DoclingoはPDF、JPG、PNG、TIFFファイルを受け付けます。PDFはスキャンした文書の最も一般的なフォーマットです。スキャンが異常なフォーマット（BMP、HEIC、WebP）の場合、アップロードする前にPDFまたはPNGに変換してください — ほとんどのオペレーティングシステムはこれをネイティブに行うことができます。

アップロードしたスキャンした文書は安全ですか？

はい。Doclingoは、すべてのアップロードに対して暗号化されたファイル転送（TLS/SSL）を使用し、処理後に文書を自動的に削除します。ファイルは長期的に保存されず、AIモデルのトレーニングに使用されることはありません。非常に機密性の高い文書については、データ処理と保持に関する詳細についてDoclingoのプライバシーポリシーを確認してください。

OCRはアラビア語やヘブライ語のような右から左への言語に対応していますか？

はい。現代のAI駆動のOCRは、アラビア語、ヘブライ語、ウルドゥー語、ペルシャ語を含む右から左へのスクリプトをサポートしています。テキスト抽出は正しい読み方向を保持し、翻訳出力は再構築された文書内で適切な右から左へのフォーマットを維持します。

OCR翻訳にはどのくらいの時間がかかりますか？

ほとんどの文書の場合、全プロセス — OCR抽出、構造分析、翻訳、フォーマット再構築 — は30〜120秒かかります。非常に長い文書（50ページ以上）や、広範な前処理が必要な劣化したスキャンは、数分かかる場合があります。

結論

スキャンした文書は、翻訳の行き止まりでした。テキストが画像に閉じ込められている場合、選択肢は手動で再入力するか、高価な専門サービスに限られていました。しかし、もはやそうではありません。

OCR + AI翻訳は、ピクセルレベルの文字認識からコンテキストを考慮した翻訳、フォーマットされた出力まで、フルパイプラインを単一の自動化されたワークフローで処理します。この技術は、日常的な使用に十分な精度を持ち、考えている間に文書を処理するのに十分な速さです。

最高の結果を得るためには、3つのことを覚えておいてください：できるだけ高品質のスキャン（300DPI、良好なコントラスト、傾きなし）から始め、言語ペアに最適なAIエンジンを選択し、重要な文書の出力を常に確認してください。

それがどのように機能するかを見る最も簡単な方法は、自分のスキャンした文書の1つで試してみることです。

Doclingoを無料で試す -->

文書翻訳のためのさらなるガイド：

• PDF翻訳：完全ガイド (2026)
• PDFを翻訳して元のレイアウトを保持する方法
• 引用を失うことなく研究論文を翻訳する方法
• DeepLとDoclingo：文書翻訳の比較
• 2026年のベストAI翻訳ツール