2011年03月04日
『グーグル・ドキュメント(Google Docs)』の日本語OCR、識字率は9割以上！(私的検証結果)
『グーグル・ドキュメント(Google Docs)』の日本語OCR、識字率は9割以上！(私的検証結果)
『グーグル・ドキュメント(Google Docs)』のOCR処理？
ここのところ毎日のように新聞記事で取り上げられていますが、
米国グーグル(Google)では2011年2月28日、
『グーグル・ドキュメント(Google Docs)』のOCR機能を強化し、
日本語を含む合計34言語のOCR処理を行えるようになりました。
＜参考文献＞
Docs ヘルプ
『 アップロードとエクスポート: PDF ファイルやテキスト付きの画像ファイルを
Google ドキュメントに変換してアップロードする 』
※その他についても、知りたい人は…
『 Google ドキュメントの新機能 』
書類などをスキャンした画像ファイルやPDFファイルを、
『グーグル・ドキュメント(Google Docs)』にアップロードすると、
テキストの画像を読み取り、
自動的にテキスト・データデータに変換してくれるのです。
方法は？いたって簡単！
≪要点≫
ファイルをドラッグして、アップロードするだけ！
それだけで、テキストデータが作られる！
もちろん、無料！
＜詳しく説明すると…＞
『グーグル・ドキュメント(Google Docs)』を開いて、
画面左上部の『アップロード』を選択します。
『ファイルのアップロード』の画面に変わるので、
『ここにファイルをドラッグ＆ドロップしてください』と表示されている場所へ、
テキストをスキャンした画像(JPG等)やテキストの入ったPDFファイルを、
ドラッグ＆ドロップします。
ファイルのサイズは、現在は2Mバイトまで です。
ちなみに有名な、『25年前の春、2人の若者が…』で始まる、
『ウォールストリート・ジャーナル』の世界で一番売れたコピー、の、
日本語訳の一つを画像データにしたところ、A4の用紙1枚にまとまり、
300dpiで読み取ると、523KBでした。
(ワードで、MSP明朝11ポイントを使用)
(ちなみに、倍の精度の600dpiで読み込んだときは、1.49MBでした。)
これをサンプルにします。
画像は、既に、その画像データを、ドラッグ＆ドロップした後のものです。
中ほどの『変換オプションの選択』は、
本来は、この画像のようにチェックを入れ直すらしいのですが、
意味がよくわからなかったので、各種試してみましたが、
チェックはそのままにしておいても、結果は変わらず、
自動的にテキストを抽出していました。
(どうやら、プログラムの中で、自動的に判断しているようです。)
オプションは、無視しても大丈夫 でした。
画面下部の 『アップロードを開始』をクリック します。
すぐに読み込みが終わりますが、その後しばらく(30秒以内らしいです)、
輪がぐるぐる回り待機した後、
ファイル名の左に緑色のレチェックが入り、
下部に 『アップロードが完了しました。』と、表示されたら、終了 です。
それでは、画面左上部の、 『Googleドキュメントに戻る』をクリック して、
成果を見てみましょう。
一番上の黄色の部分は、 注意書き で、
邪魔だったらマウスの右ボタンで消すよう指示されているので、
無視します。
その次の枠で囲われた部分が、 テキストの画像原稿データ です。
さらにその下に、グーグルで テキストに変換した文書 が現れます。
ラテン系の文字は、識字率が99％くらいあるらしいですが、
日本語の場合は、体感では、9割以上、と言ったところ でしょうか。
雑な人がワープロで入力したレベルかな？
難しい文書でなければ、ほぼ内容は、わかる、というレベルです。
個人的には、グーグルの翻訳ソフトで約した日本語より、
ずっとよくわかります。
ただし、文字の解析だけを行っているようで、
文章の解析はやっていないようです。
少なくとも、文章の解析を行った時の、
ここがおかしいのでは？と言う表示はありません。
なお、テキストの画像は、 縦書きは不可で、横書きに限ります 。
もちろん、 手書はだめ です。
≪各種試してみました≫
・ 文書を少し傾けて読み込ませると…
著しく、識字率が落ちました。
・ 300dpiで9割なら、600dpiでは、ほとんど正確に読み取れるのでは？
同じ文書で、バイト数が、523KBから1.49MBになりました。
現在の上限の2Mバイト以下です。
期待して、アップロードしました。
読み込みに時間がかかりました。
ページを開くと、
黄色の注書の下に大きく、
テキストが表示されています。
テキストの画像はありません。
(処理の容量の上限があるのでしょう。)
期待したテキストの内容は、
ひどいものでした。
300dpiで読み込んだ時のほうが正しく読みとれていたのです。
現在の制限容量のせいでしょうか？
残念！
・ PDFファイルのアップロード
(1) テキスト画像文書のPDFの場合
これは、 全く駄目。役に立ちません。
うまくいく場合もあるかもしれませんが…
(2) テキスト文書のPDFの場合
これは、素晴らしかった です。
今回は、いらない空白が1も自分挿入されただけで、
後は、 完璧に 読み込まれていました。
まあ、これは、もともとPDFファイルには、テキストが埋め込まれているので、
当たり前と言えば当たり前なのですが。
(ちなみに、この場合は、そもそも、アップロードなどしなくとも、
テキストを選択してコピーし、ワープロやエディタに張り付ければ、
それで出来上がりです。
もちろん、グーグル・ドキュメントにそのまま張り付けでもOKですが…)
≪結論≫
○ そこそこPCスキルがあり、
ほぼブラインドタッチで、ゆっくりと話す程度に入力できる人には、
現在のレベルでは、あまり役立たないかもしれません。
ただ、腕が疲れて、入力するよりも、チェックして修正したほうがいいと、
そう思う時には利用価値があるでしょう。
○一方、 テキストの入力に時間がかかるとか、苦痛だとか感じる人には、
ぜひおススメ です。
なにしろ、 今のレベルでも、瞬時に登録が終わり、
しかも9割以上の識字率があるので(管理人の主観では)、
後は少しずつ修正するだけで終わりですから。
まあ、パソコンは、とても便利ですが、
道具の一つに過ぎないのですから、
自分に合わせた使い方をすればよいのです。
気分に合わせて使用しようかな？
【グーグル観測の最新記事】
この記事へのコメント