OCRと翻訳はひとつの操作として語られがちですが、答える問いは別ものです。OCRは「このページにはどんな文字が載っているか」を問い、翻訳は「そのテキストは別の言語でどういう意味になるか」を問います。文書処理にはさらに、「本文、見出し、図、注釈はどの順序で読むべきか」という問いが加わります。
この違いを押さえておくと、よくある失敗の理由も見えてきます。翻訳は自然な文なのに、内容がどこかおかしい。言語処理の側には誤った単語、欠けた記号、順序の入れ替わった段落が渡っていたのかもしれません。正しく取り出せなかった元の情報は、プロンプトを工夫しても確実には補えません。
認識・構造・意味を分けて考える
スキャンページの 10 mg をOCRが IO mg と読んでしまった場面を想像してください。翻訳側は誤った文字をそのまま再現するか、名前の一部と解釈するかもしれません。流暢な言語表現だけから用量を割り出すことはできません。曖昧さを解消するには元の画像が必要です。
次に、2段組みの記事を考えます。単語はすべて正しく認識されているのに、抽出結果が2つの段の行を交互につないでいる。これは綴りの問題ではなく、読み順の問題です。翻訳は混ざったテキストを文法的に正しい文章に変えつつ、論旨を失ってしまうことがあります。
そのため、実用的なワークフローにはいくつかの役割があります。
| 段階 | 役割 | 確認に使えるポイント |
|---|---|---|
| 取り込み | 読めるページ画像を作る | 小さい文字が見え、余白が欠けていない |
| OCR | 画像からテキストを取り出す | 文字、数字、記号がページと一致している |
| 構造の復元 | 段落、段組み、見出し、注釈を整理する | テキストが意図した順序で続いている |
| 翻訳 | 意味を対象言語で表す | 人名、肩書き、関係性が保たれている |
| 出力と確認 | 使えるファイルを仕上げる | ナビゲーション、注釈、表、重要な箇所が機能する |
統合ツールなら、これらの段階をひとつのタスクの中で実行できます。それでも、結果を確認するときにはそれぞれを別の観点として捉えておくと役立ちます。
テキストPDFとスキャンで出発点を変える
テキストベースのPDFなら、段落を選択してエディタに貼り付けてみてください。文字と順序が妥当かどうかを確認します。テキストを選択できることは手がかりになりますが、埋め込みフォントや壊れたテキストレイヤーによって、予想外の文字が出力されることもあります。
スキャンの場合は、まずページ画像を見ます。ぼけ、傾き、綴じ部分の影、文字の欠けを確認してください。元のスキャンが悪ければ、認識精度には物理的な限界があります。もともとぼやけた画像の解像度を上げても、失われた文字の細部は戻りません。
混在型のPDFでは、両方の確認が必要です。本文はテキストでも、挿入ページや付録が画像になっていることがあります。1ページだけで本全体の種類を判断せず、いくつかの箇所を確認しましょう。
PDF Craftは処理対象としてPDFファイルを受け取り、EPUBまたはMarkdownへの変換を提供します。これらの出力では翻訳は任意です。PDF出力は翻訳タスクになります。特定の案内ページから入ったという理由で出力形式や翻訳パラメータが決まるわけではないので、実際の設定を確認してください。
中間確認に手間をかける価値があるとき
OCRと翻訳を一度に行うタスクは、結果を原本と照らし合わせられるなら、読むためのコピーを作るのに便利です。一方、重要な数値、特殊な用語、構造的な誤りを招きやすいレイアウトを含む文書では、認識結果を別途確認する価値があります。
分けて進める場合は、まず翻訳なしで変換し、該当するリーダーやエディタで抽出内容を確認します。見出し、ページをまたぐ段落、表や注釈を比べてください。元のテキストの問題は、適切な編集作業の中で直してから、後続の翻訳に回します。
すべてのサービスが編集可能な中間結果を提供したり、編集した形式を新しい入力として受け付けたりするとは限りません。PDF CraftのWeb画面ではタスクを実行できますが、翻訳前にOCRの認識結果を編集できるとは限りません。変換・編集・再アップロードを自由に組み合わせられるとは考えず、次の段階が対応する入力形式を確認してください。
中間確認を省くなら、最終確認をより丁寧に行います。翻訳で気になった箇所は、PDFの画像と直接見比べてください。元の位置を控えておけば、認識の誤りと翻訳上の判断を区別できます。
次の用途から出力形式を選ぶ
EPUB は、文字サイズを変えながら読み続けたい場合に向いています。段落がリフローし、使える目次があり、注釈が本文とつながったままであることが望ましい形式です。確認項目はスキャンPDFからEPUBへのガイドで扱っています。
Markdown は、研究ノート、引用、後続の処理のために編集可能なテキストが欲しい場合に向いています。印刷ページの再現を期待するのではなく、数式や表を確認してください。研究のためのPDFからMarkdownへも参照してください。
PDF翻訳 は、納品物としてPDFが求められる場合に適しています。翻訳後に、テキストの収まり、図との位置関係、要素が密集した領域を確認します。他の出力形式でバイリンガルが選べるからといって、バイリンガルPDFにも対応していると判断しないでください。
バイリンガルのEPUB出力では、原文の該当箇所を翻訳の前に置けるため、意味の確認がしやすくなります。ただし、ページ画像と照合してOCRを検証するわけではありません。認識された原文がすでに誤っていれば、並んだ2つの文を見ても問題は隠れたままです。
段階のつなぎ目を確認する
ページの変わり目、段組みの変わり目、脚注の参照箇所を見てください。局所的には妥当な結果どうしが、ここで誤ってつながることがあります。脚注処理の記事では、すべての単語がページ上にあっても注釈が誤った位置に割り当てられる理由を説明しています。
続いて、数値と言語をまとめて確認します。数字と単位、否定とそれが修飾する記述、図の参照とキャプションを確かめてください。重要な引用は、抽出版や翻訳版だけを信じず、元のページに戻りましょう。
まずはPDF CraftにPDFをアップロードし、出力形式を選び、必要に応じて翻訳を明示的に有効にしてください。処理は利用量に応じた課金で、現在の料金は料金ページに掲載しています。原本、ダウンロードした結果、後から該当箇所を確認できる情報を保存しておきましょう。