スキャンしたPDFを翻訳する：OCRの問題と実践的な解決策

簡単な答え：スキャンしたPDFは翻訳の前にOCRが必要

スキャンしたPDFを翻訳するには、まずOCRを実行してページ画像を選択可能なテキストに変換します。次に、OCR処理済みのPDFをPDF翻訳ツールのような文書翻訳ツールで翻訳します。OCRを省略すると、多くの翻訳ツールは元のファイルをそのまま返したり、ページを飛ばしたり、すでにテキストレイヤーを含む部分だけを翻訳したりします。

次のワークフローを使用してください：

1. PDFを開き、文を選択してみてください。
2. テキストを選択できない場合は、OCRを実行します。
3. 翻訳する前にOCRテキストを確認します。
4. OCR処理済みのPDFをPDF翻訳ツールにアップロードします。
5. 翻訳された出力を元のスキャンと照らし合わせて確認します。

PDFにすでに選択可能なテキストがあり、問題がレイアウトの保持である場合は、書式を失わずにPDFを翻訳するガイドをご利用ください。

スキャンしたPDFが翻訳ツールで失敗する理由

スキャンしたPDFは、多くの場合、PDFコンテナ内のページ画像の集合にすぎません。ページは人間には単語を表示しますが、ファイルにはソフトウェアが抽出できる実際のテキストが含まれていない可能性があります。

これにより、単純な失敗が発生します：

最も有用なテストは技術的なものではありません：

1. PDFを開きます。
2. 個々の単語をハイライトしてみてください。
3. 文をコピーします。
4. テキストエディタに貼り付けます。

文が正しく貼り付けられれば、そのPDFにはテキストレイヤーがあります。何も貼り付けられない、またはページ全体が1つの画像のように振る舞う場合、そのPDFにはOCRが必要です。

OCRは省略できません

OCRとは光学文字認識のことです。画像からテキストを読み取り、機械可読なテキストを生成します。PDF翻訳では、通常、OCRによってスキャンページ上に不可視のテキストレイヤーが作成されます。

そのテキストレイヤーが翻訳のソースになります。OCRが間違えると、翻訳もその間違いを引き継ぎます。

よくあるOCRの間違い：

だからこそOCRの確認ステップが重要です。抽出されたテキストを抜き取り検査するまでは、スキャンした文書を翻訳しないでください。

OCRファーストのワークフロー

ステップ1：PDFの種類を特定する

テキストを選択してみてください。選択できれば、OCRは不要かもしれません。選択できなければ、そのファイルは画像のみとみなしてください。

また、ページを目視で確認しましょう：

• ページが傾いていれば、スキャンの可能性が高い。
• 紙の灰色の質感があれば、スキャンの可能性が高い。
• 綴じ目付近に影があれば、書籍を撮影した可能性が高い。
• コントラストが不均一であれば、コピーの可能性が高い。
• 目に見える単語を検索しても見つからない場合は、テキストレイヤーが存在しないことを示します。

ステップ2：可能ならスキャンを改善する

OCRの品質は画像の品質から始まります。再スキャンできるなら、OCRエラーの修正に時間を費やす前にそれを行いましょう。

次の画像品質チェックリストを使ってください：

• 小さな文字に十分な解像度でスキャンする。
• ページを平らでまっすぐに保つ。
• 綴じ目付近の影を避ける。
• 表の端、指、背景の雑多なものを切り取る。
• 文字とページの間に強いコントラストをつける。
• 行全体が見えるようにする。
• 正しいページの向きを使う。
• 文字がぼやけるほど画像を強く圧縮しないでください。

古い本やコピーでは、多くの場合、傾き補正、コントラスト補正、ピントの合っていないページの再スキャンが最も効果的です。

ステップ3：OCRを実行する

OCRツールはブランドではなく、文書に基づいて選びましょう。

個人契約、医療記録、財務書類、未発表原稿、査読中の学術論文などについては、ローカルのOCRワークフローまたは信頼できる環境を優先してください。機密性の高いスキャンを無作為な無料OCRサイトにアップロードしないでください。

ステップ4：OCRテキストを確認する

翻訳の前後に確認するのではなく、翻訳前に確認しましょう。難しいページをいくつか選んでテキストをコピーし、読み取れるかどうかをチェックします。

確認すべきサンプルページ:

• タイトルページ。
• 文字がびっしり詰まった本文ページ。
• 表があるページ。
• 脚注があるページ。
• 小さな文字のページ。
• スタンプ、手書き、欄外注記があるページ。
• 文書が多言語の場合は、各言語のページを1ページずつ。

確認するポイント:

• 段落が抜け落ちていないか。
• 段組みが結合されていないか。
• 単語が途中で切れていないか。
• 文字が誤っていないか。
• 発音区別符号が失われていないか。
• 表のラベルと値が離れていないか。
• 見出しが本文に挿入されていないか。
• ページ番号が文に混ざっていないか。

OCRの品質が低い場合は、翻訳の前に修正しましょう。翻訳ツールは、OCRが捉えられなかった意味を確実に復元することはできません。

ステップ5: OCR処理済みPDFを翻訳する

PDFにクリーンなテキストレイヤーができたら、PDF Translatorにアップロードします。これで翻訳ステップは、ページ画像ではなくテキストを扱えるようになります。

翻訳後に比較するもの:

• 元のスキャン
• OCRテキストレイヤー
• 翻訳済みPDF

この3方向のレビューにより、エラーがOCRに起因するのか翻訳に起因するのかを特定できます。OCRテキストが間違っていれば、OCRを再実行します。OCRテキストが正しいのに翻訳が間違っていれば、翻訳を修正します。

ステップ6：リスクの高いコンテンツをレビューする

スキャンされた文書には、まさに注意深いレビューが必要なコンテンツが含まれていることがよくあります。古い契約書、政府の申請書類、学術論文、マニュアル、歴史的文書、書籍のページなどです。

以下の項目は手動でレビューしてください：

• 氏名
• 日付
• 数値
• 住所
• 製品コード
• 法的参照
• 引用
• 表のラベル
• 単位
• 数式
• キャプション
• 脚注

研究・学術ファイルについては、学術研究論文の翻訳に関するガイドもお読みください。スキャンされた学術PDFには、OCRリスクに加えて引用やレイアウトのリスクが伴うためです。

並べて見る失敗例

OCR出力をレビューする際に、この表を活用してください。

OCRレイヤーでこれらのエラーが見られる場合は、翻訳する前にOCRを修正してください。

どのツールを使うべきか？

文書の難易度で選びましょう。

より広範なツール比較については、最高のPDF翻訳ツールガイドをご覧ください。

スキャンPDFでよくある問題

低解像度のページ

低解像度のスキャンでは文字がにじんでしまいます。OCRはrnとm、clとd、あるいは句読点とゴミを混同することがあります。

対処法：可能であれば再スキャンしてください。できない場合は、コントラストを上げてOCRを再試行します。

傾いたページや湾曲したページ

書籍のスキャンでは、綴じ目付近が湾曲することがよくあります。OCRは湾曲した行をうまく読み取れず、テキストの順序が入れ替わることがあります。

対処法：ページを平らにして再スキャンするか、傾き補正と歪み補正機能を備えたOCRツールを使用してください。

多段組レイアウト

OCRは左右の段を1つの文の流れに統合してしまうことがあります。

対処法：翻訳前に読み取り順を確認してください。学術論文では特に注意が必要です。

表

表は、OCRがテキストと構造の両方を検出しなければならないため困難です。表は見た目が正しくても、テキストレイヤーが間違っていることがあります。

対処法：表からOCRテキストをコピーし、ラベルが値と一致しているか確認してください。

手書き文字と署名

印刷文字のOCRは、手書き文字認識よりもはるかに信頼性が高いです。手書きの余白メモ、署名、記入済みのフォームは見落とされたり、文字化けしたりする可能性があります。

対処法：翻訳前に重要な手書き文字を手作業で文字起こししてください。

混在する言語

OCRは元の言語を認識しているときに最もよく機能します。英語、フランス語、中国語が混在するスキャンは、OCRが1つの言語のみに設定されていると失敗することがあります。

修正: ツールが対応している場合は、関連するすべてのOCR言語を選択し、各言語セクションをスポットチェックします。

プライバシーとセキュリティのチェックリスト

スキャンしたPDFをどこかにアップロードする前に、次のことを確認してください:

• 文書に個人データが含まれていますか？
• 医療、法律、財務、学術、または未公開の資料が含まれていますか？
• クライアント契約や学校のポリシーで保護されていますか？
• この文書に対してオンラインOCRサービスの利用が許可されていますか？
• 代わりにローカルワークフローが必要ですか？
• 翻訳する必要のないページを削除できますか？

スキャンしたPDFは、契約書、身分証明書、フォーム、研究草稿、社内アーカイブから来ることが多いため、機密性が高い場合があります。OCRへのアップロードの判断は、元の文書を扱うのと同じように行ってください。