PDF の文字認識は、「開いても文字を選択できない」スキャン資料や画像型 PDF を処理するツールです。まず各ページを 300 dpi の画像として描画し、ブラウザ内の tesseract エンジンで文字を認識してから、3 種類の結果を書き出します。元のページの見た目を残したまま不可視のテキスト層を重ねた「検索可能 PDF」、ページごとに「—— 第 n ページ ——」で区切った TXT、各ページが段落のまとまりになりページ間に改ページが入る DOCX です。

PDF 自体に文字レイヤーがある場合（選択できて Ctrl+F も使える場合）は OCR は不要です。「PDF を Word に変換」や「PDF からテキストを抽出」なら文字レイヤーを直接読むため、より速く正確です。画像しかないときは「画像の文字認識（OCR）」を使ってください。

1. 01認識言語を選んでアップロード既定は「簡体字中国語 + 英語（推奨）」です。PDF を 1 つドラッグするとページ数が表示され、20 ページを超えると「1 ページずつ認識するため時間がかかります」と知らせます。
2. 02認識を開始進行状況バーは「x/n ページ · 文字を認識中」と進み、認識テキスト欄にページごとの結果が次々と追加されます。「認識を中止」しても認識済みのページは保持されます。
3. 03テキストを校正「認識テキスト」はページごとに区切って表示され、そのまま編集できます。編集が反映されるのは TXT のダウンロードだけで、検索可能 PDF と DOCX には影響しません。
4. 04書き出し「検索可能 PDF をダウンロード」「TXT をダウンロード」「DOCX をダウンロード」で、それぞれ <original-name>_検索可能.pdf、<original-name>_OCR.txt、<original-name>_OCR.docx が得られます。検索可能 PDF の初回生成では組み込みの中国語フォント Noto Sans SC（約 10 MB）を読み込みます（初回のみで、以降はキャッシュ）。

入力

PDF 1 ファイル。暗号化されたファイルでは「PDF を開けませんでした。ファイルが破損しているか、暗号化されている可能性があります」と表示されるので、先に「PDF ロック解除」でパスワードを外してください

所要時間

各ページを 300 dpi（最長辺 4,500 ピクセル以内）に描画してから認識するため、数十ページでは数分かかることがあります。1 回は 50 ページまでを推奨します。ページが多いときは先に「PDF を分割」してください

テキスト層

信頼度 20% 以上の単語だけを埋め込み、小さすぎる語やノイズと判定された語はスキップします。まれな記号が符号化できない場合は「スキップ」として数え、完了メッセージに表示します。選択範囲は原文とおおむね重なりますが、ピクセル単位で正確ではありません

忠実度

DOCX に入るのは認識された自然段落だけです（文字サイズは統一、ページ間は改ページ）。画像・表・レイアウトは再現しません。検索可能 PDF のページ画像は JPEG で描き直したものです

やらないこと

傾きや影の補正（撮影した紙は先に「スキャン補正」）、翻訳、表の構造化は行いません。文字レイヤーがある PDF には「PDF を Word に変換」または「PDF からテキストを抽出」を使ってください

PDF の描画と文字認識はすべてブラウザ内で行われ、ページの内容がアップロードされることはありません。認識エンジンと簡体字・英語の言語パックは当サイトが自前で配信しており、初回の利用時にダウンロードが必要です。繁体字中国語と日本語の言語パックは tesseract.js の既定の公開 CDN から取得します。検索可能 PDF の生成時は初回のみ Noto Sans SC フォント（約 10 MB）を当サイトからダウンロードしてキャッシュします。これらのリクエストで取得するのはエンジン・言語パック・フォントファイルだけで、あなたの文書は含まれません。