中国語の画像を編集できるテキストにする

中国語の商品ラベルのスクリーンショットに必要な情報が写っていても、文字を選択してコピーできないことがあります。OCR（光学文字認識）は、画像に写る文字を編集可能なテキストに変換する技術です。役立つのは、確認を終えた書き起こしです。検索できる名称、学習に使える文章、打ち直さずにコピーできる数量が手に入ります。

まず最も鮮明な画像を選び、実際に印刷されている文字の言語を指定して、意味のまとまった範囲を一つずつ認識します。その後、原画像と照合してから、翻訳、簡体字と繁体字の変換、別の文書への数値の転記を行います。自然に読める文章でも、誤認識した文字が混じっている場合があります。

できるだけ鮮明な原画像を使う

最初に、元の文字を直接選択できるか試してください。スクリーンショットには文字情報がなくても、元のウェブページや PDF には利用可能なテキスト層があるかもしれません。短い部分をコピーし、見えている内容と比べます。正確なら、文字認識の工程は不要です。情報が画像の画素としてしか存在しない場合や、既存のテキスト層が使えない場合に OCR を利用します。

何度もメッセージで転送された小さな画像ではなく、元のスクリーンショットやフルサイズの写真を選びます。漢字の細い画が確認できる程度まで拡大してください。画がつぶれたり消えたりしている場合、同じぼやけた画像をさらに拡大しても失われた情報は戻りません。可能であれば、より鮮明な原画像を入手します。

撮り直す場合は、紙面を平らに置き、カメラを正面から向け、均一に光を当てます。影、反射、本の綴じ目付近の湾曲で必要な文章が隠れていないか確認してください。横向きの画像には回転が必要です。上側ほど幅が狭く写ったページは、撮り直すか画像編集ソフトで遠近補正を行います。

ChinaClue のツールでは PNG、JPEG、WebP を利用でき、上限は 15 MB、2,400 万画素です。元データが PDF の場合は、必要なページを先に画像として書き出します。画像が大きすぎる場合は、ファイルを選ぶ前に画像編集ソフトで必要な部分を切り出してください。文字の周囲には少し余白を残し、画を切らないようにします。

原文の言語と配置に合わせる

サイトの表示言語と文字認識の言語は、役割が異なります。英語の画面で、繁体字中国語の案内を認識することもできます。この場合、OCR ツールでは繁体字中国語＋英語を選びます。後で簡体字に変換する予定でも、ここでは原文の文字を指定します。

簡体字の文章には簡体字中国語＋英語を使います。実際に簡体字、繁体字、英語が混在する文章には、それらを組み合わせた選択肢を使ってください。英語だけの画像には英語を選びます。言語を多く選んでも画像の不鮮明さは補えず、追加の認識データのダウンロードが必要になることがあります。

例えば、あるラベルには 净含量、繁体字版には 淨含量 と印刷されているとします。どちらも正味内容量を表しますが、最初の文字の形が異なります。OCR は、まず原文にある文字を取り出すものです。繁体字モデルを選ぶことは、結果をすべて繁体字に変換する指示ではありません。英語の画面を選ぶことも、英訳の指示ではありません。

配置の選択肢が表すのは、内容の主題ではなく並び方です。値札だからといって、必ず「散在するテキスト」とは限りません。密にまとまったラベルなら、一つのブロックとして認識する方が適している場合があります。選択範囲に合う設定から始め、最初の結果に具体的な問題があるときに別の設定と比べます。

まとまった範囲を一つずつ認識する

中国語の画像文字認識ツールを開き、画像を選びます。認識を始める前にプレビューを確認してください。左右の回転ボタンは、それぞれ 90 度ずつ画像を回転させます。回転すると切り抜き範囲がリセットされるため、先に回転し、その後で認識範囲を選びます。わずかな傾きは、さらに 90 度回すのではなく、画像編集ソフトで補正します。

プレビュー上をドラッグするか、左位置、上位置、幅、高さの割合を調整して範囲を選びます。一つの段落、ラベル、一段分の文章がすべて入るようにしてください。数値だけを切り出すと、意味を判断するための単位や項目名が抜けることがあります。二段組みのページで行が混ざる場合は、段を分けて認識します。

印刷された文字の言語と配置を選び、文字を認識を実行します。ブラウザーが認識データを読み込み、選択した画像領域を使用中の端末で処理します。モデルのダウンロードには通信が必要なので、ブラウザー内で処理することは、いつでもオフラインで使えることを意味しません。処理中はタブを開いたままにし、中止する場合はキャンセルを使います。

認識結果は編集できます。再認識すると結果が置き換わるため、残したい修正は先に保存するかコピーしてください。複数の領域を処理する場合は、確認済みの各文章を自分の文書に読み順どおりに並べます。見出しやページ番号も残しておくと、元の資料を探し直せます。

意味に影響する細部から照合する

画像とテキストを同時に見ながら校正します。まず、少しの違いが作業に影響する名前、日付、否定表現、数量、単位、参照コードを確認してください。その後、文章全体を読み、行の抜けや文の区切りを確かめます。見慣れた表現は違和感を見つける助けになりますが、画像で判別できない文字を推測して補う根拠にはなりません。

次のラベルは練習用に作った架空の例で、実在する商品の記録ではありません。書き起こしを確認するときは、項目名と値を一緒に扱ってください。

名称：绿茶
净含量：1.25 kg
编号：0018
单价：38.50 元

1.25 kg が 125 kg になると、小数点が一つ抜けただけで数量が 100 倍になります。正しい量は 1,250 グラムです。別の文書がグラム表記なら、この換算で照合できます。0018 が 18 になった場合、数値は同じように見えても、参照コードは元の四文字ではなくなっています。

38.50 は、小数点と最後のゼロを含め、一文字ずつ確認します。元 がこの金額に対応し、近くの別の値に属していないことも確かめてください。OCR が数字自体を読み取れていても、違う行に結び付ける場合があります。項目名と値の組み合わせを誤った書き起こしは、再計算だけでは修正できません。

漢字では、形の似た文字を慎重に比べます。例えば 未 と 末、土 と 士 は画の長さの比率が異なります。英数字のコードでは、数字の 0 と英字の O を区別してください。これらは確認の例であり、すべての画像で起こる誤りを示すものではありません。句読点や、指示の意味を逆転させることがある 不 などの語も落とさないようにします。

文章を十分な確信を持って読めない場合は、OCR で検索できる文字にした後、不確かな箇所を読める人や文書の発行元に確認してもらいます。誤認識した文章の翻訳は、自然に見えても最初の誤りを引き継ぐことがあります。翻訳を原文の説明として使う前に、書き起こしを確認してください。

具体的な認識の問題を直す

結果が空の場合は、まず選択範囲を確認します。大部分が余白や写真だったり、文字が小さすぎたりするかもしれません。画像全体に戻り、必要な文章を見つけて範囲を選び直してください。複数の設定をまとめて変える前に、言語と向きが合っているか確かめます。

文字はそれらしく読めているのに行の順番が違う場合は、配置の問題として対処します。多段組みのページを段ごとに分けたり、見出しを周囲の表示と分けたりします。表の場合は、一行や少数のセルを認識し、画像と照合しながら表を組み直します。プレーンテキストの出力では、表計算のセル同士の関係は保持されません。

一語だけが不明瞭な場合は、少しの前後関係を含めて切り出し、新しい結果と最初の結果を比較します。画像や別の信頼できる資料で判断できるまで、両方の読みを作業メモに残してください。同じぼやけた画像で何度認識を繰り返しても、不確かな名前やコードを別の根拠で確認したことにはなりません。

反射、濃い影、装飾的な文字、印刷の損傷が原因なら、OCR を繰り返すより鮮明な資料を入手した方が早いことがあります。解決していない箇所は黙って推測せず、作業用の文書に印を付けてください。短くて目で読めるラベルなら、手で入力し、一文字ずつ照合する方が確実な場合もあります。

変換前に確認済みの原文を残す

校正後は、結果をコピーするか UTF-8 のテキストファイルをダウンロードします。保存したファイルを開き、最初と最後の行、例の数値、見慣れない漢字を比べてください。ダウンロードの成功が示すのは、ファイルが保存されたことだけです。この短い確認で、残したい文章が入っていると確かめられます。

簡体字版や繁体字版も必要な場合は、変換していない確認済みの書き起こしを保管します。コピーした文章を簡体字・繁体字変換ツールで変換し、名前や文脈によって変わる語句を再確認してください。これにより、元の資料に実際に印刷されていた内容と、別の読者向けに調整した版を区別できます。

表計算ソフトに貼り付ける場合は、0018 のような値を入力する前に、コードの列を文字列形式に設定します。数量と単位は、意図して別の項目に分けるまで一緒に保ってください。適切な場合は、原画像も作業メモと一緒に保存します。次に扱う人が、最初から作業をやり直さずに疑わしい文字を確かめられます。