夏休み終了直前！　デジタル機器自由研究 第6回

OCRの精度に挑む！ 日本語認識率を漱石の三四郎でチェックした

本文の誤認識率は0.6％
ルビの認識には難ありか

OCR認識したデータをチェック！　左が元ファイル、右がOCRの結果だ

縦書きでの英数字はほぼ全滅

　ルビは認識されているのだが、表示部分がまちまち。例えば「三四郎」には「さんしろう」ときちんと付いているが、「頓狂」の「とんきょう」は文節まるごとにかかって表示されている。さらに、本文4行目は途中で改行になっているのだが、なぜか均等表示になっている。これは、画面下部に表示されているページ数を本文と誤認識したためのようだ。そもそも、1行に複数のルビが振られていると、くっついてしまい均等割り付けになってしまう。ルビが多いテキストの場合は読みにくくなってしまうだろう。

ルビの文字は認識されているが、割り当てがまちまち

　さらに、画面左上にはファイル名が表示されているのだが、こちらも文字化けしている。ページ数とファイル名は、全体にわたって認識できていなかった。また、すべての行の最後には改行が入っている。これは、OCRでは認識できないので仕方のないところ。

すべての行の下に改行が入っている

　原本では、ルビではなく注釈が小さい文字で付いていることがある。「帰って来た」はOCRで読み込んだ底本では「帰った来た」のような注釈の漢字は表示されず、ひらがな部分だけが表示されていた。認識ミスなのか、OCRのテキスト表示の仕様なのかは不明。そのほか、「――」（棒線）は数字の「1」に、漢数字の「二」は「一」と「一」に認識されるなど、惜しいミスが散見される。読点「。」が中黒「・」になっているところもあった。

　誤変換をあげつらったので、ミスが多いように感じるかもしれないが、実は本文のほとんどはきちんと認識しているので驚いた。基本的には問題なく読め、誤変換があっても文意が通らないところはほとんどない。「欅」が「樫」になっていたり、「俯いて」が「傭向いて」になっているところなどが数ヵ所あったくらいだ。

ところどころに変換ミスがある

思った以上にOCRソフトは使える！
ルビのない原稿なら誤認識は実質わずかに0.04％

筆者紹介─柳谷智宣

1972年生まれ。ネットブックからワークステーションまで、日々ありとあらゆる新製品を扱っているITライター。日経パソコンオンラインで「ビジネスPCテストルーム」、週刊SPA!で「デジペディア」を連載するほか、パソコンやIT関連の特集や連載、単行本を多数手がける。近著に「ポケット百科 GALAXY SII LTE 知りたいことがズバッとわかる本」（翔泳社）「Twitter Perfect GuideBook」（ソーテック社）、「Dropbox WORKING」（翔泳社）、「仕事が3倍速くなるケータイ電話秒速スゴ技」(講談社)。

ASCII倶楽部

お知らせ